Agent Harness 正在成为构建 Agent 的主流方式，而且它不会消失。 这些 harness 与 Agent 记忆紧密绑定。如果你使用了一个封闭的 harness——尤其是那种封装在私有 API 背后的——你实际上是把 Agent 记忆的控制权交给了第三方。记忆对于创造优质且持久的 Agent 体验至关重要。这会带来巨大的锁定效应。记忆——从而也包括 harness——应该是开放的，让你真正拥有自己的记忆。

Agent Harnesses：构建 Agent 的方式，不会消失

过去三年，构建 Agentic 系统"最佳方法"经历了剧烈变化。ChatGPT 出来后，你只能做简单的 RAG 链（LangChain）。后来模型变强了一点，能处理更复杂的流程（LangGraph）。再后来模型变得非常强大，催生了一种新型的脚手架——Agent Harness。

Agent Harness 的例子包括：Claude Code、Deep Agents、Pi（驱动 OpenClaw）、OpenCode、Codex、Letta Code 等等。

💡 Agent Harnesses 不会消失。

有一种观点认为，模型会逐渐吸收越来越多的脚手架功能。这是错误的。 实际情况是：2023 年需要的大量脚手架现在已经不需要了，但取而代之的是其他类型的脚手架。Agent，本质上就是 LLM 与工具及其他数据源的交互。围绕 LLM 的系统始终存在，用以协调这类交互。需要证据？Claude Code 源码泄露时，有 51.2 万行代码。那些代码就是 harness。连世界上最好的模型的开发者，都在大力投入 harness。

当 OpenAI 和 Anthropic 的 API 内置了网络搜索等功能时——那些并不是"模型的一部分"，而是藏在 API 背后的轻量级 harness，通过工具调用（tool calling）来协调模型与网络搜索 API 的交互。

Harness 与记忆紧密绑定

Sarah Wooders 写了一篇很棒的文章《为什么记忆不是一个插件（它是 harness）》，我完全赞同。

有一种观点认为，记忆是一个独立的服务，独立于任何特定的 harness。在当前这个时间点，事实并非如此。

Harness 的一个重大职责是管理上下文交互。正如 Sarah 所说：

把记忆插入 Agent harness，就跟说"把驾驶能力插入汽车"一样荒谬。管理上下文，从而管理记忆，是 Agent harness 的核心能力和职责。

记忆只是一种上下文形式。 短期记忆（对话中的消息、大型工具调用结果）由 harness 处理。长期记忆（跨会话记忆）需要由 harness 更新和读取。Sarah 列出了 harness 与记忆绑定的多种方式：

• AGENTS.md 或 CLAUDE.md 文件是如何加载到上下文的？
• 技能元数据是如何展示给 Agent 的？（在系统提示词里？系统消息里？）
• Agent 能修改自己的系统指令吗？
• 压缩（compaction）后什么保留了什么丢失了？
• 交互记录是否被存储并可查询？
• 记忆元数据是如何呈现给 Agent 的？
• 当前工作目录是如何表示的？暴露了多少文件系统信息？

目前，记忆作为一个概念仍处于萌芽期。坦率地说，我们看到长期记忆往往不是 MVP 的一部分。首先你得让一个 Agent 正常运作，然后才考虑个性化。这意味着我们（作为整个行业）仍在摸索记忆。目前，记忆领域还没有知名或通用的抽象方案。如果未来记忆变得更成熟，我们找到了最佳实践，那么独立的记忆系统可能会开始变得合理。但那是以后的事。现在，正如 Sarah 所说：“归根结底，harness 如何管理上下文和状态，是 Agent 记忆的基石。”

如果你不拥有你的 Harness，你就不拥有你的记忆

Harness 与记忆紧密绑定。

💡 如果你使用了封闭的 harness，尤其是封装在 API 背后的，你就不是真正拥有自己的记忆。

这在几个层面上体现出来：

轻度糟糕： 如果你使用有状态的 API（如 OpenAI 的 Responses API，或 Anthropic 的服务端压缩），你的状态存储在他们的服务器上。如果你想切换模型并恢复之前的线程——那是做不到的。

糟糕： 如果你使用封闭的 harness（如 Claude Agent SDK，它底层使用 Claude Code，而 Claude Code 不是开源的），这个 harness 与记忆的交互方式对你来说是未知的。也许它在客户端创建了一些产物（artifact）——但这些产物的结构是什么？其他 harness 应该如何使用它们？这些都是未知的，因此无法从一个 harness 转移到另一个。

💡 但最糟糕的是——当整个 harness，包括长期记忆，都被封装在 API 背后。

这种情况下，你对记忆（尤其是长期记忆）没有任何所有权或可见性。你不了解 harness（这意味着你不知道怎么使用记忆）。但更糟糕的是——你甚至不拥有那些记忆！ 也许部分通过 API 暴露了，也许完全没有——你对此毫无控制权。

当人们说"模型会吸收越来越多的 harness"时——他们真正意思是：这些与记忆相关的部分，将被锁定在模型提供商提供的 API 背后。

💡 这非常令人警觉——这意味着记忆将被锁定在单一平台、单一模型上。

模型提供商有巨大的动机这么做。而且他们已经开始这么做了。Anthropic 推出了 Claude Managed Agents，把所有东西都封装在 API 里，锁定在他们的平台上。

即使整个 harness 没有完全放到 API 背后，模型提供商也有动机把越来越多的东西移进 API——而且他们已经在做了。例如：Codex 虽然是开源的，但它生成了加密的压缩摘要（这在 OpenAI 生态系统之外是无法使用的）。

为什么他们这么做？因为记忆很重要，它创造了模型本身无法提供的锁定效应。

记忆很重要，它创造了锁定效应

虽然记忆尚在早期，但所有人都清楚它很重要。它让 Agent 能够随着用户交互而不断改进，让你构建起数据飞轮。它让你的 Agent 能够个性化服务每个用户，构建出符合其需求和使用模式的 Agent 体验。

💡 没有记忆，你的 Agent 很容易被任何能访问相同工具的人复制。

有了记忆，你就积累起专有的数据集——用户交互和偏好的数据集。这个专有数据集让你能提供差异化且日益智能的体验。

迄今为止，切换模型提供商相对容易。它们的 API 相似，甚至相同。当然，你得稍微改改提示词，但也不算难。

但这都是因为它们是无状态的。

一旦有任何关联的状态，切换就变得困难得多。因为这些记忆很重要。如果你切换了，你就失去了对它的访问。

我可以讲个故事。我内部有一个邮件助手。它构建在 Fleet（我们的无代码平台，用于构建企业级 OpenClaw）的一个模板上。这个平台内置了记忆功能，所以过去几个月我和我的邮件助手交互时，它积累了大量记忆。几周前，我的 Agent 不小心被删了。我非常恼火！我试图从同一个模板重建一个 Agent——但体验差了很多。我得重新教它我所有的偏好、我的语气、所有一切。

删掉我的邮件 Agent 的好处是——让我意识到记忆可以有多强大、多持久。

开放记忆，开放 Harnesses

记忆需要被开放出来，由开发 Agent 体验的人拥有。它让你能构建起你真正控制专有数据集。

记忆（从而也包括 harnesses）应该与模型提供商分离。 你应该保有选择权，可以尝试任何对你的用例最好的模型。模型提供商有动机通过记忆来创造锁定效应。

这就是为什么我们在构建 Deep Agents。Deep Agents：

• ✅ 开源
• ✅ 模型无关（model agnostic）
• ✅ 使用 agents.md 和 skills 等开放标准
• ✅ 支持 MongoDB、Postgres、Redis 等插件来存储记忆
• ✅ 可部署：通过 LangSmith Deployment（可自托管、可部署在任何云上、可使用自己的数据库作为记忆存储）；或部署在任何标准 Web 托管框架背后

要拥有自己的记忆，你需要在使用一个开放的 Harness
今天就试试 Deep Agents 吧。

感谢以下朋友的审阅和建议：Sydney Runkle（Deep Agents 和记忆方向的大量工作）、Viv Trivedy（Agent Harness 领域的领先声音）、Nuno Campos（金融 Agent 上下文工程的优秀作者）、Sarah Wooders（Letta CTO，一家公司持续走在有状态 Agent 前沿）。

原文：Your harness, your memory | 作者：Harrison Chase（LangChain CEO）