harness 具体原理
Harness 可以理解为包在模型外面的运行时控制层。模型本身只会“读上下文、生成下一段
文本或工具调用”；harness 负责把用户输入、系统指令、工具、文件系统、权限、hook、
技能等东西组织起来，然后再喂给模型。
具体链路大概是这样：
用户输入
↓
Claude Code / Ducc CLI runtime
↓
harness 预处理
- 读取 CLAUDE.md / project rules / memory
- 识别 slash command、skill、关键词
- 注入 system-reminder
- 准备可用工具列表
- 加载当前目录、git、环境信息
↓
发送给模型
↓
模型输出
- 普通文本
- 或工具调用，例如 Read / Bash / Edit / Skill / Agent
↓
harness 执行工具调用
- 权限检查
- 调用真实 shell / 文件系统 / MCP / agent runtime
- 执行 PreToolUse / PostToolUse hook
↓
工具结果再次注入上下文
↓
模型继续下一步
核心原理
模型不直接访问你的机器。它只能“请求调用工具”。真正执行
Bash、Read、Edit、Skill、Agent 的是 harness。
所以 harness 的职责主要有 6 类：
1.上下文装配
它把这些东西拼进模型上下文：
- 系统提示词
- 用户消息
- ~/.claude/CLAUDE.md
- 项目内 CLAUDE.md
- 当前工作目录信息
- 可用工具列表
- 已加载 skill 指令
- hook 产生的 <system-reminder>
2.权限控制
当模型想执行 Bash、Write、Edit、Agent 等工具时，harness 判断：
- 当前权限模式是否允许
- 是否需要用户确认
- 是否命中 deny / allow 规则
- 是否是危险操作，例如删除、覆盖、外发
模型不能绕过这层。
3.工具执行
模型输出的是结构化工具调用，比如：
{
"tool": "Read",
"file_path": "/path/to/file"
}
3. harness 收到后，才真的去读文件，再把结果作为 tool_result 放回上下文。
4.Hook执行
在工具调用前后，harness 会跑 hook，例如：
- PreToolUse:Bash
- PostToolUse:Write
- PostToolUseFailure:Read
hook 可以注入提醒，例如：
- “长任务用 background”
- “编辑后要验证”
- “Read 多文件时并行”
- “工具失败后分析错误继续处理”
这些提醒不是用户说的，也不是模型自己想出来的，是运行时插入的控制信号。
5.Skill加载
当用户输入 /skill，或者模型调用 Skill 工具时，harness 会：
- 找到对应 skill 目录
- 读取 skill 的说明文件
- 把 skill 指令注入上下文
- 后续模型按 skill 流程执行
skill 本质上是“按需加载的专业提示词 + 工作流规则”。
6.Agent/Workflow编排
当模型调用 Agent 或 Workflow 时，harness 会启动子模型实例或工作流脚本：
- 子 agent 有自己的上下文和工具权限
- 可以并行跑
- 最后把结果返回主会话
- 主模型再综合结果
关键词识别的位置
这里有两种：
A.harness硬识别
比如你刚才的 ultrathink。运行时检测到关键词后，直接插入：
<system-reminder>
The user included the keyword "ultrathink", requesting deeper reasoning on this
turn.
</system-reminder>
这是 CLI/harness 层完成的，不靠模型主动发现。
B.模型软识别
比如 ralph、ulw、autopilot 这类，CLAUDE.md 告诉模型“看到这些词要调用对应
skill”。模型读到后自己决定是否调用。
所以区别是：
- harness 硬识别：确定性更强，命中就注入
- 模型软识别：灵活，能结合语境，但不如硬规则确定
本质总结
Harness 是一个“模型运行容器 + 工具代理 + 权限网关 + 上下文编排器”。
模型负责判断和生成下一步动作；harness 负责：
- 给模型什么上下文
- 允许模型调用什么工具
- 工具调用是否能执行
- 执行结果如何回填
- 哪些规则和 hook 要强制插入
- 如何启动 skill、agent、workflow
所以你看到的 Ducc / Claude Code 体验，不只是一个 LLM，而是：
LLM 推理能力
+ CLI harness
+ 工具系统
+ 权限系统
+ hook 系统
+ skill 系统
+ agent/workflow 编排
+ 本地文件和 shell 集成
这些组合在一起，才形成“能在本地开发环境里持续执行任务”的 Agent。