AI Agent 时代，Harness（编排/脚手架层）与 Memory（记忆层）不可分割——选择闭源 Harness 即意味着放弃对 Memory 的控制权。这是模型厂商锁定用户的核心手段，是一个正在发生且不可逆的结构性趋势。LangChain 创始人 Harrison Chase 在 2026 年 4 月发布的博文《Your Harness, Your Memory》系统阐述了这一判断。
Harness 的三次演变
理解 Memory 与 Harness 的锁定逻辑，需要先理解 Harness 在 AI Agent 构建中的角色演变。
2023 年 — RAG 时代。 ChatGPT 刚出来时，Harness 的形态是最原始的——基本等于把用户问题和一个文档拼在一起交给模型。没有编排，没有状态管理，没有工具调用流水线。
2024 年 — Long Graph 时代。 模型变强了，能处理更复杂的流程和任务，出现了 Long Graph 时代的工具编排，LangGraph 是代表产品。工作流的链路和复杂度开始被结构化管理，但 Harness 仍然被认为是一个"过度阶段"的工具。
2025 年至今 — Agent Harness 时代。 模型再次跃升，催生出一大批 Agent Harness 产品和框架——包括 Cursor Agent、Cline、Claude Code，以及 MCP（Model Context Protocol）生态。Harness 不再只是编排工具，而是 Agent 工作流的事实操作系统。
"模型变强了，不代表不需要脚手架了；旧的脚手架被淘汰了，但它被新的脚手架替代了。"——Harness 不是过渡产物，而是永久需求。
Harness 是永久需求
一个常见的误判是：随着模型能力越来越强，Scaffolding/Harness 最终会被模型吸收消失。Harrison Chase 在博文中举出了一个极具说服力的反证——
Claude Code 源码泄露时被发现有 512k 行代码。这 50 多万行代码不是模型本身，而是 Harness，是围绕模型的编排系统。
连 Anthropic——全世界最强模型的创造者——都需要花这么大的力气去写 Harness。这说明 Harness 不是模型能力不足时的临时补丁，而是构建可靠 Agent 的永久性工程需求。
支撑这个判断的还有广泛流传的对照实验：同一模型、同一数据、同一 Prompt，只换外面的 Harness 层，编程基准测试成功率从 42% 跳到 78%（Nate B Jones 实验）。LangChain 自己的测试显示：同一模型只换 Harness，TerminalBench 2.0 得分从 52.8% 升至 66.5%，排名从 30 名开外冲进前 5。
这些数字比任何论断都更有说服力：模型本身的潜力，远没有被充分发挥；挡住它的，是外面那套 Harness。模型 + Prompt 只是起点，真正的工程差距在 Harness 层。
Memory 不是插件，它就是 Harness
这是整篇分析中最核心的论断。Harrison 引用 Letta CTO Sarah Wooders 一篇文章的标题作为论证起点——《Memory isn't a plugin (it's the harness)》。
问如何把 Memory 插件挂到 Agent Harness 上，就像问如何把驾驶功能挂到汽车上。驾驶不是汽车的插件——它是汽车的基本工作方式。
要理解这个判断，需要区分两种 Memory 的归属：
短期记忆： 对话消息历史、工具调用输出、上下文压缩结果、文件系统状态——这些全都在 Harness 的管控之下。Harness 决定向 LLM 提交多少历史上下文、以什么格式组织、什么时候截断和摘要。
长期记忆： 跨会话的用户偏好、Skill 元数据、Cloud MD 加载方式——这些同样由 Harness 决定如何读取、写入和更新。
因此，Memory 分成了两层（短期/长期），但两层都是由 Harness 统一管控的。Harrison 的判断是：Memory 目前还在婴儿期，整个行业仍在摸索什么是好的 Memory；未来可能会有独立的 Memory 服务，但至少在当前，Memory 和 Harness 是绑死在一起的。
没有 Harness，就没有 Memory
文章最犀利的论断是这句话——
你没有拥有 Harness，你就没有拥有 Memory。
Harrison 将风险分成三个递增的等级：
第一级 — 轻度锁定。 使用 OpenAI Responses API 或 Anthropic 服务端 Compaction，状态存储在厂商服务器上。一旦换模型，之前的对话线程无法恢复。
第二级 — 中度锁定。 使用闭源 Harness（如 Cursor Agent、Cline），底层虽然跑的是 Cloud Code，但 Cloud Code 不开源，Memory 格式未知，不可迁移。
第三级 — 致命锁定。 整个 Harness 加所有 Memory 全在 API 后面，用户完全看不见，属于零所有权。Harrison 直接点名批评的产品是 Claude Managed Agents——他认为这是 "Incredibly Alarming"（令人深感警觉）的案例。
OpenAI Codex 是一个更微妙的例子：Codex 虽然开源了，但 Compression Summary 是加密的。在 OpenAI 生态内部，用户实际上无法访问自己的 Memory 和数据。
① 轻度：状态存厂商服务器，换模型即丢失线程
② 中度：闭源 Harness，Memory 格式不透明不可迁移
③ 致命：Harness+Memory 全在 API 后，零所有权
为什么厂商都在做这件事
底层的经济学逻辑其实很清楚——
纯模型太容易被替换了。 OpenAI 的接口和 Anthropic 的接口几乎一样，改改 Prompt 就能切换。模型厂商知道这一点，所以他们需要一个不易被复制的东西来留住用户。
Memory 就是这个锚点。 一旦用户在某个平台上积累了跨会话的用户偏好、工作流程模式、业务 context，切换平台的成本就变得极高——时间成本、精力成本，最关键的是：你会失去所有的记忆。
这就是锁定终极用户的核心机制。用户越多使用 Agent，Agent 就越了解用户；越了解用户，就越难离开。
有 Memory 的 Agent 会形成数据飞轮：用户交互产生偏好数据 → Agent 根据个性化体验变好 → 带来更多交互 → 飞轮持续转动。越用越好用，越好用越离不开。没有 Memory 的 Agent 是可替代的——任何人拿到同样的 Prompt，就能复制出一个一模一样的 Agent。
开放 vs 封闭：谁真正拥有你的 Agent
值得注意的是，Harrison Chase 本人有推广 LangChain Deep Agents（开放 Harness 的正面实现）的动机，其核心主张——"开放 Harness 才能开放 Memory"——与 LangChain 的商业利益高度一致。但这并不意味着这个判断是错误的。
至少有两点值得注意：
- 交叉验证度高： Letta（Sarah Wooders）、Semafar 等多个独立来源都指向同一框架——Memory 与 Harness 架构上不可分割，锁定是真实的
- 技术逻辑自洽： 无论厂商立场如何，从系统架构角度看，Memory 的读写机制确实由 Harness 决定，这个技术事实不因立场而改变
这一判断还与当前 AI 开源生态的竞争趋势形成呼应：平台通过 Memory/Harness 层锁定用户，与开源生态通过开放标准争夺开发者，是一个硬币的两面。
总结
- Agent Harness 是构建 Agents 的核心，它不会消失。 模型升级不意味着脚手架消失，只意味着脚手架升级。
- Memory 和 Harness 是一体的，至少当前无法分离。 所有行业重要观察者（LangChain、Letta、Anthropic）都指向同一结论。
- 不拥有 Harness，等于不拥有 Memory。 这个等式是理解当前平台战略的起点。
- 模型厂商正在用 Memory 创造锁定，而且已经发生。 Claude Managed Agents 是最新、最典型的案例。
- Open Harness 等于 Open Memory，等于你自己的竞争壁垒。 完全拥有 Harness 和 Memory，才能真正掌握自己的 AI 工作流，不被动迁移。
Harrison Chase,《Your Harness, Your Memory》, LangChain Blog, 2026-04-11
https://blog.langchain.dev/your-harness-your-memory/
Sarah Wooders,《Memory isn't a plugin (it's the harness)》, Letta Blog
https://letta.com/blog/memory-isnt-a-plugin