Claude Code 的 Harness 工程思路

Claude Code 很有意思。它不是單純的聊天框。它把怎麼讓模型幹活，直接攤開來給你看。

Anthropic 把 MCP、Skills、Hooks、Subagents 一起放進產品。這等於把 Harness 設計公開了。說白了，它在示範一件事：模型再強，外層執行系統爛掉，結果還是會亂。

我覺得這點很值得看。因為現在很多 AI 工具，還停在「會講」這一層。Claude Code 則把工具接入、上下文管理、權限控制、任務拆分，做成一套能跑的工作流。

Claude Code 為什麼值得單獨看

Claude Code 不是把 Claude 塞進終端機而已。它更像一個圍繞模型搭起來的執行系統。模型負責理解和生成，外層 Harness 負責拆任務、接工具、壓風險，再把結果送回去繼續迭代。

這種做法，和很多 IDE 外掛不太一樣。很多工具只是把提示詞丟給模型，再把輸出貼回編輯器。Claude Code 則更像模型驅動的操作外殼。它把上下文、工具、權限、子任務，放在同一條流程裡。

從產品角度看，這種設計很實際。第一，使用者更清楚模型做了什麼。第二，團隊可以把最佳做法固定下來。你不用期待每個人都會寫超強提示詞。

這也是它會被反覆討論的原因。它不只是 AI 編程工具。它更像 Anthropic 在公開展示自己的 Harness Engineering 思路。

• MCP 讓 Claude Code 接外部工具更標準。
• Skills 把常見任務包成可重用能力。
• Hooks 可以插入檢查、確認、審計動作。
• Subagents 能把大任務拆成小角色。

Harness Engineering 到底在解什麼

Anthropic 的重點，一直不是只讓模型會回話。重點是讓它在真實任務裡穩定做事。這也是 Harness Engineering 的核心。模型能力只是起點，外層執行系統才決定能不能進生產環境。

你可以把它想成兩種工作流。第一種是純提示詞流程，輸入問題，拿到答案。第二種是完整 Harness，把工具呼叫、狀態保存、錯誤恢復、權限邊界都放進流程。前者適合 demo，後者才適合長期用。

"The most important thing we can do is make AI systems that are helpful, harmless, and honest." — Dario Amodei

這句話來自 Anthropic CEO Dario Amodei。放在 Claude Code 上看，很貼切。因為 helpful、harmless、honest，不是靠一句系統提示就能搞定。

它需要工具層、任務層、權限層一起配合。講白了就是，模型要做事，但不能亂做事。這就是 Harness Engineering 真正在管的東西。

Claude Code 把這種想法直接產品化。它沒有把複雜性藏起來，而是拆成幾個可以配置的接口。你可以按任務，選擇要不要開啟某些能力。

MCP、Skills、Hooks、Subagents 怎麼分工

把 Claude Code 拆開看，四個機制各有角色。MCP 負責外部連接。Skills 負責能力封裝。Hooks 負責流程控制。Subagents 負責任務分解。它們不是重複，而是分層處理同一件事。

MCP 的價值很明確。它把接什麼工具、讀什麼資料，從應用內部邏輯裡抽出來，變成標準協議。對開發者來說，接 Git、資料庫、內部知識庫、部署系統時，不用每次都重寫一套接口。

Skills 比較像可重用的任務模板。像程式碼審查、文件整理、測試生成、遷移腳本，這些高頻動作都能包成技能包。這樣做的好處，是輸出風格比較穩，團隊也比較好統一標準。

Hooks 則是安全和治理的抓手。像高風險操作前確認，或是在輸出前做靜態檢查，都可以交給 Hook。它讓模型不只是會做，還要照規則做。

Subagents 解的是上下文膨脹。當一個代理同時做規劃、搜尋、編輯、驗證，很容易亂掉。拆成多個子代理後，每個角色只盯一小塊，通常會更穩。

• MCP 解決工具接入標準化。
• Skills 解決任務重用。
• Hooks 解決流程控制和審計。
• Subagents 解決複雜任務拆分。

和其他 AI 編程工具比，差在哪

把 Claude Code 和常見 AI 編程工具放一起看，差異就很明顯。很多工具比較像增強版聊天視窗，重點在生成速度和互動順手。Claude Code 則更像可編排的執行層，重點在任務治理和系統整合。

這種差異會直接反映在實際使用上。第一，它更適合接企業內部工具鏈。第二，它更容易把流程固定住。第三，它更適合做可審計的自動化動作，而不是只做一次性問答。

如果只看表面體驗，你可能會覺得它比較工程化。沒那麼輕巧。可是從長期維護看，工程化反而是優點。模型工具一旦進到團隊協作和生產流程，最怕的就是不可預測。

可以直接這樣比：

• 一般聊天式工具：適合探索和草稿。
• IDE 插件：適合局部補全和改寫。
• Claude Code：適合把模型放進真實工作流。
• 企業代理平台：適合跨系統自動化和權限管理。

還有一個很現實的點。當模型能力越來越接近時，真正拉開差距的，往往是 Harness。誰能更好地組織上下文、接工具、控風險，誰就更容易把模型能力變成可交付結果。

這背後其實是產業方向

Claude Code 透露的訊號，不只關於一個產品。它也在說，AI 工具競爭會越來越像執行系統競爭。不是誰回得更會講，而是誰能穩定做完事情。

這點在企業場景特別重要。你做內部自動化，最怕不是模型不夠聰明，而是流程失控。像誤刪資料、亂發指令、權限越界，這些都不是單靠 prompt 能壓住的。

所以我會把 Claude Code 看成一個樣板。它把工具接入、任務拆分、審計、上下文管理，直接做成產品的一部分。這種思路，比單純追求更長上下文或更大參數，來得更接近實戰。

如果你在做 AI 軟體，接下來該問的問題很直接：你的 Harness 有沒有設計好？你有沒有定義哪些動作要確認？哪些資料能讀？哪些任務要拆？這些問題，比模型分數更接近生產現場。

結尾：我會怎麼看這件事

我自己的判斷很簡單。接下來真正有價值的 AI 編程工具，會越來越像 Claude Code。它們不會只賣模型能力，而是把 Harness 當成產品核心。

如果你現在還在用「一個提示詞解全部」的思路做工具，遲早會碰到穩定性和治理問題。比較實際的做法，是先把工具接入、權限邊界、任務拆分、審計機制做好，再談模型要多強。

你可以先問團隊一個問題：如果模型今天答對 80%，剩下 20% 的錯誤，誰來接？這個答案，往往就是你產品能不能上線的分水嶺。