如果说「智能体能写代码」已经接近共识，那么「智能体能连续几天把一件复杂开发任务推进下去」仍是少数人真正验证过的命题。近期，上海 AI 实验室等机构的一篇论文《Harness-of-Harness》提出了一个务实的思路：不去重写编码智能体的内核，而是在它外面再套一层「编排」。这层编排的名字本身就是一个判断——在 harness（执行框架）之上，还有一个 harness。
问题：长跑为什么不等于进步
要理解这篇论文的动机，得先看当前编码智能体的工作方式。它们通常运行在一个 harness 里：harness 决定模型看到什么上下文、能调用什么工具、怎样把任务一步步推进。这套机制在短任务上表现不错，但一旦任务拉长到多日，问题就会显现——智能体可能反复在同一个坑里打转，可能忘了之前已经验证过的结论，也可能把「完成了若干步」误当成「向目标靠近了」。
换句话说，长时程开发的核心矛盾不在于「能不能跑更久」，而在于「跑得久之后，是不是真的在进步」。论文要解决的，正是这个「进步」问题——让长跑产生累积，而不是原地消耗。
方案：在 harness 外面加一层外部编排
据公开信息，《Harness-of-Harness》的核心做法，是在既有 coding-agent harness 之上加一层外部编排层。这层编排不是简单地「再包一个循环」，而是引入了三个关键机制。
其一是 Planner—Developer—QA 的三角色循环。把「规划、实现、验证」拆成三个角色，让它们在一个受控的循环里轮转：规划负责确定下一步该做什么，开发负责实现，质量保证负责检验结果是否真的达标。这种分工的意义在于，它把「自我验证」从开发角色里剥离出来——让一个独立的角色去质疑产出，比让同一个角色自我复核更接近真实工程的做法。
其二是 warm-start。每一轮循环不是从零开始，而是带着上一轮积累的状态与结论继续，避免重复劳动，也让「进步」能够被沉淀下来。其三是证据状态（evidence state）——把每一步的验证结果当作可累积的证据保存，而不是只保留最终结论。这样一来，「为什么认为这一步做对了」是有据可查的，而不是模型的一句自我陈述。
结果：52.25% 与 82.86% 说明什么
据公开信息，论文给出的实验结果是：三轮实验中，这套方法带来的平均相对提升约为 52.25%，最大提升达到 82.86%；在其中一个 70 轮的案例中，系统维持了一条可审计的开发轨迹。这组数字的解读需要谨慎——「相对提升」的基线与任务集需要结合论文原文才能完整理解，但它至少指向一个方向：在长时程开发上，「外部编排」带来的收益，可能比单纯换一个更强的模型更大。
把 70 轮案例单独拿出来看，它回答的是一个比「提升多少」更关键的问题——可维持性。长时程智能体真正的难点，往往不是前几轮跑得好，而是能不能在第 30 轮、第 50 轮、第 70 轮依然保持方向与可审计性。能维持 70 轮的可审计轨迹，本身就是一种「不失控」的证据。
为什么是「套一层」而不是「重写一层」
这篇论文的取向值得注意：它没有主张替换现有的 harness，而是选择在它上面叠加。这个选择背后有一个现实考量——编码智能体的内核（上下文管理、工具调用、循环控制）已经相对成熟，真正缺失的是「长时程下的节奏控制与验证机制」。与其推倒重来，不如把缺失的那一层补上。
这与近期开源社区的另一批动作方向一致：有的 Agent Runtime 把「轨迹可回溯」当作核心能力，有的框架把「上下文当成可治理的管线」，有的把「外部编排」作为长时程方案。它们共同指向同一个判断——当工具循环本身逐渐被解决，长时程智能体的竞争会转移到「编排与治理」这一层。
把它放进「长时程智能体」的脉络里
据公开信息，近期围绕长时程智能体的讨论明显增多。一方面，有实验用极端放手的方式暴露了长跑失控的真实代价——模型会一直跑到烧光预算，也会把不可审计的调用链层层叠加；另一方面，也有企业级运行时与开源框架从「可回滚、可审计、成本可控」的角度给出工程化答案。《Harness-of-Harness》正好落在两者之间：它既承认长时程是刚需，也承认当前机制不足，并给出了一个「在现有基础上补一层」的具体方案。
把这些线索合起来看，长时程智能体正在从「能不能跑」的阶段，进入「怎么跑才不失控」的阶段。这个阶段的胜负手，很可能不在模型参数上，而在编排与验证的设计上。
中立思辨
需要谨慎看待这篇论文。其一，52.25% 与 82.86% 是「相对提升」，其绝对水平、任务分布、评测口径与对比对象都需要对照原文，单看百分比容易高估实际收益，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。其二，Planner—Developer—QA 这类多角色循环会显著增加调用次数与成本，「提升 52%」是否在成本可接受的范围内，论文未在公开摘要中给出足够信息。其三，「证据状态」依赖验证环节本身的可靠性——如果 QA 角色的判断也不可靠，那么被累积下来的「证据」可能只是被固化了的错误，机制的有效性最终取决于验证质量。其四，学术实验通常运行在受控环境里，真实工程的噪音、需求变更与外部依赖会削弱这类方法的效果，从论文到生产仍有距离。其五，多角色编排本身会引入新的协同开销与冲突，如何让三个角色不互相扯皮，是一个比「加一层」更难的工程问题。
趋势研判
短期，长时程智能体的改进会集中在外层编排——如何拆解角色、如何积累证据、如何在超支前中止，因为这些改动不需要重新训练模型，落地成本更低；中期，「编排层」可能从论文里的概念，演化为可采购的产品能力，与运行时、可观测性打包进入企业技术栈；长期，决定长时程智能体上限的，或许不是模型有多强，而是编排与验证机制能否把「长跑」转化为「累积」——如果每一轮都能沉淀可复用的证据，那么智能体的产出就会随时间复利，这才是长时程真正的价值所在。
对做智能体平台的团队的务实建议是：在追求更长运行时长之前，先把「验证角色」独立出来，并为每一步保留可累积的证据。让规划、开发、验证各司其职，比让一个全能智能体硬扛长任务，更接近真实工程的组织方式。