什么值得买App下载 App ›
连续签到专享现金活动

Agent = Model + Harness:决定 AI 系统表现的关键脚手架

Google Cloud AI 总监 Addy Osmani 提出了构建 AI Agent 的核心公式:Agent = Model + Harness。在这一公式中,大模型仅仅是系统的一个输入组件,而真正决定 Agent 实际表现与差异的,是围绕模型搭建的那整套“脚手架”(Harness)。过去两年,行业争论焦点多集中在模型智商、代码质量或幻觉率上,但这往往忽略了系统的另一半。工程实践表明,一个普通模型配合精心设计的 Harness,其稳定性往往优于顶级模型配合粗糙 Harness 的组合。因此,最具价值的工程工作正逐渐从模型选择转向模型周围系统的设计。
01Harness 的核心架构组成
Harness 并非单一工具,而是一套完整的系统环境。Claude Code、Cursor、Codex、Aider 等知名产品,本质上都是不同形态的 Harness。即便底层模型完全一致,用户体验的差异也主要源于 Harness 的设计差异。一个完整的 Harness 通常包含以下要素:
  • 系统提示词与工具描述:定义 Agent 的行为准则与能力边界。
  • 文件系统与沙箱:提供数据存储空间与隔离的安全执行环境。
  • 编排与中间件:管理子 Agent 的协作逻辑及处理流程钩子。
  • 记忆与搜索机制:实现跨会话的知识注入与信息检索。
  • 可观测性工具:用于监控和调试系统运行状态。
02基于失败信号的演化逻辑
Harness 工程的核心设计原则,是将每一次 Agent 的失败视为永久性的系统信号,而非可忽略的偶发事件。例如,当 Agent 提交了一个注释掉测试的 PR 时,不应仅做简单重试,而应在下一版系统文档(如 AGENTS.md)中明确写入“禁止注释测试”的规则,并在 pre-commit hook 中设置自动拦截,同时更新审核子 Agent 的规则集。每一条有效的系统提示词,本质上都应追溯到一次具体的历史失败教训。
03关键工程化设计模式

Harness 关键设计模式

状态与工具管理

确保系统的持久化与通用性

  • 利用文件系统和 Git进行持久化状态管理,确保每次改动可追溯。
  • 使用 Bash 作为通用工具层,无需为每个操作编写专用工具。
上下文与执行优化

对抗信息衰减与保障安全

  • 通过压缩、渐进式披露和工具调用卸载对抗上下文窗口腐烂。
  • 利用循环、规划和任务拆分支撑长时间的自主执行。
  • 采用沙箱机制保证所有操作在隔离环境执行,避免影响真实系统。
04从 LLM API 向 Harness API 转变
随着模型能力的提升,Harness 的需求并未消失,而是发生了转移。旧的脚手架负责防止模型“犯蠢”,而新的脚手架则用于应对模型能力拓展后带来的全新失败模式。因此,Harness 是一个活的系统,需随模型演化。目前行业正从“基于 LLM API 构建”转向“基于 Harness API 构建”,开发者通过 SDK 即可获得开箱即用的循环、工具、上下文管理及沙箱能力。在模型日益标准化的当下,围绕模型构建的扎实系统(Harness)才是真正的竞争壁垒。

评论

评论区空态插画

当前文章无评论,是时候发表评论了