前面几章讲了 Harness 的静态部分：工具、上下文、环境。这一章讲它的动态部分——也是最容易被误解的部分：闭环。
从 Harness 角度，想提高使用 Agent 的效率，核心是为 Agent 构建一套可以自我开发、自我验证、自我测试、自我迭代的环境。
先别急，这里有个必须立刻澄清的误会。
不是模型在迭代，是工作在迭代
很多人一听「自我迭代」，以为说的是让 AI 自己训练自己、越用越聪明。不是。模型的参数从头到尾没变过——它今天和昨天一样聪明，既不更笨也不更聪明（为什么这很重要，第十四章会专门讲）。
迭代的是它手里的那件工作。写一版代码 → 跑一遍 → 报错 → 改 → 再跑 → 测试通过。模型还是那个模型，但代码从第一版烂稿变成了能跑的成品。就像同一个学生，把草稿改了三遍才交——他的智商没变，但分数变了。
大白话：闭环不是让 AI 变聪明，是让 AI 别交草稿。聪明程度不变，但允许它「写完自己检查一遍再交」，质量天差地别。
闭环的四个环节
一个完整的闭环长这样：
- 自我开发：Agent 做出一个东西——一段代码、一份分析、一个脚本。
- 自我验证：它自己检查这个东西对不对——代码能跑吗？数字对得上吗？
- 自我测试：它自己构造考验——边界情况行不行？换个输入还成立吗？
- 自我迭代：发现问题，回到第一步改，直到通过为止。
关键在最后一环往回跳的那个箭头。没有这个箭头，前面三步只是「做得比较仔细的许愿」。
闭环是基础设施，不是提示词
这是本章最想强调的一点：你需要能够让 Agent 完成一整个闭环，并且提供一套基础设施，让它完成这么一个闭环。
注意是「基础设施」，不是「指令」。你在提示词里写「请检查你的答案」，这不叫闭环——这只是让它「口头检查」。它说「检查过了没问题」，你信吗？它并没有真的跑一遍。
真正的闭环是物理的：Agent 写完代码，环境里真的有一个解释器能执行它，执行结果真的喂回给 Agent，失败了它真的能再改一版。每一个环节都是「真的发生」，而不是「嘴上发生」。这就是为什么闭环属于 Harness 而不属于模型——执行的机器、回传的管道、重试的机制，全在模型之外。
打个比方：你让员工「写完报告自己校对一遍」，和他桌上真的有一台能打印出校对稿的打印机、一支红笔、一套「改完才能归档」的流程——前者是许愿，后者是制度。闭环必须是制度。
闭环和多聪明没关系
一个反直觉的事实：闭环能补齐的，恰恰是不够聪明的部分。一个 80 分的模型配完整闭环，产出经常超过一个 95 分的模型裸跑——因为 95 分的模型也会犯 5 分的错，而闭环的作用就是在交付前把那 5 分抓回来。
这也是为什么本书后面会说：就算模型的智商从此冻结，我们的工作方式还有巨大提升空间。闭环就是最大的那个旋钮之一。
下一章换个角度，看一个 Harness 救场的极端案例：让反应以秒计的大模型，去玩反应以毫秒计的游戏。