# 所谓「Agentic Coding Harness」，本质上是「上下文编排工具」，而非智能本身 -- 来自 @SemiAnalysis_ 关键认知：LLM 是无状态的 这是理解所有 harness 的前提。...

- 来源：Meng Shao
- 发布时间：2026-07-06 08:39
- AIWatch 分数：65
- AIWatch 标记：当日精选
- AIWatch 链接：https://aiwatch.icu/events/evt_01kwtdw2c12154f0bw7e4b5xpy
- 原文链接：https://x.com/shao__meng/status/2073929746459824544

## 精选理由

高信息密度，值得细读

## AI 摘要

SemiAnalysis 指出 Agentic Coding Harness（如 Claude Code、Codex、OpenCode）本质是上下文编排工具，而非智能本身。其核心机制基于 LLM 的无状态特性，通过 REST 循环和 JSON Schema 实现：Harness 在每轮请求中组装系统提示、工具定义和消息历史，通过 HTTP POST 调用 LLM，模型返回工具调用意图后由本机执行并回填结果。不同 Harness 的差异仅在于上下文管理策略和 TUI/UX 设计，智能上限由底层模型决定。
核心观点：
1. LLM 无状态，Harness 必须在每轮请求中完整重建系统提示、工具定义和消息历史。
2. 工具执行发生在用户本机，LLM 仅返回 JSON 意图，攻击面在于本机执行环节。
3. 不同 Harness（Claude Code、Codex、OpenCode）的差异仅在于上下文管理策略和 TUI/UX，不决定智能上限。

## 正文

关键认知：LLM 是无状态的
这是理解所有 harness 的前提。底层模型（Claude Opus、GPT 系列）没有任何跨请求的记忆。每一次调用，模型都是从零开始处理你塞给它的全部内容。

这意味着 harness 必须在每一轮交互中，把以下三样东西完整重建并发送：
· 系统提示
· 工具定义
· 消息历史

也正是这个特性，使得 prompt caching 成为降本提速的关键工程项——重复的前缀不必每轮重算 KV cache。

一次请求的三件套
1. System Prompt：定义人格 + 注入当前环境状态
-- "你是 Claude Code"、文件树、最近 git commit
2. Tool Definitions：声明模型可调用的能力
-- Bash、FileRead 等的 JSON Schema
3. Messages：编年体对话史
-- user / assistant 交替，含 thinking blocks 与 tool 调用结果

注意：环境状态（文件树、git log）是被注入到 system prompt 里，而不是模型自己"看到"的。模型从不直接接触你的文件系统——它读到的是 harness 替它转写的文本。

Agentic Loop 的工作流
线程给出标准的 plan → act → verify → repeat 骨架，落到工程上是这样一条 HTTP 流水线：

Harness 组装请求 (system + tools + messages + cache_control + max_tokens)
│
▼ HTTP POST
LLM Server
│
├── 无 tool_use → 返回文本 → 呈现给用户
│
└── 有 tool_use → 返回 JSON 描述
│
▼
Harness 在本机执行（如跑 Bash）
│
▼
将 tool_output 追加回 Messages
│
▼
发起下一轮请求（回到顶部）

关键细节：工具执行发生在用户的本机，不在服务器。LLM 只返回"想做什么"的 JSON 意图，真正动手的是 harness。这既解释了为什么这些工具能修改你的本地文件，也解释了为什么权限/沙箱边界如此重要——攻击面就在本机执行这一环。

不同 harness 的真正差异点
Claude Code、Codex、OpenCode 这些工具遵循同一套骨架，区别只在两处：
· 上下文管理策略——如何压缩、取舍、缓存 growing 的 message history
· TUI/UX 设计——人如何与 loop 交互

换句话说，"harness engineering" 决定的是体验和效率（响应速度、上下文不爆、操作顺手），不决定智能上限。智能天花板由模型本身决定。

点睛之笔："Everything else is just REST all the way down."
这句话有意颠覆 "agentic" 这个词带来的神秘感。剥离掉营销话术后，整套机制就是：
· 一个持续运行的 HTTP 客户端
· 维护一段不断增长的 messages 数组
· 在"模型决策 → 本地执行 → 回填结果"之间循环
· 直到模型不再调用工具，把控制权交还给用户

没有魔法，只有循环 + REST + JSON Schema。