万字讲透Agent Harness的十二大模块:2026 年 AI 工程化最核心的基础设施
随着大模型能力跨过临界阈值,AI工程化的瓶颈已从模型本身转移至包裹其外的基础设施层。Agent Harness(智能体驾驭系统)正是这一层核心,涵盖了从提示词构建、工具调用到状态管理与安全沙箱的完整工程体系。LangChain团队在TerminalBench 2.0的测试数据显示,在底层模型不变的情况下,仅优化Harness即可将通过率从52.8%提升至66.5%。本文将系统解构Harness的十二大核心模块,分析主流框架的设计哲学,并探讨2026年AI工程领域的关键架构抉择。
01概念定义与演进
Agent Harness被定义为大模型之外的全部工程化基础设施。正如LangChain工程师Vivek Trivedy所言:“If you're not the model, you're the harness.” 从架构隐喻看,原始LLM是CPU,上下文窗口是RAM,外部数据库是磁盘,而Harness则是操作系统。AI工程化经历了三个阶段的演进:
1. Prompt Engineering(2022-2024):关注“怎么说”,优化交互指令。
2. Context Engineering(2025):关注“看什么”,系统管理记忆与状态。
3. Harness Engineering(2026):关注“怎么控”,整合全链路基础设施。
1. Prompt Engineering(2022-2024):关注“怎么说”,优化交互指令。
2. Context Engineering(2025):关注“看什么”,系统管理记忆与状态。
3. Harness Engineering(2026):关注“怎么控”,整合全链路基础设施。
02核心组件:十二大模块解构
- 1. 编排循环(Orchestration Loop)
Harness的心脏,实现Thought-Action-Observation(TAO)循环。包含Prompt组装、LLM推理、输出分类、工具执行、结果打包、上下文更新与循环重启七个步骤。Anthropic主张“薄Harness”哲学,认为所有智能应活在模型内部,循环仅负责管理轮次。 - 2. Ralph Loop(长期任务编排)
针对跨上下文窗口的长时间任务,采用“初始化代理+编码代理”两阶段模式。通过文件系统(如feature_list.json)提供连续性,即使上下文重置也能通过读取Git历史恢复状态。 - 3. 工具系统(Tool System)
包含Schema定义、权限门控与沙箱执行。生产实践遵循“少即是多”原则:Vercel移除80%工具后性能反升,Claude Code通过懒加载缩减95%上下文。建议当重叠工具超过10个时拆分Agent。 - 4. 记忆层次(Memory Hierarchy)
Claude Code采用三层结构:上下文内记忆(快速但易失)、外部文件记忆(memory.md指针索引)、项目级静态记忆(CLAUDE.md)。关键设计原则是“不信任记忆”,将记忆视为查询线索而非事实。 - 5. 上下文压缩(Context Compression)
应对“Lost in the Middle”现象,防止关键信息被淹没。策略包括剪枝、微压缩、上下文坍塌等。ACON研究显示,优先保留推理痕迹而非原始输出,可削减26%-54%的Token。 - 6. Prompt构建(Prompt Construction)
摒弃“泥球架构”,采用五层组装模型:基础人格层、角色指令层、工具定义层、上下文注入层、动态规则层。OpenAI采用优先级栈确保服务器指令高于用户指令。 - 7. 输出解析(Output Parsing)
演进至第三代“Grammar-Constrained Decoding”,在生成时数学上限制Token概率,实现近100%的Schema合规率。现代Harness依赖Native Tool Calling。 - 8. 状态管理(State Management)
LangGraph将其建模为类型化字典流,支持时间旅行调试与中断恢复。OpenAI提供多种持久化策略,而Claude Code利用Git提交作为检查点。 - 9. 错误处理(Error Handling)
鉴于多步流程的复合失败率极高,Harness必须假设错误必然发生。LangGraph区分瞬态、可恢复、用户可修复及意外错误,核心原则是绝不因单步失败终止循环,而是将错误包装后交由模型决策。 - 10. 安全防护(Guardrails)
OpenAI实现输入、工具、输出三层防护。核心原则是将权限执行与模型推理架构分离,确保被越狱的模型无法绕过代码路径上的权限检查。Stripe采用“宽容模式”,依赖完全隔离的实例保障安全。 - 11. 验证循环(Verification Loops)
区分“指南”(前馈引导)与“传感器”(反馈观察)。需避免“自我验证偏差”,将验证使命框架化为“找出问题”而非“确认修复”。 - 12. 子Agent编排(Subagent Orchestration)
包含Fork(并行副本)、Teammate(邮箱通信)、Worktree(独立分支)三种模式。多Agent系统在高度并行场景下效率显著,但增加了路由开销与上下文丢失风险。
03主流框架对比
| 框架/产品 | 代表方 | 核心设计哲学 | 关键特性 |
|---|---|---|---|
| Claude Code | Anthropic | 薄Harness(Dumb Loop) | 最小化编排,所有智能在模型;Git提交作为状态检查点;40+精细权限门控工具。 |
| Agents SDK | OpenAI | 代码优先(Code-First) | 工作流逻辑用原生Python表达;支持Handoffs与Agents-as-Tools;三层Codex架构。 |
| LangGraph | LangChain | 厚Harness(显式控制) | 状态图模型;支持时间旅行调试;强调可靠性与可审计性。 |
04生产实践案例
- OpenAI Symphony项目(2025.8-2026.3)
3名工程师,5个月时间,零行人工代码,由Codex Agent自主构建并交付超过100万行代码的生产级应用。核心发现是构建时间必须控制在1分钟以内,否则Agent生产力急剧下降。 - Stripe Minions系统
每周有超过1,300个完全由AI生成的Pull Request被合并,处理万亿美元级支付流水。采用“牛,而非宠物”架构,每个Agent运行在一次性AWS EC2实例中,拥有完整Shell权限。 - LangChain Deep Agents
在TerminalBench 2.0中,通过优化Harness(非模型),将排名从30名开外提升至第5名,通过率由52.8%增至66.5%。
05设计决策与争议
Harness厚度之争
Anthropic / OpenAI
Claude Code创作者称其为“最薄的包装”,秘诀全在模型。
复杂编排逻辑会随着模型进步迅速变成绊脚石。
随着新模型内化能力,应系统性删除Harness中的规划步骤。


LangChain / LlamaIndex
TerminalBench数据证明,同一模型下不同Harness排名相差25位。
AI价值的最大障碍是用户进行上下文和工作流工程的能力。
强模型缺乏良好Harness仍难以产生可靠价值。
社区目前倾向于“脚手架原则”:为移除而构建。合理的Harness设计应在替换为更强模型时无需增加复杂性即可提升性能。然而,现实情况是模型正在与特定Harness共同训练,这种紧耦合带来了微妙的工程挑战。对于开发者而言,2026年的核心启示是:当Agent失败时,应首先检查Harness的上下文管理、验证循环与工具设计,而非单纯归咎于模型能力。竞赛的主战场已从模型层转移至能够将原始智能转化为生产力的Harness工程层。
当前文章无评论,是时候发表评论了