《Agent Harness 十二大模块完全解析》 把 2026 年初才被全球 AI 社区正式命名的 “Agent Harness”（包裹 LLM 的操作系统级基础设施）做了一次较完整的拆解。这个术语被单独命名本身就是信号——Anthropic、OpenAI、LangChain、Perplexity 这些团队都在疯狂加码的，不再是”更大模型”，而是模型外面那一圈原本没有名字、看不见的架构。
两个实验数据说透了这件事。LangChain 做过一次对照：完全不动模型权重和底层算法，只优化包裹 LLM 的 Harness，就让智能体在 TerminalBench 2.0 从 30 名开外冲到第 5。另一项研究让 LLM 自主优化 Harness 架构，通过率飙到 76.4%，吊打人工设计的系统。LangChain 的维韦克·特里维迪（Vivek Trivedy）说过一句话：“If you’re not the model, you are the Harness.” 所谓”搭建智能体”，本质上不是造一个会思考的 AI，而是搭一套 Harness 对接给模型。
把 LLM 当没有外设的 CPU
这个概念新鲜的地方在于用计算机架构做类比：裸的大语言模型是一颗没有内存、没有硬盘、没有外设驱动的 CPU，只有核心计算能力。上下文窗口（Context Window）是临时内存；向量数据库和长期存储是硬盘；工具集成（Tool Integration）是设备驱动；Agent Harness 就是让这一切协同工作的操作系统。贝伦·米利奇（Beren Millidge）2023 年 AI’s Scaffolding 说得更直接——“我们通过 Agent Harness 重新发明了冯·诺依曼架构”。由此引出三个易混层级：最底是提示工程（Prompt Engineering），只管指令；中间是上下文工程（Context Engineering），管模型在不同阶段能看到哪些信息；最上是 Harness 工程，包含前两层，还涵盖工具编排、状态持久化、错误恢复、验证循环、安全管控等全套基础设施。把 Harness 当”给提示词套个壳”是认知错位——它是玩具 Demo 与生产智能体的本质区别。
十二个模块分三层读
信息层：围绕 Context Rot 作战
上下文管理（Context Management） 是信息层的核心痛点，一个词概括——Context Rot（上下文腐烂）。斯坦福 Lost in the Middle 与 Chroma 实验相互印证：关键信息落在上下文中间时，模型性能暴跌 30% 以上，百万级 Token 也救不了。四招应对——压缩（摘要旧历史）、观察屏蔽（隐藏旧工具输出但保留调用记录）、即时检索（Claude Code 用 grep/glob/head/tail 精准提取）、子智能体委派（复杂任务拆给子智能体，只回 1000–2000 Token 摘要）。Anthropic 把目标讲得很准：“找到最小的高信噪比 Token 集合”。
记忆（Memory） 和 提示词组装（Prompt Assembly） 是另外两块拼图。Claude Code 的三级记忆是行业标杆——第一层轻量索引（单条约 150 字符）常驻内存，第二层主题文件按需加载，第三层原始交互记录只通过搜索访问；原则是”智能体不依赖记忆，而是把记忆当提示，行动前与实际状态核对”。提示词组装定义每轮推理看到的世界，标准顺序是系统提示 → 工具定义 → 记忆总结 → 对话历史 → 当前用户消息；OpenAI Codex 还叠了一层优先级栈，核心规则不会被对话历史淹没。
执行层：把”智能”和”流程”解耦
编排循环（Orchestration Loop） 是智能体的心跳，ReAct / TAO（Thought-Action-Observation）都是它的实现，代码上就是个 while 循环，复杂度全在循环管理的细节里。Anthropic 给自家循环起了个外号——“dumb loop”：所有智能决策让模型做，Harness 只负责按流程转场、调度任务。工具（Tools） 是智能体与现实世界交互的唯一途径，要做注册、Schema 校验、参数提取、沙箱执行、结果捕获。工具调用与结构化输出（Tool Calling & Structured Output） 是模型和 Harness 之间的通用语言——现代生产级 Harness 完全依赖原生 tool_calls 结构化对象，判断逻辑因此极简。子 Agent 编排（Subagent Orchestration） 让单体升级成集群，Claude Code 有三种模式——Fork（父上下文精确副本）、Teammate（独立终端面板通信）、Worktree（独立 Git 工作树）。初始化与环境搭建 把上述模块串成标准执行周期，终止条件多层：无工具调用、达到最大轮次、Token 预算耗尽、护栏触发、用户中断、安全拒绝。
可靠性层：兜住 10×99%=90% 的数学事实
错误处理（Error Handling） 面对一个残酷数学：10 步流程每步 99% 成功率，端到端只剩约 90.4%，错误滚雪球。LangGraph 的四类错误分法很典型——瞬时错误（网络、限流）带退避重试，模型可恢复错误（参数、逻辑失误）包成工具消息让模型自修，用户可修复错误（权限、配置）中断等人，意外错误直接抛出便于调试。Stripe 更保守：重试次数严格限制在两次以内，避免无限重试榨干资源。
状态与检查点（State & Checkpointing） 解决长周期任务崩溃后无法恢复的痛点。LangGraph 把状态建模为类型化字典，在”超级步骤”边界触发检查点，甚至能做时光倒流式调试；Claude Code 的思路则是直接拿 Git 提交当检查点，用进度文件当结构化草稿本。
验证与反馈（Verification & Feedback） 是玩具级和生产级的分水岭。Anthropic 推荐三种：基于规则（测试用例、Linter、类型检查）、视觉反馈（Playwright 截图验 UI）、LLM-as-Judge（独立子智能体做裁判）。Claude Code 创始人鲍里斯·切尔尼（Boris Cherny）给过明确数字——自我验证机制让输出质量提升 2 到 3 倍。护栏（Guardrails） 则是企业级安全红线，Anthropic 在架构上把”权限执行”和”模型推理”彻底解耦——模型只负责想”想做什么”，工具系统判断”能做什么”，Claude Code 独立管控约 40 种离散工具能力，高风险操作必须用户明确确认。
五大框架的哲学差异
五个主流框架模块趋同、哲学各异。Anthropic Claude Agent SDK 是薄 Harness 哲学的极致——运行时极简 dumb loop，Gather-Act-Verify 流程，状态靠 Git 提交；OpenAI Agents SDK 代码优先，原生 Python 写工作流，侧重快速落地生产；LangGraph 用显式状态图组织 llm_call / tool_node 加条件边，支持嵌套，适合复杂多分支长流程；CrewAI 基于角色做多智能体编排，智能体/任务/团队解耦，Flows 层做路由与验证；AutoGen（已演进为 Microsoft Agent Framework） 是对话驱动编排的开创者，覆盖顺序、并发、群组聊天、交接、Magentic 五种模式。没有绝对优劣，只有场景适配。
薄 Harness 才是未来
脚手架是临时基础设施，楼建成就拆——模型能力越强，Harness 的复杂度就应该越低。Manus 半年内重构五次，每次都在做减法：复杂工具定义简化为通用 Shell 执行，管理智能体简化为结构化交接，性能反而一路提升。背后是”共同进化”：大模型在后训练阶段会把特定 Harness 纳入训练循环，内化的能力越多，外面需要的封装就越少。好 Harness 的判据是能通过”面向未来的测试”——模型升级后性能自然跟涨，不必加 Harness 复杂度。
落到工程选型，几个绕不开的抉择：
- 单 Agent 还是多 Agent：先榨干单体再拆，只有工具重叠超 10 个或任务域明显分离时才值得
- ReAct 还是 Plan-Execute：ReAct 灵活但每步成本高；Plan-Execute 分离规划与执行，LLMCompiler 比顺序 ReAct 快 3.6 倍
- 工具范围：工具越多性能越差，Vercel 砍掉 80% 的工具后性能反而提升，只暴露当前步骤所需的最小工具集
- Harness 厚度：薄 Harness 信任模型，厚 Harness 靠代码控制逻辑；模型越强越应偏薄
Demo 流畅的智能体到生产就翻车，答案从来不是”模型不行”，而是 Harness 架构不够完善。两个一样的模型，Harness 设计不同，性能可能天差地别。2026 年的 AI 竞争早已不是模型参数的内卷，而是 Harness 工程的较量——怎么把上下文当稀缺资源管理、怎么设计拦截错误的验证循环、怎么构建无幻觉的记忆系统、怎么平衡脚手架与模型的能力，这才是 AI 工程化真正的硬骨头。