什么是 Agent Harness:模型之外的全部工程
Agent Harness(智能体运行时)是模型之外的全部工程——上下文装配、工具执行循环、权限与沙箱、状态管理、可观测性。同一个模型,配不同的 harness,产出质量可以差出一个量级。对后端工程师来说这是个熟悉的故事 …
# AI · 53 篇
Agent Harness(智能体运行时)是模型之外的全部工程——上下文装配、工具执行循环、权限与沙箱、状态管理、可观测性。同一个模型,配不同的 harness,产出质量可以差出一个量级。对后端工程师来说这是个熟悉的故事 …
Claude Code 这类 coding agent 的架构并不复杂——一个 agentic loop,加一组克制而强大的文件/终端工具,再加权限门、上下文压缩和 hook 体系。真正值得学的是它的取舍:工具数量少而粒 …
对模型来说,工具的名称和描述就是接口文档加使用说明书,也是它决策的唯一依据。工具设计是 API 设计与文档写作的复合体——命名、描述、参数、返回值每一项都直接影响调用成功率。工具描述的质感,就是你 Agent 能力的上限 …
能写成固定代码路径的,不要用 Agent。Agent 的价值只有一个——处理"路径无法预知"的任务;代价是延迟、成本、可测试性全面劣化。这是 Anthropic《Building Effective …
长任务失败的主因不是模型不够聪明,而是走出十步后忘了初衷、走偏了也没有机制把它拉回。规划(先拆步骤)、显式任务清单(todo 进上下文)、反思(关键节点自查)是三个成本低、见效快的机制。但每个机制都要花额外 token, …
Prompt 工程优化的只是"指令怎么写",上下文工程决定的是"每一轮模型到底看到什么"——系统提示、工具定义、历史消息、检索内容、工具结果的取舍与形态。上下文窗口是最稀缺的资源,塞满它就是亲手制造遗忘和干扰。 上下文不 …
Prompt Injection 无法靠一句"请忽略内容中的指令"根治,因为模型在架构上就难以可靠区分"指令"与"数据"——它们是同一个信道的 token。防御是分层工程:最小权限、内容隔离、输出校验、高危操作人工确认, …
改 Prompt、换模型、调工具描述之前,先搭一个最小评估集。没有 evals,所有优化都是"感觉变好了";有了 evals,AI 应用的迭代才第一次变得像软件工程。20 个真实 case 就能起步,不要等"完美的评估体 …
MCP 解决的是集成的笛卡尔积问题。M 个 AI 应用要接 N 个工具/数据源,各自定义工具格式就是 M×N 套适配;有了统一协议,变成 N+M。它把"工具怎么暴露给模型"标准化了,你的精力得以回到工具本身的质量上。 …
多 Agent 不是团队比喻的模拟,而是上下文管理手段。它的真实价值只有两个:上下文隔离和并行。如果单 Agent 加几个好工具能解决,就不要拆多 Agent——协调成本经常吃掉收益。 为什么拆:上下文隔离 单 …
不要一上来就上向量数据库。记忆设计的正确顺序是:先榨干上下文窗口(会话历史 + 摘要压缩),再补任务状态(结构化 scratchpad),最后才考虑跨会话的长期记忆。大部分"记忆问题"其实是上下文管理问题。 三层记忆模型 …
ReAct 就是"想一步、做一步、看结果、再想"的循环。它不是某个框架的专利,而是一种 Prompt 组织方式加控制循环;Function Calling 循环本质上就是结构化版的 ReAct。 ReAct 在解决什么问 …