别再死磕模型调优了！Cursor和Manus告诉我们: 外壳(Harness)才是真正的护城河

高

Himanshu2026年03月02日约 11 分钟

导读：模型决定上限，脚手架（Scaffolding）决定下限

“每个人都在谈论模型，但没人在聊脚手架。”

今天文章通过对 Cursor、Manus、Devin 等独角兽产品的逆向工程，拆解了 Agent 圈的最新共识：

模型是互换的，外壳（Harness）才是护城河。
渐进式披露： 别让你的 Agent 在海量信息中“溺水”。
减法工程： 删掉 80% 的工具，成功率反而翻倍？想知道如何跨越从“炫酷 Demo”到“落地工具”的鸿沟？答案全在这里。

作者：Himanshu (@Hxlfed14) 为 22 岁 AI 从业者，曾在卡内基梅隆大学和 UNSW 从事研究，现构建Cloudfluently（超7000用户），文章基于其实践经验，讨论模型特定支架如何提升代理可靠性。

Agent Harness Diagram

每个人都在谈论模型，但没人在聊 脚手架（Scaffolding）。

如今交付最强 AI Agent 的公司——Claude Code、Cursor、Manus、Devin、SWE-Agent——都不约而同地收敛到了同一种架构：用一个刻意保持简单的循环包裹住模型，给它几个原子化工具作为“手”，再由 脚手架（外壳） 决定哪些信息在什么时候传递给模型。

模型是可替换的，外壳（Harness）才是产品。

以下是证据：

Claude Opus 4.5：在一种脚手架下 CORE-Bench 评分仅 42%，换成另一种后飙升至 78%。
Cursor：通过“延迟工具加载”，将 Token 消耗降低了 46.9%。
Vercel：删除了其 Agent 80% 的工具，结果 Agent 反而从任务失败变成了任务成功。

同样的模型，同样的基准测试，唯一的变量就是外壳。而在这些外壳中，最被低估的设计模式是什么？渐进式披露（Progressive Disclosure）——让 Agent 增量地发现上下文，而不是一开始就溺死在海量信息中。

本文将拆解什么是“外壳”，各家公司是如何构建的，以及为什么“渐进式披露”是区分“真正能干活的 Agent”与“华而不实的 Demo”的关键。分析的来源（均列于文末）。

什么是智能体外壳（Agent Harness）？

LangChain 创始人 Harrison Chase 给出了最清晰的界定：

“框架（Framework）是抽象的……通常不带立场。而 外壳（Harness） 是‘自带电池’的（即插即用，且包含全套解决方案）。”
来源：LangChain "Improving Deep Agents with Harness Engineering"

智能体外壳是模型周围让其变得有用的所有东西：执行循环、工具定义、错误恢复、状态管理和信息流。模型决定做什么，而外壳决定模型能看到什么、能用什么工具，以及失败时该怎么办。

每一个生产级 Agent 都收敛于这个核心循环：

while (模型返回工具调用):
    执行工具 → 捕获结果 → 附加到上下文 → 再次调用模型

就这么简单。Claude Code、Cursor 的 Agent 和 Manus 的整个架构都跑在这个循环里，真正的工程学在于围绕这个循环构建的东西。

各大公司如何构建其外壳

1. Claude Code：“模型控制循环”

背景：Claude Code 的架构已被广泛逆向工程，Anthropic 也发布了关于其外壳设计的详细文章。其核心是一个单一的扁平消息列表，配有约 18 个原子工具。来源：Anthropic "Effective Harnesses for Long-Running Agents"

循环机制：内部代号为 nO，这是一个简单的 while(tool_call) 循环。没有复杂的 DAG 编排，没有相互竞争的 Agent 人格。模型接收消息和工具，返回文本（循环结束）或工具调用（循环继续）。Anthropic 明确称之为“模型控制循环”，而非“代码控制模型”。
原子工具：约 18 个原语，分为四个类别：命令行发现（Bash, Glob, Grep, LS）、文件交互（Read, Write, Edit, MultiEdit）、Web 访问（WebSearch, WebFetch）和编排（TodoWrite, Task）。他们的哲学是“原语优于集成”。例如，他们选择用正则（ripgrep）而非向量数据库进行代码搜索，理由是 Claude 的理解能力足以编写复杂的正则，无需搜索索引。来源：PromptLayer "Claude Code: Behind-the-Scenes of the Master Agent Loop"
信息分层：会话开始时加载 6 层信息：组织策略、项目级 CLAUDE.md、用户设置、自动学习的 MEMORY.md、会话历史和 Git 状态。系统提示词包含约 110 多条条件字符串（约 2896 个核心 token）。一个关键但被低估的外壳模式：注入系统提醒——在每次工具执行后的结果中，固定附加一段系统提醒。这比单纯在 System Prompt 中写指令效果好得多，因为它随每次调用不断重复。来源：Vrungta "Claude Code Architecture (Reverse Engineered)"
错误恢复：主要由模型驱动。失败的工具执行会将错误消息作为工具结果返回，由模型决定如何处理。
TodoWrite 技巧：这是一个“空操作（no-op）”工具，除了让 Agent 记录和跟踪计划外，没有任何实际功能。它作为一个“进度锚点”——出错后，模型会查阅它的 TODO 列表以弄清自己进行到了哪里，强制 Agent 表达思路，防止在长轨迹任务中走偏。LangChain 的“Deep Agents”分析中也明确提到了这一点。来源：LangChain "Deep Agents"

2. Cursor：“以文件为基本原语”

背景：Cursor 发布了“动态上下文发现”（2026年1月）以及另一篇关于特定模型外壳微调的文章。他们的架构有五个组件：路由器（Router）、LLM、10多个工具、上下文检索和一个类 ReAct 的编排器。来源：Cursor "Dynamic Context Discovery"

特定模型微调：Cursor 为每一个前沿模型都进行了专门的内部评估与“外壳微调”。不同的模型会获得不同的工具名称、提示词指令和行为指导。OpenAI Codex 模型获得了面向 shell 的工具名（如 rg）；Claude 模型则获得了不同的推理摘要格式。来源：Cursor "Improving Cursor's Agent for OpenAI Codex Models"
文件即原语：Cursor 架构中的一切都映射到文件。为什么？因为文件支持强大的搜索（ripgrep, jq, grep, 语义搜索），天然可分组（每个 MCP 服务器一个文件夹），且可版本化。他们的原话是：“文件是一个简单而强大的原语，比再增加一个抽象层更安全。”
自定义语义搜索：他们的嵌入模型是利用 Agent 的会话轨迹训练的。当 Agent 执行任务时，Cursor 会分析哪些文件本应在早期被检索到，并训练嵌入模型去匹配这种模式。结果：平均搜索准确度提升了 12.5%，在大型代码库（1000+ 文件）上的代码保留率提升了 2.6%。来源：Cursor "Improving Agent with Semantic Search"

3. Manus：“KV 缓存至上”

背景：Manus 自发布以来已经重写了五次框架。他们的平均输入输出 Token 比高达 100:1。他们称这种迭代过程为“随机梯度下降”。来源：Manus "Context Engineering for AI Agents: Lessons from Building Manus"

Logit 掩码优于工具移除：Manus 曾尝试动态增删工具，但最终放弃了——因为修改上下文前段的工具定义会使后续所有 Token 的 KV 缓存（KV-Cache）失效。相反，他们永久加载所有约 29 个工具。但在解码阶段，通过限制输出 Token 的概率（Logit Masking）来控制每一步哪些工具可用。工具命名使用一致的前缀（browser_, shell_, file_*）以便进行组级别的掩码操作。来源：Manus
层级化动作空间：分为三个级别：Level 1（约 20 个原子函数调用工具），Level 2（通过 Bash 调用的沙箱实用程序——grep, ffmpeg, 以及通过 mcp-cli 调用的 MCP 工具），Level 3（使用预安装库的动态脚本）。这种设计将工具定义移出了上下文窗口，同时保留了完整能力。
最大的教训：他们发现最大的性能提升来自于“删减”——用 Shell 执行代替复杂的工具定义，用简单的移交代替“管理型 Agent”。如果随着模型变强，你的 Agent 外壳却变得越来越复杂，那肯定出问题了。

4. SWE-Agent：“智能体-计算机接口”

背景：普林斯顿大学的 SWE-Agent 在 NeurIPS 2024 上提出了 ACI（Agent-Computer Interface，智能体-计算机接口）概念，这是一种专为 LLM 智能体而非人类设计的专用接口。来源：Yang et al. "SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering"

受 linter 约束的代码编辑：当 Agent 发出编辑命令时，会自动运行代码检查工具（linter）。如果代码在语法上不正确，编辑就会被拒绝，Agent 必须重试。如果没有这个单一的外壳层面的安全护栏，性能会下降 3%。
观察结果压缩：除了最后 5 条观察结果外，所有的观察结果都被压缩为单行。Agent 能看到近期操作的完整细节以及较旧操作的摘要，这是一种融入循环内部的渐进式披露形式。

5. 其他玩家：Devin, Windsurf, Aider, Replit

Devin：运行在隔离的云端虚拟机中，拥有一个用于处理重复任务的 Playbook 系统，以及一个知识管理系统（将反馈编码以供未来参考）。PR 合并率达到 67%，高于一年前的 34%。来源：Cognition "Devin's 2025 Performance Review"
Windsurf：使用双智能体架构：一个规划智能体（Planning Agent）在后台持续运行并完善长期计划，而主模型处理短期动作。他们的“记忆”系统可以跨会话生成关于代码库模式的观察结果。
Aider：拥有技术上最超前的上下文策略：使用 tree-sitter 构建基于 PageRank 的代码库地图。它解析代码以提取定义，构建一个以文件为节点、依赖关系为边的图，应用 PageRank 根据重要性对符号进行排名，并使用二分查找在 Token 预算内适配最关键的内容。
Replit Agent：从单一智能体演变为三智能体架构（Manager, Editor, Verifier），因为他们发现单一智能体的错误率太高。其自我修复循环为：生成 → 执行 → 使用 Playwright 测试 → 修复 → 重新运行。

渐进式披露：那个还没被命名的模式

“渐进式披露（Progressive Disclosure）”借用自 UI/UX 设计，起源于 1980 年代 IBM Research 的 John Carroll，并在 1990 年代由 Jakob Nielsen 普及。其原则是：只显示当前需要的内容，按需揭示复杂性。

这对 Agent 设计至关重要。就像折叠菜单能减轻人类的认知负载一样，分层上下文加载能减少 LLM 的注意力分散（Attention Fragmentation）。来源：Honra "Why AI Agents Need Progressive Disclosure, Not More Data"

生产环境如何实现它？

Claude Code 的 SKILL.md 模式：技能文件存储在 .claude/skills/ 中，且不会预加载到每次对话中。与每次会话必读的 CLAUDE.md 不同，技能仅在 Claude 检测到其相关性时加载。系统提示词将其描述为“按需加载”——Claude 只有在创建演示文稿时才会读取 slide-decks.md。这防止了项目拥有几十个技能时的上下文膨胀。来源：Anthropic Claude Code Best Practices
Cursor 的延迟 MCP 工具加载：MCP 服务器包含许多带有长描述的工具，大部分都未被使用。Cursor 将工具描述同步到文件夹结构中，只给 Agent 提供工具名称作为静态上下文。完整的定义只有在需要时才抓取。在 A/B 测试中：Token 减少了 46.9%（具有统计学意义）。
Manus 的文件系统卸载：Agent 根据需要读写文件。压缩被设计为可逆的：如果保留了 URL，就可以丢弃网页的内容；如果保留了文件路径，就可以省略文档。不断重写 todo.md 的模式将全局计划推入了模型的“近期注意力区间”——直接对抗“中间迷失（Lost in the middle）”现象。

量化案例：外壳的力量

来自多个独立来源的数据一致表明：

Token 效率

Claude-Mem 文档显示，静态加载会注入 25,000 个 Token，效率仅为 0.8%（在噪音中只有一个相关观察）。渐进式披露：955 个 Token，效率 100%。提升了约 26倍。
Cursor 的延迟加载：减少了 46.9%。
Vercel 的案例研究：删除 80% 的工具后，Token 从 145,463 降至 67,483，步骤从 100 降至 19，延迟从 724秒降至 141秒——并且 Agent 从任务失败转为任务成功。来源：Phil Schmid "Context Engineering for AI Agents: Part 2"

脚手架比模型更重要

CORE-Bench：Claude Opus 4.5 在一种脚手架下得分为 42%，在另一种下得分为 78%。
Sonnet 4：33% vs 47%。Sonnet 4.5：44% vs 62%。
LangChain 的 deepagents-cli 仅通过改变外壳，就在 TerminalBench 2.0 上的得分从 52.8% 提升至 66.5%（提升 13.7 个百分点）。来源：LangChain "Improving Deep Agents with Harness Engineering"

为什么外壳需要这个

Liu 等人（TACL 2024）证明了 LLM 的表现遵循 U 型曲线——当相关信息在输入的开头或结尾时表现最高，而在中间时表现会下降。即使是长上下文模型也是如此。这就是为什么外壳至关重要：渐进式披露保持了输入的精简（减少了曲线失真），并将刚检索到的新信息放置在末尾（高注意力区域）。来源：Liu et al. "Lost in the Middle: How Language Models Use Long Contexts" (TACL 2024)

技术矩阵

基于公开文档，将外壳（Harness）技术映射至各智能体系统的快速参考。

图例：

[C] = 核心差异点 (Core differentiator)
[Y] = 使用/主张 (Uses/advocates)
[--] = 未公开讨论 (Not discussed publicly)
[alt] = 不同方案 (Different approach)

1. 循环架构 (Loop Architecture)

2. 渐进式披露 (Progressive Disclosure)

3. 错误处理与鲁棒性 (Error Handling & Robustness)

行业共识与分歧

共识：单一扁平循环优于复杂的编排；文件系统作为扩展内存；保留错误记录而非清理；使用伪计划工具（TodoWrite, todo.md）保持连贯性；原语（bash, grep, 文件系统）优于自定义集成。
分歧（工具过载处理）：Manus 倾向于 Logit 掩码（加载所有工具，约束输出）。Cursor 倾向于延迟加载（按需加载工具定义）。相反的策略，但都有效。正确的答案可能取决于你的 Token 经济学。
分歧（管理强度）：Google 的赌注是“把所有东西给模型，让它自己去搞清楚”（2M Token 窗口）。而其他所有人都在构建能主动过滤和分发信息的外壳。研究仍然表明，随着输入增加，性能会下降 15-47%。“重外壳”方案目前在实践中胜出。
未解决的问题：如何评估外壳质量。Cursor 公布的 46.9% Token 减少量是极少数公开的数据之一。目前没有标准基准可以用来头对头比较外壳设计。何时共享子智能体状态 vs 隔离状态，仍然纯粹是经验之谈。

值得注意的模式：交付最强 Agent 的团队都在不断做减法。Manus 经历了五次重写，每次都在删减东西。Anthropic 设计的 Claude Code 脚手架会在模型进步时逐渐缩小。Replit 虽然从一个 Agent 变成了三个，但每个独立的 Agent 都变得更简单了。过度工程（Over-engineering）是默认的失败模式。

总结：如果你正在构建 Agent

这项研究明确了三件事：

把工程精力花在外壳上，而不是挑选模型上。
渐进式披露不是可选项，而是架构必需。
计划让你的外壳变得更简单，而不是更复杂。

正如 Dex Horthy（“12 Factor Agents”方法论的提出者）所说，阈值在于模型输入容量的 40%：一旦超过这个比例，你就会进入他所说的“愚蠢区（dumb zone）”——信噪比下降，注意力破碎，Agent 开始犯一些看起来像推理失败的错误，但这实际上只是因为外壳设计太烂而导致的信息过载。来源：Horthy "12 Factor Agents"

英文：https://x.com/Hxlfed14/status/2028116431876116660