當我們使用 Claude Code、Gemini CLI 或 OpenAI Codex 這類終端 AI 編碼代理時，表面上只是「打幾個字，模型就幫你改 code」。但背後真正讓這一切運作的，是一個被稱為 Harness 的執行框架——它負責組裝 prompt、調度工具呼叫、管控檔案權限、維護對話歷史，並在人類與 LLM 之間建立信任邊界。
本演講以實際動手拆解三大主流 coding agent 為主軸。首先，我們從 Gemini CLI 的 REPL 互動、SSE 串流與 MCP 整合出發，理解 harness 如何管理「模型說話 → 工具執行 → 結果回傳」的 Agent Loop；接著透過 OpenAI Codex 的 sandbox 分級與 permission 模型，看 harness 怎麼在「全自動」與「人工確認」之間劃線；最後藉由 Claude Code 的 trust 邊界、session 分支與 skill 系統，探討 harness 如何讓 agent 在跨 session 保持記憶、依指令自我約束。
為了從閱讀進化到實作，講者將這三套系統的核心設計提煉成一個 Rust 原生專案 GemiClawDex——以不到 5,000 行程式碼，重現 Agent Loop、8 個內建工具、多供應商切換、四級 sandbox、三級 permission prompt、coordinator 多代理協調，以及 MEMORY.md 持久化記憶等關鍵機制。透過這個「從零重寫」的過程，聽眾將能具體理解 harness 的五個核心層：指令載入、prompt 組裝、工具註冊、信任決策、session 持久化，並帶走一份可直接 cargo build 的參考實作。
無論你是想理解 AI coding agent 為什麼能改你的 code 又不會搞爆你的 repo，還是想自己打造一個，這場演講都能給你一張清晰的架構地圖。
