DeepMind 亮出王炸：别再手写 Agent Harness 了，AI 已经学会自己写了！

本文永久链接 – https://tonybai.com/2026/06/17/deepmind-automation-agent-harness-ai-self-coding

大家好，我是Tony Bai。

过去的几个月，整个 AI 开发圈最火的词，无疑是 Agent Harness（智能体驾驭系统）。

从 Claude Code 到 OpenClaw，再到我自己的极客时间专栏，我们所有走在 AI 原生开发前沿的工程师，都在不遗余力地布道一个核心思想：大模型本身只是一个“毛坯大脑”，你必须为它手工打造一套精密的“外部骨骼（Harness）”，它才能真正干活。

我们研究 ReAct 循环、设计上下文压缩引擎、构建安全中间件……我们以为，掌握这套“驾驭工程学”，就是我们在 AI 时代的终极护城河。

但就在今年年初，AI 领域的“神殿”——Google DeepMind——直接掀了桌子。

他们发布了一篇名为《AutoHarness: a code harness for LLM agents by automatically synthesizing a code harness》的重磅论文，用极其详实的数据和实验，向全世界宣布了一个既震撼又令人脊背发凉的事实：

别再苦哈哈地手写 Harness 了，我们已经能让 AI 自己为自己编写“规则护栏”了。

这篇论文同时也像一面镜子，照出了即便是最顶级的 AI Agent，在没有“护栏”的情况下有多么“愚蠢”；更像一声警钟，预示着我们人类工程师在 AI 产业链中的角色，即将迎来又一次深刻的变迁。

78% 的败因，竟是“犯规”

在展示 AutoHarness 有多强大之前，DeepMind 的科学家们先用一个极其残酷的案例，揭示了为什么 Harness 是“必需品”。

在上一次的 Kaggle 线上国际象棋大赛中，被寄予厚望的 Gemini 2.5 Flash 模型，其 78% 的对局失败，竟然不是因为技不如人，而是因为它试图走出“非法步骤（Illegal Moves）”！

比如，它会尝试让“马”走直线，或者把“兵”横着走。

这个案例，完美地暴露了所有大模型的“原罪”：它们拥有惊人的“语言理解能力”，却没有足够的“规则遵守能力”。

AI 知道成千上万种开局策略，但它不知道在当前的棋盘状态下，哪些格子是它能走的，哪些是不能的。它只是在基于概率，模仿它在训练数据中见过的、最像“正确答案”的文本。

传统的解决方案是什么？

模型微调（Fine-tuning）：用海量的棋局数据去微调模型。代价极高，速度极慢，而且可能会损害模型在其他任务上的泛化通用能力。
手工编写 Harness：由人类工程师为每一款游戏，硬编码一套“规则校验器”。工作量巨大，且极度脆弱，换个游戏就得重写。

让 AI 成为自己的“规则老师”

面对这个两难的困境，DeepMind 的思路堪称“降维打击”：

既然 AI 这么会写代码，为什么不让它自己根据环境的反馈，为自己写一个“规则校验器（Code Harness）”呢？

AutoHarness 的核心流程，就像一个优雅的“自我进化”闭环：

初始探索：让一个基础模型（比如 Gemini 2.5 Flash）在游戏环境中自由发挥，生成一个初始版的 Python 策略代码，包含 propose_action() 和 is_legal_action() 两个函数。
试错与反馈：在 10 个并行的游戏环境中，同时运行这段代码。一旦 AI 走出了“非法步骤”，或者代码执行出错，系统会立刻终止，并将失败的步骤和环境给出的错误信息，一起打包发给一个“批评家（Critic）”。
代码精炼：批评家将错误信息进行整理，连同原始的“问题代码”，一起喂给一个“精炼器（Refiner）”。“精炼器”的角色同样由一个 LLM 担任，它的任务是：“看，你写的这段代码犯了这些错，现在请你把它改对。”
循环进化：精炼器生成一段新的、有望修复 Bug 的代码，然后再次投入到游戏环境中进行测试。如此循环往复。

图：Code-as-harness learning process

这个过程，本质上是一个基于“树搜索”和“迭代式代码精炼”的自动化编程过程。

结果有多惊人？

在 145 个不同的文本游戏中，AutoHarness 平均只需要 14.5 次迭代，就能为 Gemini 2.5 Flash 生成一个达到 100% 准确率的“合法走步”校验器。
在国际象棋（Chess）和奥赛罗（Othello）这种极其复杂的游戏中，AutoHarness 也能在几十次迭代后，完美掌握所有规则。

以弱胜强：当“AI+护栏”轻松碾压“最强大脑”

AutoHarness 最令人震撼的是它带来的“以弱胜强”的恐怖效果。

DeepMind 组织了一场对战实验：

甲方：小模型 Gemini 2.5 Flash，但装备了由 AutoHarness 自动生成的“规则护栏”。
乙方：比 Flash 强大得多的当时的旗舰模型 Gemini 2.5 Pro，但没有任何护栏，“裸奔”上场。

在 16 款不同的双人对战游戏中，结果呈现出一边倒：

装备了“护栏”的小模型 Flash，在与大模型 Pro 的对战中，胜率高达 56.3%！而 Pro 的胜率仅为 38.2%。

这张图清晰地展示了在多款游戏中，“Flash+Harness”组合的绿色胜利条，是如何显著高于 Gemini-2.5-Pro 的。

这个实验也再次印证了：一个更小的、但被良好“驾驭”的模型，其战斗力是可以超越一个更大、更昂贵、但却在“裸奔”的模型的，足见Harness的重要性。

更极端的是，DeepMind 甚至让 AI 把整个游戏的策略，都写成了确定性的 Python 代码（Harness-as-Policy），在运行时完全不需要再调用 LLM。
结果，这段由小模型生成的纯代码，在 16 款单人游戏中的平均得分，甚至超越了 GPT-5.2-High！

人类的新角色——“环境设计师”与“评估者”

DeepMind 的这篇论文，给我们这些正在苦心钻研 Harness Engineering 的工程师，带来了极其深刻的反思。

它似乎在告诉我们：未来，我们最重要的工作，可能不再是亲手去为 AI 编写“规则”，而是为 AI 设计一个能够让它“自我学习规则”的环境。

我们的角色，正在从“手工艺人”，向两个更高级的职位迁移：

1. 环境设计师（Environment Designer）

AutoHarness 之所以能成功，是因为 DeepMind 的科学家们为它精心设计了一个能提供清晰、即时反馈的游戏环境。

未来，我们的核心任务，将是把我们复杂的业务系统，抽象成一个个能让 AI 安全“试错”、并能从错误中学习的“模拟环境”。

2. 评估体系架构师（Evaluation Architect）

AutoHarness 的另一个关键，是那套能自动判断“好坏”的评估体系。

在 DeepMind 的实验中，他们引入了“批评家”、“裁判”等多个 AI Agent，来自动化地评估新生成的代码。

这正是我在自己的专栏《从 0 开始构建 Agent Harness》中，反复强调的 Evals（自动化评估体系） 的重要性。

当 AI 能写 Harness 时，我们人类的终极护城河，就变成了定义“什么是好的 Harness”的能力。

小结：从“教它做事”到“教它学习”

AutoHarness 的出现，意味着我们可能正在从“授人以鱼”（直接给 AI 写好的规则），进化到“授人以渔”（教 AI 如何自己学习规则）。

这既可以解放了我们的生产力，更是开启了一条通往“AI 递归式自我改进”的、充满无限想象力的大门。

当然，这并不意味着手写 Harness 会立刻消失。对于极其复杂、安全要求极高的领域，人类专家的经验依然不可或缺。

但这篇论文，至少为我们指明了方向：不要再把 AI 当作一个需要你手把手教的“学徒”了。把它当作一个极具天赋、能够自我反思的“初级程序员”，为它提供清晰的测试用例、明确的错误反馈，然后，放手让它自己去进化。

这，或许才是 AI 原生时代，最高级的“人机协同”。

资料链接：https://arxiv.org/abs/2603.03329

今日互动探讨：

看完 DeepMind 的 AutoHarness，你对 Agent 开发的未来是感到兴奋，还是感到了“饭碗不保”的焦虑？你认为 AI 自动生成“规则护栏”的模式，离我们日常的业务开发还有多远？

欢迎在评论区分享你的看法！

认知跃迁：在 AI“自我进化”前夜，你的核心壁垒是什么？

当 AI 开始学会自己编写“驾驭系统”时，我们这些正在苦学 Harness Engineering 的人类工程师，价值何在？

答案是：回归第一性原理。

AutoHarness 虽然强大，但它依然需要人类去定义底层的循环机制、安全边界、成本审计和评估框架。这些，才是 AI 无法自我生成的、真正属于“架构师”级别的智慧。

如果你还在为写 Agent 框架频频死循环、上下文爆炸而束手无策，如果你想在 AI 彻底实现“自我编程”之前，抢先一步，成为那个“设计进化环境”的人——

我的新专栏 《从 0 开始构建 Agent Harness》 将带你：

抛弃臃肿框架，回归“驾驭工程 (Harness Engineering)”的第一性原理
用 Go 语言手写 ReAct 循环、并发拦截与上下文压缩引擎等，复刻极简OpenClaw
构建坚不可摧的 Safety Middleware 与飞书人工审批防线
在底层实现 Token 成本审计、链路追踪与自动化跑分评估
从“调包侠”进化为掌控大模型边界的“AI 操作系统架构师”

扫描下方二维码，开启你的“AI 环境设计师”之路。

原「Gopher部落」已重装升级为「Go & AI 精进营」知识星球，快来加入星球，开启你的技术跃迁之旅吧！

我们致力于打造一个高品质的 Go 语言深度学习 与 AI 应用探索 平台。在这里，你将获得：

体系化 Go 核心进阶内容: 深入「Go原理课」、「Go进阶课」、「Go避坑课」等独家深度专栏，夯实你的 Go 内功。
前沿 Go+AI 实战赋能: 紧跟时代步伐，学习「Go+AI应用实战」、「Agent开发实战课」、「Agentic软件工程课」、「Claude Code开发工作流实战课」、「OpenClaw实战分享」等，掌握 AI 时代新技能。
星主 Tony Bai 亲自答疑: 遇到难题？星主第一时间为你深度解析，扫清学习障碍。
高活跃 Gopher 交流圈: 与众多优秀 Gopher 分享心得、讨论技术，碰撞思想火花。
独家资源与内容首发: 技术文章、课程更新、精选资源，第一时间触达。

衷心希望「Go & AI 精进营」能成为你学习、进步、交流的港湾。让我们在此相聚，享受技术精进的快乐！欢迎你的加入！

img{512x368}