主流 Agent Harness 的核心差异是什么？

核心回答

主流Harness的核心差异在于把多少执行能力与控制责任交给框架，哪些仍由应用实现。比较应看运行循环、工具执行、上下文、状态恢复、权限隔离与观测，而不只是都能不能调用工具。

完整编码产品、可嵌入的通用Harness和底层图运行时处在不同层次。Codex、Claude Code更接近带开发环境交互的编码执行产品；DeepAgents提供可组合的长任务能力；LangGraph更强调应用自己定义状态和控制流。名称相近，也不能把运行Harness与专门的评测Harness混成同一个东西。

按关键维度看差异

控制循环决定是模型自由选下一步，还是代码管理固定阶段与条件分支；工具层决定串并行、超时、错误与副作用如何处理；上下文层决定如何检索代码、裁剪结果、使用Skill、压缩历史和派发子任务。

状态层要看持久化范围、检查点与恢复语义，权限层要看文件、终端、网络、凭证与租户边界。观测层则要能回答某次失败发生在哪一步、使用了什么输入和工具、成本与耗时是多少。一个框架有日志，不等于具备可恢复执行；有沙箱配置，也不等于所有工具都经过同样边界。

用具体方案作参照

Claude Code官方将采集上下文、行动与验证作为循环，文件、搜索、终端等工具提供环境反馈。Codex公开指南体现了项目指令注入、工具驱动任务和上下文压缩等编码Harness设计。比较两者需要具体版本、模型与部署方式，不能仅凭品牌推断谁必然更可靠。

DeepAgents把文件系统、上下文管理、子Agent等常用能力组合在一起，减少自行拼装的工作；计划能力还存在版本差异，现行文档将其描述为可选配置。LangGraph侧重底层有状态编排，适合把确定步骤和模型决策混合，但业务工具、状态Schema与权限仍需设计。

怎样做选型实验

用同一模型或可比模型、相同任务与初始环境，比较任务成功、错误恢复、重复工具调用、上下文成本和调试工作量。先对照默认方案，再做组件消融，例如只换工具格式、压缩或规划方式；否则无法判断收益来自模型还是Harness。

低层方案更灵活，但要自行维护更多组件；完整Harness上手快，但可能带来默认行为和适配限制。合适的方案取决于业务控制需求与团队维护能力。

常见追问

越厚的Harness越好吗？ 不一定。模型和任务改变后，曾经有用的规则也可能制造额外调用和限制，应通过任务对照决定保留哪些能力。

对应教程

参考资料