模型越强，Harness 越厚：Kimi CLI 前负责人的反直觉判断
前 Kimi CLI 负责人 stdrc 指出，AI 圈对 Harness 的消亡论存在误解。模型越强，Harness 复杂度会从能力层迁移到协作层，底层简化但上层更厚。他以 Kimi CLI 实践和创业项目 Raft 为例，说明 Harness 是智能体与真实世界交互的必备基础设施。
AI 编程领域正呈现两极分化：一边是极简派，如近期爆火的 Pi，用不到 1000 Token 的 Prompt 和四个基础工具，主张让模型自由发挥；另一边则是复杂派，热衷于构建 Agent Swarm 和多智能体协作系统。这场路线之争引发了一个核心问题：底层 Harness（运行时工程管控层）会否因模型能力增强而消失？
前 Kimi CLI 负责人、Raft 创始人 stdrc（Richard Qian）给出了反直觉的观点：模型越强，Harness 反而越厚，只是复杂度从能力层转移到了协作层。这一判断基于他多年一线工程经验，直指 AI 圈对 Harness 的两大误解。
误解一：Harness 将被训进模型，彻底消失
许多人认为，随着大模型能力提升，Harness 迟早会被内化到模型中。但 stdrc 直言：“说 harness 会被训到模型里的人，肯定是没做过 harness 的。”他拆解了三点：
- Harness 是模型的训练场：就像人类社会先有分工制度，才学会协作，Harness 为模型提供了学习协作的外部框架。没有它，模型无从练习复杂任务。
- 智能越高，工具越复杂：人类大脑进化后，反而创造了法律、互联网等更复杂的系统。模型能力增强，解锁的场景也更复杂，上层需求会催生新的 Harness。
- 单任务靠模型，复杂业务靠系统：长流程、多智能体协作的真实业务，单靠模型记忆必然出错，这是系统工程问题，不该让模型硬扛。
误解二：模型越强，Harness 越薄
这个观点看似合理，因为底层提示词确实在减少。但 stdrc 认为它“情有可原，但缺乏想象力”。模型能力提升会淘汰大量“补丁式 Harness”——如格式约束、冗长 Prompt、死板重试机制，但这不是 Harness 消亡，而是复杂度向上迁移。
更强的模型解锁更复杂的任务，催生新需求：多 Agent 协作、跨会话状态同步、主动记忆管理、动态权限等。这些在弱模型时代根本不存在，自然被排除在传统 Harness 认知之外。
Harness 的阴阳共生演化
stdrc 将模型与 Harness 的关系比作阴与阳，此消彼长、共同进化。
阴的扩张（局部内化）：当模型基础能力增强，部分底层 Harness 被取代。例如在 Kimi CLI 实践中，stdrc 曾移除专用 subagent 调度机制，让模型直接通过 bash 终端拆分子任务；同时砍掉原生并行调用，改为模型生成脚本实现并行。这些“减法”是外界感知到 Harness 变薄的真实原因。
阳的延伸（上层生长）：模型能力每上一台阶，就解锁更复杂场景，催生更上层 Harness 需求。单任务成熟后，需要多智能体协作；单会话成熟后，需要跨会话记忆与上下文回溯。智能水平越高，与现实世界的摩擦力越大，Harness 作为“交互基础设施”只会持续延伸。
Kimi CLI 的实践验证
stdrc 的理论来自 Kimi CLI 从 0 到 1 的完整工程实践。早期从单工具调用起步，逐步长出并行调用、子智能体、状态管理。迭代后期，团队大胆做减法：砍掉 subagent 调度代码和原生并行控制，让模型自主用脚本实现。结果发现，模型能力达到临界点后，底层 Harness 确实可丢弃。
但底层刚删完，上层问题接踵而至：多智能体如何通信？任务如何交接？于是团队转向多智能体 Harness 架构，研究任务交接、通信协议、分工机制，以及跨会话通信、上下文压缩等技术。这些探索成为后来 Raft 的技术前身，也吻合了行业转向多智能体的趋势。
Raft：下一代厚 Harness 的创业实践
离开月之暗面后，stdrc 创办 Raft，直接践行“上层厚 Harness”理念。Raft 不写 Agent 循环，不封装基础工具，而是将 Claude Code、DeepSeek 等成熟产品作为“团队成员”接入。它的火力集中在多智能体协作的系统性难题上：
- 给 AI 发身份证和记忆力：每个 Agent 有独立进程、记忆和工作习惯，任务中断后能无缝接续。
- 立规矩和分工：用类似工作群的“频道”隔离聊天，支持任务认领、认降和交接，所有步骤留痕，便于人类审计。
- 打破厂商壁垒：通过跨厂商通信协议，让不同模型在同一工作区用统一标准对话。
- 人类与 AI 共事的工作区：Harness 从代码演变为团队的工作流和权责体系，定价为每个 Agent 占 0.1 个人类席位。
结语
Harness 不会消失，而是随智能升级持续演化。正如开发者 Monk Zero 的哲学比喻：模型是狄俄尼索斯式的混沌与创造力，Harness 是阿波罗式的秩序与结构，二者永恒互补。对于开发者而言，理解这一动态关系，能更好地设计 AI 系统的边界与协作机制，避免在错误层级上过度投入。