为什么你的Openclaw龙虾总是智障，ClaudeCode源码泄露揭露：Agent 的差距不在模型，在 Harness Engineering

文章主旨：

Agent的性能下限取决于Harness工程而非模型本身，通过对比OpenClaw与Claude Code揭示Harness Engineering是AI稳定运行的关键。

关键要点：

• OpenClaw的不稳定源于架构设计的必然结果，包括心跳无法真正调度、Sub-Agent生命周期不可靠、消息机制无法纠偏、容错链不完整等问题。
• Claude Code源码显示其拥有生产级Agent Runtime：长状态机、渐进式上下文压缩、自动输出校验与容错链路，使得运行更稳定。
• Harness Engineering是衔接模型调度、任务执行、会话记录的工程体系，LangChain定义：如果你不是模型，那你就是Harness。
• Anthropic提出Managed Agents架构：Brain（模型+Harness，负责思考与规划）、Hands（Sandbox+Tools，负责执行）、Session（记录全过程），三者相互独立。
• AI进化从Prompt Engineering到Context Engineering再到Harness Engineering，Harness为AI装上了安全带。

内容结构：

问题引入：OpenClaw使用中频繁出现中断、执行不完整、无反馈、限流等问题，且相同模型在不同环境中表现差异巨大。

OpenClaw不稳定原因分析：

• 心跳：定时唤醒但不能调度，唤醒后不创建任务记录，无完成确认和失败重试，且可能重复唤醒导致限流。
• Sub-Agent：是否拆解由模型决定，缺乏稳定性；生命周期管理为Best Effort，重启后可能遗忘前期任务，任务完成可能未关闭进程占用资源。
• 消息机制：默认按消息顺序串行处理，无法中途纠偏；需切换steer模式才能实现实时调整。
• 容错性：事件流不是可靠日志（错过不补发），重试基于请求而非整段任务（已完成的步骤不自动恢复），队列是进程内轻量串行器，不持久化。局部容错未形成端到端链路。

Claude Code源码揭示的Harness：

• 长状态机：每次循环完成10件事，包括上下文活跃度检查、token预算检查、模型调用、工具流式执行、额外上下文注入等。
• 渐进式上下文压缩管线：先裁大工具输出保留预览，再清理旧结果，最后折叠总结，低成本接近全量效果。
• 容错机制：最近文件、技能、工具声明重新注入上下文，防止模型断片。

Harness Engineering定义与架构：

• Brain – 模型和Harness，负责思考规划；Hands – Sandbox和Tools，负责执行；Session – 记录全过程。三者独立后恢复检查变少。
• 六个组件：Session（状态日志）、Orchestration（唤醒调度）、Harness（意图审批与执行重试）、Sandbox（隔离环境）、Resources（文件系统）、Tools（能力接口）。

结论与展望：OpenClaw的开放架构带来灵活性的代价是不稳定；成熟的Agent需适应复杂长程任务，Anthropic提出meta-harness：Brain可换，Hands可换。

文章总结：

文章通过对比OpenClaw与Claude Code，论证了Agent稳定性的核心在于Harness Engineering，而非模型本身，并指出Infra和Harness的结合是AI工程的重要方向。