在AI 蓝鲸汇 闭门活动中，CodeWhale（原DeepSeek-TUI） 开源作者 Hunter Bown「鲸鱼哥」，带来了一场主题为《支架工程与可能性的艺术》的分享。

Hunter Bown 还有几个不太常见的身份：AI 独立开发者、音乐家、专利法研究者。也正因为这种跨学科经历，他谈 AI Agent 的方式，并不是从模型参数、Prompt 技巧或工具调用开始，而是从自己曾经教授高中乐队的经历讲起。

CodeWhale 项目，原名DeepSeek-TUI，是Hunter 创建的轻量级、跨平台终端 AI 编程工具，但这场分享没有停留在工具本身，而是借由乐队、学生和系统协作，讨论一个更底层的问题：AI Agent 如何从“会回答”，变成“真正可用”？

分享中，Hunter 讲到自己最近指导一名小号学生的经历。学生以为自己只是“更用力”了一点，声音却已经发生变化。这让他想到 LLM 的 temperature：同一个模型，在不同设置和环境下，会产生不同输出。

这不是一个随手拈来的比喻。Hunter 说，他并不是把乐队当作 AI 的比喻；乐队本身，就是他学会理解 AI Agent 的地方。

这场分享的关键词是Harness。直译成中文，可以叫“支架”。但在 Hunter 的语境里，它不是约束带，也不只是 Prompt，更像模型的感知器官和 AI Agent 的“运行框架”：决定模型能看见什么、能做什么，错了之后如何恢复，以及智能如何真正变得有用。

智能不是抽象的，而是现场可用的

Hunter 曾在美国德州一所高中教乐队。他所带的高中乐队大约有 300 名学生，其中 60 到 100 人是学生干部，20 到 30 人负责乐器辅导，其余负责后勤。没有人拿工资，有些人甚至是父母帮忙报名的。

这就是他所说的Available Intelligence，可用的智能。

它不是理想状态下完美、稳定、完全被激励的智能，而是真实现场中已经存在、可以被组织起来的智能。

乐队里的每件乐器都有自己的“脾气”。小号声音外放，容易盖过别人；长笛在合奏中容易消失；单簧管过“换音区”很难；圆号很美，但容易出错；长号的拉杆还有物理延迟。

模型也是一样。每个模型都有自然擅长的事情，也有抗拒的事情，还有一碰就破的边界。一个模型不等于抽象的“智能”，它还包含上下文窗口、工具权限、temperature、延迟、成本、记忆、检索、UI 和被写入的社会期待。

所以，理解Harness 的第一步，不是让模型变聪明，而是看清你真正拥有的智能：它自然会做对什么？会被什么预期牵引？在什么条件下失败？边界在哪里？

好的Agent 设计，首先是注意力设计

Hunter 引用了《The Art of Possibility》里的一个概念：Give the A，先给一个 A。

这不是无原则地相信，而是把视角从“证明你配得上”，转为“你已经配得上了，我们来看你能创造什么”。

在教学中，老师首先要学会观察。一个皱眉、语气里的犹豫、突然的安静、坐姿、眼神、节拍器之外的呼吸，都可能透露学生真实的状态。

但和模型协作时，我们能依靠的主要是文字，而文字是有损的。模型不知道自己“在水里”，每次调用又像无状态重启；所以必须锚定它在哪里、目标是什么、环境是什么样。

Hunter 还用调音解释了反馈的重要性。新手乐手可能无法直接吹出 440 赫兹，但他可以听到两个音之间的拍频，也就是那种颤动，然后一点点把颤动消掉。

对应到Agent 系统，改善智能体有时不是要求它优化隐藏目标，而是设计一个能感知偏离的环境。不能只问“它会不会回答”，还要在它从“任务导向”漂向“取悦用户”时，及时中断。

Jason 的故事：不要只看当下表现

Jason 是 Hunter 曾经教过的一个学生。刚入学时，他安静、礼貌，演奏基础并不好，从五个梯队里的第四乐团起步。他知道自己哪里不对，但意识到问题，不代表能马上吹好。

四年后，Jason 有了两种成长。

在舞台上，他从第四乐团起步，后来坐到了第二乐团首席的位置；舞台之外，他成为乐队历史上第一位“后勤总监”，还写了一本 60 多页的技术手册。

如果只看演奏分数，就会错过Jason 真正的贡献。

那本手册覆盖出勤、器材、图书、士气、制服、后勤、资料等内容，是整个乐队项目如何运转的操作说明书。多年后，这份文档仍然在被使用。

这里真正重要的，不只是Jason 变强了，而是他留下了一个结构。这个结构让后来的学生可以继续协作。也就是说，一种智能最重要的输出，有时不是当下表现，而是它留下来的手册和组织方式。

Hunter 进一步把这类手册理解为一种“系统协议”。演出前看似琐碎的检查清单，比如袜子、头发、制服、乐器、水壶和铺谱本，本质上就像 preflight checklist 或 CI，是系统在执行前验证环境状态。

这也是Distributed Intelligence，分布式智能。一个 300 人的乐队，真正让系统运转的，不只是最会演奏的人。负责出勤、器材、制服、图书和后勤的人，可能不站在舞台中央，但没有他们，系统无法运行。

他们不是系统之外的辅助，他们就是系统本身。

Harness 不是包装，而是让 Agent 可用的运行框架

Hunter 最核心的观点是：我们常说模型是乐器，Prompt 是乐谱，但在智能体系统里，Harness 本身就是乐器。它决定模型能看见什么、能做什么动作、错了之后怎么恢复，以及智能如何真正变得有用。

如果说原始模型像一个独自在琴房里的天才，那么Harness 就是排练、分谱、section leader、房间、热身和指挥。没有这些结构，再有天赋的演奏者，也很难稳定进入合奏；没有 Harness，再强的模型，也很难稳定进入真实任务。

很多人把“模型对 Prompt 敏感”当作缺陷，但 Hunter 的理解恰恰相反：每件乐器都是敏感的。小号对气、口型、温度、信心、疲劳、房间混响都敏感。敏感不是附加缺陷，而是“可以演奏”这件事成立的原因。好的 Harness 不静默吞掉偏差，而是让偏差像拍频一样可被听见，再把它变成表达，而不是混乱。

这也解释了为什么Agent 不能一开始就被赋予无限权限。一个新生不会第一天就接管整个乐队，你会先给他一个角色，再给他更大的角色，然后是领导任务，最后才是对一套系统的负责。

AI Agent 也是一样：从只读，到规划，再到受约束的写入、测试、评审，最后才逐步承担更大的任务。整个过程，都应该发生在一个能观察、能中断、能恢复的 Harness 里。

所以，可能性不是天真的信任，而是结构化的信任。对开发者和企业来说，未来不只是追求更强的模型，而是学会设计敏感、可观察的Harness：让模型知道自己在哪里，能做什么，错了如何恢复，以及如何在真实工作流里与人、工具和系统协作。

好的AI Agent，不只是更会回答。它要被放进正确的运行框架里，才能把脆弱的智能，变成可重复的可能。