The model needs the body. A brain without a harness is just floating.
導讀：AI 助理記不住昨天說過的話，不是因為它笨，是因為它根本沒有記憶「器官」。記憶不是零件，是整台車的設計。
大腦在缸中
沒有 Harness 的 LLM 像漂浮在營養液裡的大腦——能推理、能寫詩，但每次對話都像第一次見面。Harness 是模型外的完整系統：感知、記憶、工具呼叫、反饋迴圈、容錯。共識：同一顆大腦，裝不同身體，表現差 5–10 倍。
記憶 ≠ RAG
RAG 只負責「找東西」——從向量庫檢索塞進 prompt。真正的記憶系統要回答：系統提示怎麼載入？Skill 何時可見？對話歷史壓縮到什麼程度？後設資料怎麼呈現？這些決定全發生在 Harness 層。
三層記憶架構
短期（Context Window）：當前對話，超限遺忘。長期（Persistent）：寫進資料庫或檔案，Agent 自主判斷值得記的。專案級（Task-Specific State）：任務中間步驟，不能污染下一任務。
Claude Code 幾乎全靠上下文窗口；Hermes 用 2,200 字 MEMORY.md 自管理；Letta Code 建 git-backed 檔案系統搭配記憶子 Agent。差別在場景。
Three distinct memory layers — short-term context, long-term persistent storage, and project-scoped state — each serving a different purpose in the Harness.
記憶鎖定：不擁有就會失去
封閉 Harness 裡的記憶不屬於你。 三個層級：狀態在供應商伺服器、格式封閉無法攜帶、API 驅動連內容都看不到。
Gary Marcus 揭露：Claude Code 核心是 3,167 行符號邏輯引擎、含 486 個分支點——神經加符號的混合體。誰控制 Harness，誰控制 Agent 的真實能力。
2026 年 4 月 Anthropic 發布 Managed Agents，按 session 活躍時數計費（$0.08/hr）。結構化任務成功率提升 10%，最大提升出現在最困難的問題。
先設計記憶架構再選模型。用 git-backed 檔案系統或標準格式，確保記憶可攜。測試端到端，不測元件。模型是大腦，Harness 是身體，記憶是血液循環。
References
- Why memory isn't a plugin (it's the harness).
- Your harness, your memory — lock-in economics.
- @GaryMarcus — Claude Code neurosymbolic analysis (3,167-line kernel, 486 branches).
- Anthropic Managed Agents release — $0.08/hr, +10% success on structured tasks.
常見問題
RAG 和真正的 AI 記憶系統有什麼差別？
RAG 只負責「找東西」——從向量資料庫檢索相關內容塞入 prompt。真正的記憶系統還需要處理系統提示載入、Skill 可見性、對話歷史壓縮、後設資料呈現等問題，這些都在 Harness 層發生，RAG 只是整個記憶架構中的一小塊拼圖。
什麼是記憶鎖定，為什麼它是風險？
記憶鎖定指 AI 積累的知識、偏好與上下文被鎖在特定平台，無法遷移。若供應商改變政策、服務中斷或你想換工具，所有 Agent 累積的隱性知識可能一夕歸零，讓你從頭開始，投入的訓練成本全數損失。
一般使用者如何避免記憶鎖定問題？
優先選用 git-backed 檔案系統或標準格式知識庫的解決方案，確保記憶可匯出、可攜帶。同時定期備份重要的對話歷史與 Agent 設定，避免將核心工作流完全依賴單一封閉平台的記憶系統。