AI Agent学习：Harness工程——模型之外的Agent核心竞争力（李博杰《深入理解 AI Agent》1.2观后总结）

一、Harness工程的核心本质

基础Agent依靠大模型ReAct循环、上下文和工具，可以跑通演示Demo，但存在天然缺陷，容易出现模型幻觉、工具选错、异常无法自愈等问题。Demo可以运行不代表产品可用，而Harness工程就是补齐这些缺陷、让Agent适配生产环境的核心工程体系。

Agent存在两套核心公式，对应原型与生产两个阶段:

1.原型公式为Agent = LLM + 上下文 + 工具，仅能实现基础功能。

2.生产级公式为Agent = 模型 + Harness，将大模型作为智能核心，Harness作为模型外的全套工程支撑体系。

二者不是替代关系，而是互补关系，模型决定Agent能力上限，Harness决定Agent落地稳定性下限。

通俗理解，大模型是能力极强的野马，智力出众但不受管控。Harness相当于马具和运维保障体系，不提供智能能力，只负责约束、引导、纠错、兜底，让模型的能力可以稳定、合规、可靠地落地执行。

二、Harness五大核心能力

Harness由五大能力形成完整闭环，分为基础执行能力和安全保障能力，缺一不可，是生产级Agent稳定运行的核心支撑。
1.上下文是Agent的感知基础，核心原则是信息充分性。为模型每一轮决策提供完整、准确的参考信息，包含系统提示词、业务知识库、任务轨迹、状态信息等，避免因信息缺失导致决策失误。

2.工具是Agent的执行基础，核心原则是接口清晰。所有工具命名、参数、边界规则清晰直观，从源头减少模型误用，支撑Agent完成各类外部操作与业务落地。

3.约束是前置防控能力，遵循故障安全默认原则。所有高危、高阶操作默认关闭，需人工显式授权才可执行，提前划定Agent行为边界，杜绝越权、违规操作。

4.验证是事中校验能力，遵循输入隔离原则。仅采信工具返回的结构化数据，不依赖模型自由生成文本，有效规避提示注入、模型幻觉带来的结果造假问题，精准识别执行错误。

5.纠正是后置自愈能力，优先保障用户体验。工具调用失败时静默重试，不暴露残缺中间结果，连续报错时触发熔断机制，或转交人工处理，实现故障自动恢复与风险兜底。

简单总结，上下文和工具让Agent“能做事”，约束、验证、纠正让Agent“不做错事”。行业现阶段竞争重心已经转移，Claude Code等成熟项目的大部分工程代码，都集中在安全保障与故障自愈机制，而非基础能力实现。

三、AI工程范式五代演进

AI应用工程迭代层层嵌套、逐步拓展，每一代都覆盖前代能力，不断扩大工程优化的边界。

第一代是传统软件工程，为AI应用提供基础架构、开发、部署能力。第二代是提示工程，仅通过优化提示词提升模型输出效果。第三代是上下文工程，系统化管理模型可见的全部信息，补齐提示工程的短板。第四代是Harness工程，聚焦模型运行的整套系统环境，完善约束、校验、纠错等工程兜底能力。第五代是Loop工程，面向长周期、跨轮次的自主运转，解决长期任务规划与终止判定问题。

当前各大模型基础能力逐渐同质化，模型本身不再是核心壁垒。LangChain等案例证明，仅优化Harness工程体系，无需更换模型，就能大幅提升Agent任务成功率与稳定性，这也是Harness成为核心竞争力的关键原因。

四、Agent落地三大核心设计原则

基于Anthropic实战落地经验，成熟的生产级Agent必须遵循三大设计原则。

第一，保持简单。

优先采用最简方案，杜绝过度抽象和复杂框架。多余的封装会增加调试盲区与系统隐患，简洁的架构更易迭代、排错和维护。

第二，保持透明。

完整展示Agent的规划步骤、思考轨迹、执行日志和决策依据，拒绝黑箱设计。透明化既是调试需求，也是用户信任和持续优化的基础。

第三，适配Agent视角设计工具接口。

摒弃传统开发视角，以模型使用便捷性为核心，通过防呆设计从接口层面规避误用，避免接口缺陷被模型放大为系统性错误。