围绕 LLM 的那一层
Harness 是一层软件，它负责组装要发送的内容，也负责把 LLM 的回复转化为实际行动。LLM 本身没有记忆——再聪明也不会保存历史，更不会执行操作：它只是发出信号，指出该做什么，动手执行的是 harness。可以说，发什么给模型、怎么发，都由 harness 决定。
如果你读过上一篇文章，应该还记得：模型接收文本，进行处理，再依据训练得来的权重返回回答。
上一篇文章里我们还列了一张“产品 × 模型”对照表，产品实现的正是 Harness——ChatGPT、Claude Code、Cursor、Codex 都在 LLM 外围实现了整套工程。
你的消息在 ChatGPT 中的旅程
你把消息发出去，但它并不会径直送到模型那里——外围有一套软件工程会先组装好 prompt，再发给模型。落到实际中：有一段通用代码负责拼装指令和可用工具清单（含每个工具的名称、描述和参数格式），还会在你每次与聊天交互时，把整场对话的内容和记忆一并拼进去，一直拼到你最新那条消息。
大致就是下面这样：
你先提出第一个问题或发起第一次交互：
“我们来开发一个网站”。
“Harness” 组装出将要发送给 LLM 的结构：
伪结构
第 01 块（PROMPT）
{
"system": "Você é o GPT criado pela OpenAI. A data de hoje é 16/09/2026, localização...",
"interação-01": "Vamos desenvolver um site",
"tools": ["criar_arquivo", "buscar_web", "criar_diretorio"]
}
他发送这个块并获得LLM的回答， “这个网站是关于什么的？”, 现在当你进行新的互动，回答 “这是一个开发者的项目作品集” 他会构建一个新的块 “连接” 第二次互动与 块 01.
块 02 (提示)
{
"system": "Você é o GPT criado pela OpenAI. A data de hoje é 16/09/2026, localização...",
"interação-01": "Vamos desenvolver um site",
"resposta-chat-01": "Sobre o que é o site?",
"interação-02": "É sobre um portfólio de projetos de um desenvolvedor",
"tools": ["criar_arquivo", "buscar_web", "criar_diretorio"]
}
您是否注意到，在第二次交互时，块01被完整地再次发送给LLM，伴随着这一次交互？每次交互块都会变得更大，这是因为LLM没有记忆，需要重新发送全部内容，而完成这件事的是Harness，也就是围绕LLM的软件工程。
这对您作为开发者或设计带有人工智能应用的人来说为什么重要？即便您只是在喜欢的聊天软件上闲聊，也同样值得关注。
对您作为用户而言，影响较小，但也有相关性——因为您在聊天中互动越多，发送给LLM的文本就越多；对话开始时，LLM只收到少量信息，经过几轮互动后，信息量相对增大；如果您混合了不同话题，模型答错的概率会上升，可能会把旧指令和新指令搞混。不过需要注意的是，随着模型的演进，这种影响正在逐渐减弱，但仍值得我们关注和确认。
对您作为开发者而言，影响更大——您需要管理这个上下文，收集必要的信息发送给LLM，在收到响应时协调操作并返回给用户，所有这些责任都落在构建与AI集成应用的人身上。因此，了解AI周围发生的事情至关重要。
工具
要点在于，一个 tool 本质上是你后端中的一个函数。请注意，在伪提示 "bloco01 e bloco02" 中，有一些被称为 tools 的名称列表 [criar_arquivo, buscar_web, criar_diretorio]，实际上不仅仅传递名称，还会传递这些 tools/工具的其他属性，比如描述以及函数的参数。这些信息会随其他一起发送给 LLM。
别急，年轻人。
我不喜欢在 Miro 里手动创建便签，所以我不自己创建，替我做这件事的是 Harness，在 LLM 的帮助下。
在一次 MBA 作业中，我需要在 Miro 上创建一些表示流程的图示，于是我决定使用 Claude。
我根据图像把想要的内容发送到聊天中，图像中也已经显示了“Harness”所做的事情。你会注意到聊天本身会提示它将定位该看板，并表明将查找可用的工具。这一过程之所以可能，是因为我之前在聊天中配置了 Miro 的连接器——这一点很重要，LLM 不会保存这些信息，保存这些信息的是“Harness”，或者说是 Claude 应用的后端。你也会看到我的指令非常简略，LLM 会补全大部分指令，以便 Harness 执行操作，这就是我说的，我的便签是由 Harness 在 LLM 的辅助下创建的。
-- 请求聊天。
-- 工具: board_show
请看第二张图片 "Tool - board_show"，聊天本身请求使用工具 board_show 并请求我的许可而阻止执行。
这张图片还显示了两件事：一是 harness 和 LLM 之间的循环；二是不太明显的 MCP（Model Context Protocol），但这些内容留到另一篇文章中，当我们详细讲解并实现 Harness 并讨论代理时再谈。接下来，board_show 显示下面的屏幕。
-- 在聊天中由 tool board_show 展示的板块
-- 在 Miro 中创建的流程
模型没有执行任何操作，它只是写了一个结构化的文本，类似于 "我想调用 board_show 并带上这个 URL"。执行的是 harness，它取得返回值并将其作为一条消息放回上下文。于是模型被再次调用，现在知道发生了什么。这个循环会重复直到任务完成；在 Miro 的情况下，经过多次往返直到流程准备就绪。这种往返就是循环，是下一篇文章的主题。
最后一点：你可以在不同的 harness 中使用同一个模型 — — Cursor、GitHub Copilot、Claude Code — — 并得到不同的结果。今天关于最佳模型有很多讨论，但也有很多关于最佳 "Harness" 的讨论。
我希望这两篇关于 LLM 和 Harness 的初始文章——人工智能的基本概念——能帮助你理解并继续学习后续内容。
在下一篇文章中，我们将讨论循环、MCP 以及对代理的简要介绍。
