Anthropic的一次意外代码泄漏，揭示了AI Agent稳定运行的秘密——Harness Engineering。从电脑鼠迷宫比赛到Claude Code的架构设计，这篇文章深入探讨了环境约束如何比模型本身更能释放AI潜力。三层Harness框架、次优路径的胜利，以及人类在AI探索中的独特角色，共同勾勒出下一代AI发展的关键路径。
2026年3月底，一件意外的事震动了AI圈。
安全研究员 Chaofan Shou 发现，Anthropic 发布到 npm 的 Claude Code 包里，夹带了一个不该存在的文件——sourcemap，一个供开发者调试用的 .map 文件。
本应在生产环境剔除，因为一行 .npmignore 配置的疏漏，51.2万行代码、1906个TypeScript源文件，就这样公开在了互联网上。
数小时内，全网开始疯狂 Clone。
但最值得关注的，不是这次泄漏有多严重，而是：这份代码里，藏着 Anthropic 如何让 AI Agent 稳定工作的全部秘密。
这个秘密，有个名字——Harness Engineering。
1977年，一场奇特的比赛在日本悄然诞生。
参赛者是一群巴掌大的小机器人，叫做”电脑鼠”（Micromouse）。规则极其简单：16×16格的标准迷宫，从起点跑到终点，谁最快谁赢。
五十年后，当我盯着自己的 AI Agent 在同一个错误上反复碰壁，突然意识到：我们每天操控 AI Agent 干活，本质上就是在玩一场电脑鼠迷宫比赛。
而 Claude Code 意外泄漏的那51万行代码，就是 Anthropic 给这只电脑鼠造出的完整迷宫。
翻阅社区对泄漏代码的分析，有几个发现让工程师们集体沉默。
第一，AI Agent 的稳定性来自环境设计，不来自模型本身。
代码里有一段非常有意思的架构：MCP、Skill、Hook、Subagent，四个机制层层叠加，构成了一个 Agent 稳定运行的”运动场”。这不是随意堆砌的功能，而是精心设计的环境约束系统。
OpenAI 曾做过一个实验：底层模型完全不变，仅优化外部运行环境，LangChain 编码 Agent 的任务通过率从 52.8% 飙升至 66.5%。泄漏的代码正是这个结论的实体化——模型的能力，是被环境释放出来的。
第二，代码里有一个叫 “Undercover Mode” 的功能。
这不是重点，但它暗示了一件事：Anthropic 内部对 Agent 的运行状态有非常细粒度的控制和管理。他们知道哪些环境下 Agent 该收敛、哪些该扩张。
第三，选择 npm 分发本身，就是一种 Harness 决策。
有人评论：如果 Claude Code 像 Cursor 那样用 Electron 打包，或者像 Devin 做纯 SaaS，这次泄漏根本不会发生。Anthropic 选择了 npm，选择了把工具交给开发者直接使用——这个决定背后，是他们对 Harness 开放性的判断。
讽刺的是：这次”事故”，反而成了当今最顶级 Harness Engineering 实践的一次意外开源。
理解了泄漏代码的结构，再来看电脑鼠的类比，会清晰很多。
迷宫的终点 = 可验证的项目目标
电脑鼠比赛的终点是固定的，成绩可以精确测量到毫秒。这和好的产品目标一样——目标越模糊，老鼠越容易在里面瞎转。
对话式 AI = 没有轮子的老鼠
你和 ChatGPT、Claude 对话，本质上是这个状态：AI 没有主动探索环境的能力，你得不停地推着它走，还要随时告诉它”前面有墙”。
Claude Code = 装上了摄像头和轮子
当 AI Agent 获得了读取文件、执行代码、调用工具的权限，它从”被推着走的老鼠”变成了”有小范围摄像头的电脑鼠”。这不是量变，是质变。
但有一个关键限制没有改变：AI 永远看不见整个迷宫。
服务器部署这件事我有亲身体验。我让 AI 帮我部署代码，它给出的方案是逐行念出命令让我手动执行——花了40分钟。后来我反思：2015年 SSH + Python 自动化部署就已经是行业标准了，为什么 AI 退化成了操作手册？
原因很简单：我的提示词里没有告诉 AI 这是”需要反复执行”的任务。AI 看不到”重复部署”这件事。老鼠不是不够聪明，是看不见整个迷宫。
电脑鼠比赛里有一个经典故事。
某届比赛，”红色彗星”选择了绕远路但转弯少的路线。对手选了数学上更短的路径，但要频繁急转弯。最终，红色彗星赢了。选择最短路径的老鼠，输了比赛。
这个故事在 AI Agent 的工作里每天都在上演。我们常常陷入”找到最好的提示词”的执念，但工程约束的设计远比提示词优化重要。
这正是 Harness Engineering 的核心：与其训练老鼠跑得更快，不如把迷宫里的急弯都改成缓弯。
Claude Code 泄漏的代码给出了答案框架，结合实践经验，我把它分为三层：
第一层：上下文工程——告诉老鼠它在哪
我自己用过两种方式。早期靠维护 PRD/MRD/BRD/EDD 文档把项目信息喂给 AI，效果很好但门槛极高。现在用 superpowers 这套 skills 包——内置固定框架，让 AI 主动向我提问，把需要的上下文都挖出来。头脑风暴的过程同时也是信息沉淀的过程。
这就像洪水填充算法：与其让老鼠自己探索每个格子，不如先给每个格子标上”距终点的距离”，让老鼠始终知道该往哪走。
第二层：架构约束——给老鼠划定跑道
泄漏代码里的 Hook 机制正是这一层的实体——它定义了 Agent 在什么节点可以做什么、不能做什么。边界清晰的轨道，比无限自由度效率更高。
第三层：熵管理——让系统知道哪些路走过了
这是被最低估的一层。Claude Code 有一个 /insight 命令，能根据历史会话生成”年度报告”式的使用洞察：哪些步骤反复卡住、哪些工作流在循环、有什么改进建议。
AI 开始自己给自己的迷宫标洪水填充的数字。人从”地图绘制者”退出了，只负责设定终点。
如果 AI 是电脑鼠，人类不是操控台前的操作员。
人类是唯一能在比赛进行时看见整个迷宫的那个存在。
当 AI Agent 在某个局部死循环时，大多数人的反应是换一个提示词再试——等于用不同姿势推老鼠撞同一面墙。真正有价值的做法是：在 AI 自主探索的时候，人去研究整体格局。
找到那堵墙在哪、为什么在那、绕过去的路有几条。然后在关键节点给 AI 做方向级别的指引，而不是步骤级别的“机枪阵地向左移动5米“的纠错。
以 token 计算，AI 的单步效率是人的10到1000倍。但只有人能给它正确的方向——错误方向上的1000倍速度，只会更快地撞墙。
电脑鼠进化了50年——从贴墙走，到洪水填充，到真空吸附、走对角线。每一代都在同一套规则下突破上限。
但有一个限制从未真正突破：它只能感知迷宫里的信息。
AI 也是如此。它读过的书比任何人都多，但它没有在草坪上踢过一场球，没有看见过一个人真实地笑。它不理解物理，不感知时间，不知道疼是什么感觉。
下一代真正的突破，或许不是更大的模型，而是世界模型和具身智能——让 AI 真正感受到这个世界。当那一天到来，我们就不再是在帮电脑鼠找迷宫的出路了。
那一刻，可能也是硅基生命真正降临的时刻。
在那之前，让我们先把 Harness 设计好。
本文由 @被抢了名字的Kimi 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自用户提供
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。