什么是 Agent Harness？
在聊记忆归谁管之前，得先搞懂一个概念：Agent Harness。
你可能用过 ChatGPT、Claude 这些 AI 聊天工具。你发一句话，它回一句话，一来一回，就这么简单。但如果你想让 AI 做更复杂的事——比如帮你管理一个项目、自动写代码、还要记住你之前的所有要求——光靠一个"聊天框"就不够了。
你需要一个"框架"来帮 AI 做这些事：调用外部工具、管理上下文窗口里该放什么内容、记住之前的对话、加载各种技能模块。这个框架，就叫 Agent Harness，翻译过来就是"Agent 脚手架"。
打个比方。AI 模型（比如 GPT-4、Claude）就像一个特别聪明的大脑。但光有大脑不行，它需要手脚、需要工具箱、需要一个能帮它把活儿干完的组织系统。Harness 就是这个组织系统——它负责把大脑的指令翻译成具体动作，同时把外界的反馈传递回大脑。
用一个更具体的模型来描述：Harness 作为中间层，向 AI 模型注入上下文（记忆、技能、对话历史），控制执行流程（任务编排、上下文压缩），并把执行结果（工具调用、代码运行）反馈回来形成闭环。
市面上已经有不少 Agent Harness 项目了：Claude Code、Codex、OpenCode、Pi、Letta Code，还有 OpenClaw。它们各有各的特色，但核心都是同一件事——给 AI 模型套上一个"壳"，让它能真正干活。
为什么 Harness 不会被模型取代？
有人可能会想：随着模型越来越强，Harness 是不是就不需要了？模型直接搞定一切，要什么脚手架？
Harrison Chase 给了一个很直观的反例：Claude Code。
Claude Code 是 Anthropic 官方的编程 Agent 产品。你知道它有多少行代码吗？51.2 万行。这不是模型本身的代码，仅仅是围绕模型构建的那层"壳"——也就是 Harness——就有 50 多万行。
如果模型够强就不需要 Harness，那 Anthropic 自己为什么还要花这么大力气写这 50 万行代码？
答案很清楚：模型再强，也需要有人来管理"怎么用这个模型"。
模型是一个通用的大脑。但你让它干活的时候，有太多具体问题要解决：
用户给了一个任务，怎么拆解成一步步的子任务？ 每一步该用什么工具？文件系统怎么操作？终端命令怎么执行？ 上下文窗口只有那么大，之前的对话怎么压缩、怎么保留关键信息？ 用户有自己的偏好和习惯，怎么让 AI "记住"这些？ 出错了怎么办？怎么回退、怎么恢复？
这些问题，模型本身是不管的。它们是 Harness 要管的事。
下面这张图来自 LangChain 博客，清楚展示了每一种"我们希望 Agent 做到的行为"，背后都要靠 Harness 层来实现：
从上到下，每一行都是同一个逻辑：你期望 AI 能做到某件事 → 模型本身做不到 → Harness 来填这个缺口。随着 AI 能做的事越来越多，这些问题只会更复杂，不会更简单。
而且 Harness 和模型之间还有一个有趣的协同进化关系：
Harness 发现了有用的新特性（比如记忆压缩、技能系统）→ 加入产品 → 用这套系统训练下一代模型 → 模型在这些特性上变得更强 → 循环往复。这就是为什么 Claude Code 和 Codex 这些产品都是"模型+Harness"联合打磨出来的——它们不是独立的两件事，而是一体的。
所以 Harness 不但不会消失，反而会越来越重要。它是 AI 从"能聊天"到"能干活"的关键桥梁。
Memory 不是插件，Memory 就是 Harness
好了，现在聊到最核心的问题了：记忆。
你可能注意到了，现在的 AI 编程助手都越来越强调"记忆"功能。Cursor 有 memory，Claude Code 有 CLAUDE.md，各种 Agent 框架都在说自己能"记住"你的偏好。
但 Letta 的 CTO Sarah Wooders 说了一句很狠的话：
"把记忆插入一个 Agent Harness，就像让'驾驶'这个功能插入一辆车——它本来就是车的一部分，没法分开。管理上下文、管理记忆，这是 Agent Harness 最核心的能力和职责。"
这话什么意思？
她说的是：记忆不是一个可以独立插拔的模块。记忆管理本身就是 Harness 最核心的功能之一。
想想看就明白了。当你和 AI 协作的时候，"记忆"不只是简单地存下你说过的每句话。它涉及一堆复杂的决策：
你的 AGENTS.md或CLAUDE.md文件是怎么被加载到上下文里的？技能的元数据是怎么展示给 AI 的？放在系统提示词里？还是单独的系统消息？ AI 能不能自己修改自己的系统指令？ 当上下文太长需要压缩的时候，什么被保留、什么被丢弃？ 你和 AI 的交互历史有没有被存储？能不能被搜索？ 记忆的元数据是怎么呈现给 AI 的？ 当前工作目录怎么表示？AI 能看到多少文件系统的信息？
这些问题，每一个都是 Harness 的核心职责。它们不是"记忆插件"能解决的——它们就是 Harness 本身。
打个更接地气的比方。你的大脑有短期记忆和长期记忆。你不会觉得"记忆"是可以从大脑里拆出去的一个零件吧？它就是大脑运作方式的一部分。Agent 也是一样。怎么管理上下文、怎么决定记住什么忘掉什么，这些就是 Harness 的"思维方式"。
三种危险程度的锁定风险
既然记忆管理这么重要，那谁来控制它，就成了一个很要命的问题。
Harrison Chase 把风险分成了三个等级：
🟢 轻度风险：Responses API 模式
这是最基础的一层。你通过 API 调用模型，模型的回复里会引用之前的状态。这个状态存在厂商的服务器上。
风险是什么？你的 Agent 状态存在别人那里。虽然目前看起来问题不大——你随时可以换一个 API 提供商——但你的历史交互数据确实不在自己手里。
🟡 中度风险：使用闭源 Harness
这一步就比较麻烦了。比如你用 Anthropic 的 Claude Managed Agents，或者 OpenAI 的 Codex。这些产品的 Harness 代码是闭源的，你不知道里面到底发生了什么。
OpenAI 的 Codex 有一个设计：它会生成一个"加密压缩摘要"来管理上下文。听起来很高级，但问题是——你看不到这个摘要的内容，也不知道它压缩掉了什么。你的 Agent 经验、习惯、偏好，被一段你看不懂的加密字符串代表了。
这就像你雇了一个秘书帮你整理文件，但整理完之后，文件柜的钥匙在秘书手里，你打不开。
🔴 最危险：记忆完全 API 化
这是最极端的情况。Anthropic 推出的 Claude Managed Agents 就走到了这一步——字面意思上把"一切"都放在了 API 背后，锁进了他们的平台。
在这种情况下，你的 Agent 的"记忆"就完全由厂商控制。你换了模型提供商？记忆没了。你想导出你和 AI 的所有协作历史？没有接口。你甚至不知道厂商拿你的记忆数据做了什么。
你的 Agent 记住了你三年积累的项目经验、代码风格、工作习惯——这些东西如果被锁定在一个厂商的封闭系统里，你换工具的代价就是"失忆"。
OpenAI 和 Anthropic 为什么要这么做？
说到这，你可能会问：OpenAI 和 Anthropic 是不知道这些风险吗？还是故意的？
答案很现实：商业利益驱动。
对大厂来说，锁定用户的 Agent 记忆，就是锁定用户。你想想，如果你的 AI 助手记住了你所有的项目历史、代码偏好、工作习惯，你会轻易换到另一个产品吗？不会。因为换过去意味着从零开始。
这就是所谓的"记忆锁定"（Memory Lock-in）。它比传统的数据锁定更隐蔽，也更有效。传统意义上的数据锁定，你至少还知道自己的数据被锁住了。但记忆锁定是隐形的——你以为 AI "理解"你，其实是那个封闭的 Harness 在帮你"管理"记忆，而你完全不知道它是怎么管的。
Harrison Chase 在推文里直说了：模型的切换成本原本很低，大家的 API 接口都差不多，换一下配置就行。但一旦有了记忆层，切换成本就会急剧上升。 这正是大厂们疯狂把记忆功能往 API 深处塞的原因。
他甚至分享了一个亲身经历：自己公司内部有一个邮件助手 Agent，用了几个月之后积累了大量个人偏好数据。结果有一天被意外删了，重新用同样模板建了一个——体验差了一大截，要重新教 AI 他所有的习惯。这才意识到，记忆有多重要，也有多不可替代。
开放 Harness 的机会
说了这么多风险，那有没有更好的选择？
有。就是 开放的 Agent Harness。
Harrison Chase 在推文里直接点名了几个开源的 Harness 项目，包括：Claude Code、Deep Agents、OpenCode、Pi，还有 OpenClaw。他特别指出，OpenClaw 是基于 Pi 项目构建的开放 Harness。
这些项目走的是同一个方向：把 Harness 的控制权还给用户，把记忆的所有权还给开发者。
以 OpenClaw 为例，它的设计哲学很简单：你的记忆是你的。
具体来说，OpenClaw 做了这么几件事：
MEMORY.md 文件——你的长期记忆就是一个 Markdown 文件。你可以打开看，可以手动编辑，可以备份，可以迁移。没有什么加密压缩摘要，就是你能读懂的文本。
AGENTS.md 文件——你给 AI 定的行为准则，也是一个文件。你想改就改，想加就加。AI 能不能修改自己的系统指令？你说了算。
本地数据控制——你的所有数据都在本地。不想用了？把文件夹拷走就行。换模型？换个 API key 就行，记忆文件不用动。
技能市场——AI 的能力通过技能模块来扩展，每个技能都是透明的。你知道 AI 会什么、不会什么。
LangChain 也推出了 Deep Agents 项目，走的是类似的路线：开源、透明、用户可控，支持接入 MongoDB、Postgres、Redis 等数据库自己托管记忆，部署在任何云上。
这些项目的共同点是：它们相信用户应该拥有自己的 Agent 基础设施。 你可以选择用哪个模型、怎么管理记忆、哪些数据存本地哪些上云。决策权在你手里，不在某个厂商的 API 背后。
我们该怎么做？
聊到这，我想说几个自己的看法。
第一，关注你的数据存在哪。这不只是隐私问题，更是效率问题。你的 Agent 记忆是你和 AI 协作的最大资产，比任何 prompt 技巧都重要。保护好它。
第二，优先选择开放的 Harness。不是说闭源产品不能用，而是要清楚自己在用什么，以及换工具的代价有多大。如果你重度依赖一个封闭的 Agent 系统，至少要有定期导出数据的习惯。
第三，开源 Harness 需要社区支持。OpenClaw、Deep Agents 这些项目能不能跑得远，取决于有没有人用、有没有人贡献。如果你在意记忆所有权这件事，最好的支持方式就是参与进来。
Harrison Chase 这条推文的意义不在于他给出了什么惊天答案，而在于他把一个本来只有基础设施开发者才关心的问题，翻译成了普通用户也能理解的语言。谁控制了你的 AI 记忆，谁就控制了你和 AI 的关系。 这个问题，值得每个人想想。
