企业官网建设流程全解析

三个月，Harness 从编程 Agent 的借词变成了具身智能的显学

——Harness

目录

01 Harness 是什么：把一次次模型调用接成完整任务

这个词不是新造的

02 从软件走到机器人，哪些条件变了？

现场只能被看见一部分

执行结束，不等于目标达成

03 它怎样工作：让每一步的结果改变下一步

04 它与传统机器人系统，究竟差在哪里？

闭环早就有，缺的是接口

同一个名字，不代表同一套架构

05 Harness 在具身智能系统里是否真的有用？

最近几个月，Harness 接连出现在具身智能的论文和机器人项目里。从 Thea、RoboHarness 到 NavGPT-3 和 Cortex，它们都在用同一个词，讨论的系统却各不相同。

▲图1 | 近期，多项具身智能论文与机器人项目将 Harness 作为明确的研究或产品主题，围绕模型之外的运行机制展开探索。

要理解这些工作，先得回答一个更基础的问题：大模型已经能理解指令，机器人也已经有动作能力，为什么把两者接在一起之后，还需要一层 Harness？

01 Harness 是什么：把一次次模型调用接成完整任务

具身智能里的 Harness，可以先理解为围绕基础模型来组织任务执行的一套机制：

它准备模型需要看的信息，把模型选定的操作交给执行系统，再把结果带回下一轮决策。

为了方便理解，可以按职责来区分：

• 模型负责提出下一步，比如“先打开柜门”；
• 操作策略和控制器负责让机械臂真正动起来；
• Harness 则组织两者之间的往返，记录已经发生的事，并决定下一轮该带上哪些信息。

这里说的是职责划分，具体项目未必把它们拆成相同的软件层。

这样的区分，也为传统机器人系统留出了位置：定位、运动规划、控制和执行监控早已各有成熟方法，Harness 会直接调用这些能力。

它真正要处理的，是基础模型如何在这些能力之上持续参与任务，而不是每次只给出一个孤立的回答。

一次模型调用能读取一批输入并生成输出，但任务不会在输出生成后自动完成。还需要有程序去执行这条指令、等待结果、处理异常、保存进度，再组织下一次输入。

假如模型建议“重新抓一次”，系统还得知道上一次抓取改变了什么、是否适合重试。

这些动作之间的连接，正是 Harness 要落实的工作。

这个词不是新造的

这个词在软件工程中早有使用。test harness 指的是围绕被测程序或组件组织测试的工具与环境。

比如在基于模型的软件与系统开发中，可以把一个组件放进单独的测试环境，给它已知的输入，再观察输出是否符合预期。

▲图2 | 软件与系统测试中的 Harness，会在被测组件周围搭好输入和输出环境。图中左侧提供已知测试信号，中间是单独取出的被测组件，右侧观察其响应，使开发者可以集中检查这一部分的行为。

大模型领域的 evaluation harness 延续了组织评测的用途，Agent Harness 则关注模型如何反复调用工具、利用返回结果推进任务。

这些用法目标不同，但都指向同一点：核心模型或组件之外，还需要一套适合它工作的输入、输出与运行环境。

编程 Agent 处理长任务的实践，提供了一个直观的例子：把进度保存在文件里，用测试确认修改，用执行记录帮助下一次会话接着干。

Anthropic 在 2025 年 11 月介绍过这类做法；OpenAI 在 2026 年 2 月的 Harness Engineering 一文中，也强调了环境、约束和反馈的设计。

这里可以借鉴的是一条思路：模型的下一次判断，应当建立在上一次执行之后的新证据上。

当调用的工具开始驱动机器人时，这条思路依然成立，只是证据的获得和行动的后果都变得更复杂。

02 从软件走到机器人，哪些条件变了？

现场只能被看见一部分

编程 Agent 往往可以重新打开文件，确认代码现在是什么样。

机器人面对的现场却只能被部分观测：相机看不到柜门后面，机械臂可能挡住目标，先前看到的物体也可能已经被人挪走。

存下一条“杯子在柜子里”的记录，并不等于下一次行动时还掌握着杯子的位置。

所以，具身系统需要把任务记忆和当前状态区分开。

• 任务记忆回答的是“刚才做过什么、接下来还要做什么”；
• 当前状态回答的是“现在看见什么、身体在哪里、哪些信息已经过时”。

前者帮任务保持连续，后者则要随着运动和环境的改变不断刷新。

▲图3 | 机器人无法像读取文件一样一次看清完整现场，因此需要把零散观测组织成可更新的世界状态。图中物体、空间关系与上次观测时间共同影响一条信息能否支持当前动作；整理后的场景摘要进入模型，新的感知和已确认的动作结果又回过头来更新它。

用场景图来保存物体关系，是实现这种区分的一种办法

当前图像、状态摘要和按需查询，也可以各自承担一部分职责。重点不在于固定采用哪种数据结构，而在于让模型清楚自己依据的是什么证据。

图中的 Thea 场景图，就同时组织了物体关系、机器人状态和信息的新鲜程度。

执行结束，不等于目标达成

另一个变化发生在执行结束时。

软件工具通常能返回退出码或错误信息；物理动作却需要额外判断目标是否真的达成。夹爪闭合，只说明夹爪做了闭合这个动作，不能就此断定杯子已经拿稳。任务级的反馈，必须从现场观察和执行状态中构建出来。

而且，物理世界不会等高层模型想完再变化。

机器人可能正在移动，新的障碍物已经出现；上一条指令可能还在执行，下一次推理却已经开始。系统因此要处理信息的新旧、动作的先后，以及何时该中断、何时该交还控制权。许多动作还有不可逆的后果，失败后不能总指望“回到上一步”来解决。

这几种差异最后汇到同一点：机器人需要不断重新确认当前行动的前提。

把软件 Agent 的循环直接接上机械臂还不够——循环中的信息、调用和反馈，都要对物理执行负责。

03 它怎样工作：让每一步的结果改变下一步

下面用一个例子，把整个过程走一遍：

任务：机器人收到指令，“从柜子里拿一个杯子，放到桌上”。

• 步骤一：先把现场搞清楚

任务一开始，系统先整理目标和现场：杯子要放到哪里，柜子有没有找到，机器人现在离柜子多远，手里是不是拿着东西。

模型拿到的上下文，就是这些和当前决策有关的材料。它不必一次读入全部历史，但需要知道哪些条件还没确认（比如杯子的具体位置仍藏在柜门后面）。

• 步骤二：把「打开柜门」落实成一次可执行的调用

假设模型据此选择了“靠近柜子并打开柜门”。

执行之前，还要把这个意图落实成可调用的操作，并检查必要条件：当前是否可达、操作对象是否明确、这条调用是否符合接口要求。

这里有一条分界：必须强制执行的限制，应由调用路径上的程序来检查；写在提示词里的提醒，只能影响模型的判断。

随后，操作交给相应的策略和控制器去完成。Harness 不必替它们计算每一个电机指令，但需要跟踪这次执行是怎么结束的：正常完成、超时、中断，还是返回失败？

模型提出了什么、执行系统实际做了什么，都要在这里对应起来。

• 步骤三：拿回新证据，才推进到下一步

现场变化：柜门操作结束后，新的图像显示门已经打开，杯子也进入了视野。

系统据此更新现场记录，把任务推进到“选择并抓取杯子”。这一步看似平常，却避免了一个常见问题：后续决定仍然依据开门之前的画面，或者把“已发送开门指令”误当成“门已经打开”。

这一轮的关键是：新证据先落地，任务状态才跟着改。

• 步骤四：一次失败怎样改变下一轮

现场变化：第一次抓取没成功——机械臂已经抬起，杯子却仍在柜内。

此时最有价值的返回信息，是“目标没有离开原位”这类可核验的结果，以及能支持下一次判断的观测。把这些信息送回模型后，它才有依据去重新观察、调整位置、再次抓取，或者请求帮助。

▲图4 | 一次操作需要回答两个不同的问题：工具是否完成执行，物理目标是否真正达成。图中的执行后检查把后一种判断连同原因送回模型，使失败能够改变下一轮计划；若缺少这条返回路径，后续步骤就可能一直建立在“已经成功”的旧假设上。

这里的分工是：执行机制负责取得并传回结果，模型根据结果选择后续行动。

恢复过程可以是重新组合已有能力，不必为每一种失败都预先写死完整脚本；与此同时，哪些动作不允许做、什么时候必须停下来，仍然需要明确的执行约束。

Thea 在真实机器人操作后自动触发独立评价，就是把“检查结果”固化到系统结构中的一个例子。

• 步骤五：两项能力之间，还要有人交接

现场变化： 经过调整，杯子终于被拿起。任务转入搬运。

但“先抓取、后搬运”在文字上顺理成章，并不代表两项策略就能直接接续。

前一项策略留下的机械臂姿态，可能不在后一项策略熟悉的起始范围内。系统还要判断，是否需要先调整身体状态，再交给下一项能力。

▲图5 | 任务的文字顺序成立，并不代表两个控制策略能够直接接续。图中检索出的轨迹用于估计下一策略熟悉的状态，过渡动作再把当前机器人带向这一区域；这把“下一步由谁做”，进一步落实成“从什么状态开始做”。

这类交接，可以利用执行经验来改善。

RoboHarness 的真机柜内取积木与搭建任务，就借助历史轨迹来估计下一项策略适用的状态，并用过渡动作改善衔接。

这里的记忆保存了与身体姿态、动作条件有关的经验，能直接影响实际执行。

• 步骤六：搬运途中出现意外，谁来停止

继续搬运时，系统仍在获得新的观测。高层可以检查路线和剩余任务，底层执行则按自己的节奏推进。

一旦前方突然出现障碍，停止机制应当及时中断运动，而不是等普通推理回合结束。停下以后，还要阻止已经失效的旧指令重新生效，重新确认现场，再决定是否继续。

导航研究中对推理、执行和监测做异步协调，处理的就是这类问题；NavGPT-3 把这部分职责明确交给了运行时调度。

如果自主能力解决不了卡点，也可以在清楚交接控制权后由人来协助，再根据干预后的状态恢复。Cortex 的远程接管展示了这条路径，但其中的人类帮助应当如实计入任务表现。

• 步骤七：确认目标达成，这一轮循环才算闭合

现场变化：杯子确实被放到了指定位置。

直到此刻，系统才有依据判断目标完成。

至此，指令、模型选择、实际动作和结果反馈，接成了一个连续的过程。

Harness 发挥作用的地方，正是这些环节之间：让每一轮都能接上前一轮留下的现场，而不是机械地重复最初那份计划。

04 它与传统机器人系统，究竟差在哪里？

闭环早就有，缺的是接口

理解了这条过程，也就更容易看清它和传统机器人技术的关系。机器人原本就在根据感知做决策，再利用反馈调整执行。

• 早在 2002 年的 4D/RCS 架构中，就已经有了分层、多时间尺度决策和世界模型；
• 今天的 Nav2 行为树，也能组织规划、控制、重试、恢复和暂停继续。

▲图6 | 传统导航系统已经把任务组织与具体执行分开：BT Navigator 根据行为树协调规划、控制和行为等服务，地图与传感器数据为这些模块提供依据。下方的速度平滑与碰撞监控继续约束送往机体的指令，说明机器人原有体系本来就负责把任务意图落实为受约束的运动。具身 Harness 需要与这套能力衔接，而非取代整条执行链。

所以，具身 Harness 延续了大量已有的系统思想。

它不要求把定位、规划和控制重做一遍，也不意味着机器人此前缺少闭环。真正需要重新设计的，是基础模型加入之后，它与这些能力之间的交互方式。

比如，机器人内部可能已经维护了地图和状态估计，那么：

高层模型该看到整张地图、一个局部摘要，还是通过工具按需查询？
机械臂可能已经有抓取策略，但怎样让模型知道它适用于哪些对象和条件？
调用失败后，模型是只收到一个错误标签，还是同时得到原因和新的现场证据？

这些选择都会影响下一次决策。

这种变化也有研究上的延续：

SayCan 和 Code as Policies 早在 2022 年就探索过语言模型与机器人技能、可执行接口的连接；

近期的 Harness 工作把更多注意力放在持续任务中的信息组织、执行验证和协作机制上，形成了一批可以继续比较和优化的问题。

同一个名字，不代表同一套架构

这里并不存在一条所有项目都遵循的统一边界。

有的 Harness 覆盖较完整的任务循环，有的只研究上下文构建，还有的项目把实时调度单独称为 runtime。因此在进行区分时，应回到实际职责，而不是把同一个名称当成相同架构的证明。

一个比较实用的理解是：机器人原有能力负责把动作做好，基础模型提供灵活的任务理解与选择；而围绕二者的工作机制，则要确保信息能被理解、调用能够落实、后果能够回到后续决策中。

这几部分既要一起设计，也要分别验证。

05 Harness 在具身智能系统里是否真的有用？

目前已经有一些支持它的研究结果，但这些结果更适合被理解为早期证据。

关键要看的是：在模型和底层能力不变的情况下，改善信息组织、执行反馈或运行机制，能否让机器人更可靠地完成任务。

• 第一类，来自对任务编排的比较。

Thea 与 CaP-X、SayCan 的部分真机对照，采用了相同的高层模型和底层工具，让实验更集中地检验场景信息、结果评价与任务组织的作用。

这类设计的意义，在于尽量把“模型更强了”和“系统把模型用得更好了”区分开。

• 第二类，来自对执行机制的比较。

在 NavGPT-3 的 Unitree Go2 真机实验中，作者固定了模型、工具、路线证据和激光雷达检测，对比推理与执行的不同组织方式。相比串行执行、排队处理事件，重叠执行加优先处理把停车延迟的第 95 百分位从 1840 毫秒降到了 180 毫秒；但最终配置仍有 1/30 次接受了过期命令。

这说明协调方式确实能改变这一设置下的物理响应，也说明降低延迟还不等于拿到了完整的安全保证。

▲图7 | NavGPT-3 将高层任务判断与较快的动作执行连接起来：模型可以调用空间工具，也可以把一段导航交给 VLA，再根据返回证据修正路线。中部的异步协调进一步让推理、执行和监测按各自节奏工作，异常事件能够打断运动；右侧 RxR-CE 仿真对比则展示完整系统在特定基准中的表现，需要与真机和消融结果结合理解。

• 第三类，来自把模型之外的部分当作优化对象。

SHAPER 固定规划模型和执行器的参数，根据仿真运行的反馈来改进文字技能和上下文构建代码。它提供了一条不必每次重新训练模型的改进路径，但真机验证仍属于未来工作，不能据此推断真实机器人已经具备可靠的持续自我进化能力。

这些工作让 Harness 不再只是一个泛泛的工程说法：信息怎样提供、能力怎样调用、结果怎样返回，都可以成为单独设计、对照验证的变量。

不过，不同研究对 Harness 的范围划分不同，评测任务和实验条件也差异很大——有的是仿真测试，有的是有限场景下的真机实验，产品展示又采用了不同的人类干预条件。

因此，目前还很难把它们合并成一套通用的能力结论。

判断这层机制的实际价值，还要落到完整任务和使用成本上：

它是否减少了重复失败，能否从异常状态中恢复，完成同一件事需要多少时间和人工帮助。更多的上下文、评价器或调度逻辑，也可能带来额外的延迟和故障点，具体收益得用实验、而不是模块数量来说明。

它的能力边界同样清楚。编排能让已有策略在更合适的条件下工作，却补不出策略库里没有的本领；增加结果检查，也无法消除评价器本身的误判。涉及物理安全的限制，仍然要靠执行系统中的约束和专门验证。

所以，把它看作一条正在形成的研究方向，比过早当成通用解决方案，更符合目前的进展。

Harness 本身的问题，到这里基本说完了：它在系统里做什么、和传统机器人系统差在哪、目前的证据能支持到哪一步。

但它不是孤立的一层。

前面反复出现的能力：VLA、WAM，各自怎么形成动作、和 Harness 又怎么分工？下一篇我们会往下把三者放进同一个任务里，看各自负责哪一段，彼此的区别与联系。

Ref

OpenJDK：JavaTest / jtreg FAQ（https://github.com/openjdk/jtreg/blob/master/src/share/doc/javatest/regtest/faq.md）

The Language Model Evaluation Harness，2024（https://arxiv.org/abs/2405.14782）

Anthropic：Scaling Managed Agents: Decoupling the brain from the hands，2026-04-08（https://www.anthropic.com/engineering/managed-agents）

Anthropic：Effective harnesses for long-running agents，2025-11-26（https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents）

OpenAI：Harness engineering: leveraging Codex in an agent-first world，2026-02-11（https://openai.com/index/harness-engineering/）

Thea：论文（https://arxiv.org/abs/2608.11246）、系统架构（https://eit-hai.github.io/thea/system.html）、物理世界接口（https://eit-hai.github.io/thea/gaps.html）、实验（https://eit-hai.github.io/thea/experiments.html）

NIST：4D/RCS: A Reference Model Architecture for Intelligent Unmanned Ground Vehicles，2002（https://www.nist.gov/publications/4drcs-reference-model-architecture-intelligent-unmanned-ground-vehicles）

Nav2：行为树（https://docs.nav2.org/rolling/getting_started/nav2_behavior_trees/）、专用节点与恢复机制（https://docs.nav2.org/behavior_trees/overview/nav2_specific_nodes.html）

SayCan：Do As I Can, Not As I Say，2022（https://arxiv.org/abs/2204.01691）

Code as Policies: Language Model Programs for Embodied Control，2022（https://arxiv.org/abs/2209.07753）

RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning，2026-07-20，本文使用 v1（https://arxiv.org/html/2607.18060v1）

SHAPER：Self-Evolving Embodied Agents via Skill-Harness Evolution，2026-08-11，本文使用 v1（https://arxiv.org/html/2608.11350v1）

NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime，2026-10-07（https://arxiv.org/html/2610.10787v1）

Cortex：Introducing Cortex Harness，2026-10-06（https://cortexrobot.ai/research/introducing-cortex-harness/）