Claude Code为何聪明？关键不在模型而在Harness

Claude Code的聪明从哪来

很多人默认，Claude Code之所以好用，是因为背后的大模型足够强。但一位YouTube创作者通过亲手用纯Python搭建一套"harness"（agent运行框架）证明：真正决定智能体能力上限的，往往不是模型本身，而是包裹在模型外层的那套工程结构。

他的实验从最朴素的形态开始——一次原始的LLM调用。你直接让模型读取本地文件、分析你的代码，结果毫无用处：没有工具、没有记忆、对外部环境一无所知。模型再强，困在一个封闭的对话框里，也只能输出文字，无法真正"做事"。

Agentic Loop：十行代码带来的质变

整个演示的第一个转折点，是加入一个agentic loop（智能体循环）。作者强调，这部分代码量极小——"大约10行Python"——但效果立竿见影。

加上循环之后，模型开始能够自主发起工具调用：列出文件目录、读取文件内容、再根据读到的信息判断下一步该做什么。这正是agent与普通chatbot的分水岭。chatbot只会回答，agent会"观察—思考—行动"，并把行动结果再喂回自己做下一轮决策。

换句话说，让LLM变"聪明"的第一步，不是换更大的模型，而是给它一个能反复行动的闭环。

"观察—思考—行动"这一循环在学术上通常被称为ReAct（Reasoning + Acting）范式，由谷歌和普林斯顿研究者于2022年提出。其核心思想是：让模型在每一步先输出推理过程（Thought），再决定调用哪个工具（Action），得到工具返回结果（Observation）后继续推理。这个循环反复运行，直到模型判断任务已完成。与单次生成相比，agentic loop的本质突破在于引入了外部反馈——模型不再凭空想象文件里有什么，而是真正读取后再作判断，错误可以在循环中被自我修正。正因如此，即使模型能力有限，只要工具设计得当、循环结构合理，整体表现也可以显著优于一个更强但无工具的模型。

MCP：瞬间接入你从未写过的工具

第二个关键组件是MCP（Model Context Protocol）客户端。作者指出，这正是Claude Code以及各类主流harness底层使用的同一套协议。

MCP的价值在于标准化的工具接入。接上一个MCP连接，智能体就能立刻获得一批"自己从没写过"的工具能力。演示中，他通过一次连接就为agent加上了实时网页抓取（live web fetching）——不需要手写爬虫、不需要定义接口，协议帮你把工具生态直接插进来。

这解释了为什么成熟的agent产品都在押注协议层：谁能最低成本地扩展工具，谁的智能体就更有用。

MCP（Model Context Protocol）是Anthropic于2024年11月开源的标准协议，目标是成为AI工具调用领域的"USB接口"。在MCP出现之前，每个AI应用都需要为每个外部服务单独编写适配代码，形成大量重复且不可复用的"胶水层"。MCP将这一过程标准化：工具提供方发布一个MCP Server，任何兼容MCP的客户端（包括Claude、各类开源harness）都能即插即用地调用这些工具，无需了解底层实现细节。目前MCP生态已涵盖浏览器控制、数据库查询、代码执行、文件系统操作等数百个预构建服务器。这也解释了为什么Claude Code能开箱即用地操作文件、运行终端命令——这些能力并非硬编码进模型权重，而是通过协议层动态注入的。

持久记忆与模型热切换

第三步是通过"上下文工程"（context engineering）加上几个工具，给智能体接上持久记忆。这样一来，对话不再是一次性的，智能体能跨轮次、跨会话记住此前发生的事。

最有说服力的一幕出现在最后：作者在对话进行到一半时，直接把整个模型替换成一个免费的本地模型，而智能体依然"记得一切"。

这个细节点破了核心观点——记忆、工具、循环这些能力都存在于harness层，而非绑死在某个特定模型里。模型更像是可插拔的推理引擎，harness才是承载"智能行为"的真正骨架。

"上下文工程"（Context Engineering）是近期在AI应用开发中兴起的概念，指对输入给模型的上下文内容进行精心设计与管理，包括决定哪些历史信息应该被保留、以什么格式压缩存储、在什么时机重新注入对话。与"提示词工程"主要关注单次输入的措辞不同，上下文工程关注的是跨多轮对话的信息流动。持久记忆的实现通常有两种路径：一是将关键信息以结构化文本写入外部文件，每轮对话开始时读回；二是使用向量数据库做语义检索，只取相关片段注入上下文。这篇演示采用的是前者，更直观也更易理解。正因为记忆以文本形式存储在harness层，切换底层模型时只需更改API调用目标，记忆内容对新模型完全可见，实现无缝切换。

对开发者的启示

这场演示虽然简短，却清晰拆解了一个被低估的事实：现代AI agent的能力，是工程架构与模型能力共同作用的结果，而且工程层的杠杆往往更大。

• 想让LLM能"做事"，先给它agentic loop，而非盲目追更大模型；
• 想快速扩展能力边界，优先接入MCP这类标准协议，复用现成工具生态；
• 想要连续、可靠的体验，记忆和上下文工程必须单独设计；
• 当记忆与工具都沉淀在harness里，模型就能自由替换，甚至降级到本地免费模型以控制成本。

对于想理解Claude Code这类工具"为什么好用"的开发者来说，自己动手搭一套最小可用的harness，可能比研究模型参数更有收获。作者也在其频道公开了完整构建过程，并附带了一套免费的AI技术栈资源。

本文基于单一YouTube来源整理，具体代码实现与资源以原视频为准。