別再只怪 AI 笨了：Agent 真正缺的，常常是一套好環境

副標：你知道嗎？同一個模型，換一套 harness，某些 benchmark 的成功率可以從 52.8% 拉到 66.5%。差的不是腦容量，而是工作現場。

TL;DR：長任務、多工具、多步驟協作下，AI Agent 最常壞掉的地方，不是「不會回答」，而是「沒有一套可回溯、可停損、可驗證的執行環境」。這一層，就是 harness。

---

第 50 個檔案，通常不是模型突然變笨

長任務會崩，不只因為 AI 會忘，還因為整個工作現場沒被搭好。

很多人第一次把 AI 拉進大型任務時，都是同一種心情。前面 10 個檔案，改得很俐落。到第 30 個檔案，命名開始飄。到第 50 個檔案，前面答應過不碰的規則又被自己推翻。

這時最直覺的抱怨是：「模型還是不夠強。」

不一定。

但更精準的問題其實是：你給它的，到底是一個任務，還是一個能工作的環境？

如果你只是把指令丟進去，再把所有工具一股腦塞進去，Agent 就像被推進戰情室的聰明實習生。腦袋很好。手腳也快。可是沒有白板、沒有檔案櫃、沒有值班表、沒有煞車。前半段還能靠衝勁撐住，後半段就開始亂撞。

所以真正的分水嶺，往往不是第幾版模型，而是你有沒有替它準備一套能持久工作的環境。

Harness 不是配件，它比較像 Agent 的作業系統

模型負責思考；harness 負責讓思考能在真實世界裡落地。

把 AI 模型想成大腦，大家通常都能接受。它負責推理、生成、判斷下一步。可是一個大腦，並不會自動變成能穩定工作的同事。還要有人安排檔案放哪裡、工具怎麼拿、什麼時候該停、哪一步一定要回報。

這就是 harness 的工作。它像作業系統，也像工作現場的總機。誰先做、誰後做、哪裡能動、哪裡不能碰、出了錯要怎麼回頭看，全部都歸它管。

圖說：同一個模型，放在不同層級的工作環境裡，可靠度可能差很多。差異往往不在模型，而在外圍制度。

如果沒有這一層，Agent 就像沒有神經系統的天才大腦。它知道很多事，卻不知道資訊該放哪裡、錯誤怎麼隔離、工具何時輪流上場。你看到的就會是前面很神，後面打瞌睡。

長任務最常在哪 4 個地方出事？

任務一拉長，問題就不再只是內容變多，而是管理成本整串冒出來。

第一個坑，是上下文疲乏。前面說過的限制、命名規則與中間決策，會被後面大量新資訊一路往後擠。某些案例分析甚至把長任務失敗率指向 67% 左右，主因就是前面講過的事被沖淡。

很常見。

第二個坑，是重複嘗試。沒有停止條件、沒有檢查點時，Agent 會在相似方法裡原地打轉，看起來很忙，實際上只是在同一個坑裡踩油門。

會卡住。

第三個坑，是自我評估偏差。很多工程團隊都發現，讓 Agent 自己寫、自己驗，往往會高估成果。某些報告把自我驗證準確度壓到 23%，換成外部驗證或獨立 evaluator，才可能拉到 87% 這種等級。不是它故意騙你，而是自己寫的答案，本來就最容易看順眼。

這很麻煩。

第四個坑，是零安全邊界。一旦 Agent 能讀檔、改檔、送出外部操作，問題就不只是「說錯」，而是「做錯」。如同沒有煞車的工作車，前面跑得再快，最後都可能撞得更慘。

風險很真。

這些問題，光靠把模型換大，不會自動蒸發。另一方面，如果任務本身很短、步驟單純，完整 harness 也未必每次都要上滿。關鍵不是堆功能，而是把真正會出事的那幾個缺口先補起來。

一套好 Harness，至少要有 6 個器官

穩定的 Agent 靠的不是單一神招，而是多個小機制一起撐住全身。

如果把模型當大腦，harness 比較像器官系統。不是只有一顆心臟就夠，還得有肺、肝、神經、血管與監視儀表板，才撐得住長時間工作。

圖說：規則、記憶、工具、生命週期、安全與可觀測性，像六個器官一起把 Agent 撐住。少一個，整體就容易歪。

最核心的 6 個元件，通常是這些：

1. 規則管理：先把角色、限制、優先順序講清楚。沒有規則，Agent 很快就會變懶，看到新任務就改口。
2. 外部記憶：把中間產物、待辦與決策理由寫到檔案或結構化記錄裡。不要什麼都塞在聊天視窗。
3. 工具調度：不是把所有工具丟進去就好，而是讓 Agent 知道先後順序與衝突處理。工具太多時，它反而像站在雜物間裡發號施令，卻摸不到正確扳手。
4. 生命週期控制：設定步數、時間、token 上限，外加 no-progress 偵測。這一層就是防止它一直轉圈。
5. 安全護欄：刪除、覆蓋、對外送出這類高風險動作，要先停一下。停這一下，常常比事後補漆便宜得多。
6. 可觀測性：不只記錄輸出，也記錄為什麼走這一步。這樣出錯時，才有機會追到第一個歪掉的節點。

你會發現，這六件事沒有一件很炫。可是真正把 Agent 拉出「前面漂亮、後面散掉」狀態的，偏偏就是這些看起來像幕後工作的零件。

為什麼同一個模型，換個 Harness 就差這麼多？

因為很多 Agent 問題，本來就屬於系統工程，不屬於模型智商。

最直觀的證據，是同腦不同環境。某些工程實驗把模型固定，只改 harness 架構，成績就從 52.8% 拉到 66.5%。這不是換了更大的腦，而是把工作現場整理好。

另外一個常被拿來談的案例，是自動產生 PR 的內部系統。某些團隊一週可以吐出 1300 個 AI PR，但真正讓流程撐住的，不是單靠模型爆衝，而是測試、style check、安全掃描與人工審批點一起上。表面看像自動化，其實骨架是一整套 harness。

還有一個很反直覺的發現：工具不是越多越好。有些案例把可用工具縮到 15-20 個，反而比放上百個工具更穩。因為選項一多，決策岔路就跟著暴增，錯誤也會堆積。

不過，這些數字多半來自工程 benchmark、內部報告與團隊案例，尚未被大規模驗證；不同公司、不同模型、不同工具鍊之間，仍需更多研究。另一方面，這些結論已經很足夠提醒我們一件事：如果你總是把所有問題都歸咎給模型，可能會錯過真正能改善穩定度的槓桿。

你今天就能先做 3 件事

你不需要先蓋完整平台，也能立刻把 Agent 的工作現場整理得像樣一點。

第一步：把固定規則寫成一頁

不要每次都口頭補充。把角色、禁忌、輸出格式、優先順序寫成一頁規則檔。這就像替新同事準備工位守則。

第二步：讓任務有外部記錄

把提綱、待辦、修改理由、查證結果留在檔案裡。讓 Agent 需要時再讀回來，而不是把所有東西硬塞進對話。

第三步：高風險操作前，多一道停損

像是覆蓋原文、大量刪改、對外送出。這些地方先加確認點。慢一秒，常常能少很多善後。

如果你最近常有一種感覺:「同一個 AI，有時像神隊友，有時像散兵遊勇。」那通常不是玄學。它多半只是少了一層夠成熟的工作制度。

結語：下一個真正的升級，也許不是模型，而是基礎設施

當 AI 從聊天玩具走向長任務助手，穩定度就會變成第一問題。

模型會決定它能想到多遠，harness 會決定它能走到多遠。兩者都重要，但在很多日常工作裡，真正先拖垮體驗的，反而是缺規則、缺記錄、缺安全邊界、缺驗證。

所以如果你曾經被 AI 的前半段驚艷、後半段氣到，先別急著只怪它笨。先回頭看看：你是不是一直在叫一顆很聰明的大腦，赤手空拳去打整場仗？

---

References

1. Anthropic Engineering (2025). Harness Design for Long-Running Application Development.
2. UC Berkeley (2025). Multi-Agent Trace Analysis: 1,600 Failure Cases.
3. OpenAI (2024). Codex Internal Report — 3 Engineers, 5 Months, 1M Lines.
4. Stripe Engineering (2025). Minions System — 1300 AI PRs per Week.
5. ICML 2025. Agent Infrastructure Evaluation Study.