你可能已经搭建过聊天机器人，甚至接入了几个工具，做出了能演示的原型。
但当你想把它推向生产环境时，问题就来了：模型会忘记三步之前做过什么，工具调用会失败，上下文窗口塞满了无用信息。
问题不在模型本身，而在模型周围的一切。
LangChain 用一个实验证明了这点：
他们只改变了 LLM 的基础设施（模型和权重完全不变），在 TerminalBench 2.0 的排名就从 30 名开外跃升到第 5 名。
另一个研究项目让 LLM 自己优化基础设施，通过率达到 76.4%，超过了人工设计的系统。
这套基础设施现在有了正式名称：Agent Harness。
什么是 Agent Harness
这个术语在 2026 年初被正式确立，但概念早就存在。
Harness 是包裹 LLM 的完整软件基础设施：编排循环、工具、记忆、上下文管理、状态持久化、错误处理和安全防护。
Anthropic 的 Claude Code 文档直接说明：SDK 就是"驱动 Claude Code 的 Agent harness"。
OpenAI 的 Codex 团队也用同样的表述，明确把"Agent"和"Harness"等同起来，指代让 LLM 真正有用的非模型基础设施。
LangChain 的 Vivek Trivedy 给出了一个精准的公式："如果你不是模型，你就是 harness"。
这里有个容易混淆的地方。
Agent 是涌现出来的行为：那个有目标、会用工具、能自我纠错的实体，用户看到的就是它。
Harness 是产生这种行为的“机械装置”。
当有人说"我做了个 Agent"，实际意思是他做了个 Harness，然后把它指向了一个模型。
Beren Millidge 在 2023 年的文章《Scaffolded LLMs as Natural Language Computers》里给出了精确的类比：
原始 LLM 就像一个没有内存、没有硬盘、没有 I/O 的 CPU。
上下文窗口充当 RAM（快但有限），外部数据库充当硬盘（大但慢），工具集成相当于设备驱动，Harness 就是操作系统。
他写道："我们重新发明了冯·诺依曼架构"，因为这是任何计算系统的自然抽象。
三层工程
模型周围有三个同心圆层次的工程：
提示词工程：精心制作模型接收的指令。
上下文工程：管理模型看到什么、何时看到。
Harness 工程：涵盖前两者，加上整个应用基础设施：工具编排、状态持久化、错误恢复、验证循环、安全执行和生命周期管理。
Harness 不是提示词的包装器，它是让自主智能体行为成为可能的完整系统。
生产级 Harness 的 12 个组件
综合 Anthropic、OpenAI、LangChain 和更广泛的实践者社区的经验，一个生产级 agent harness 有 12 个独立组件。
1. 编排循环（Orchestration Loop）
这是心脏。
它实现思考-行动-观察（TAO）循环，也叫 ReAct 循环。
循环运行：组装提示词，调用 LLM，解析输出，执行工具调用，反馈结果，重复直到完成。
机械上看，通常就是个 while 循环。
复杂性在于循环管理的所有东西，而不是循环本身。
Anthropic 把他们的运行时描述为"哑循环"，所有智能都在模型里，harness 只管理回合。
2. 工具（Tools）
工具是 agent 的手。
它们被定义为模式（名称、描述、参数类型），注入到 LLM 的上下文中，让模型知道有什么可用。
工具层处理注册、模式验证、参数提取、沙盒执行、结果捕获，以及把结果格式化回 LLM 可读的观察。
Claude Code 提供六类工具：文件操作、搜索、执行、网络访问、代码智能和子智能体生成。
OpenAI 的 Agents SDK 支持函数工具（通过 @function_tool）、托管工具（WebSearch、CodeInterpreter、FileSearch）和 MCP 服务器工具。
3. 记忆（Memory）
短期记忆是单个会话内的对话历史，长期记忆跨会话持久化。
Anthropic 使用 CLAUDE.md 项目文件和自动生成的 MEMORY.md 文件，LangGraph 使用命名空间组织的 JSON 存储，OpenAI 支持由 SQLite 或 Redis 支持的 Sessions。
Claude Code 实现了三层层次结构：轻量级索引（每条约 150 字符，始终加载）、按需拉取的详细文件，以及仅通过搜索访问的原始记录。
一个关键设计原则：Agent 把自己的记忆当作"提示"，在行动前会对照实际状态验证。
4. 上下文管理（Context Management）
这是许多 agent 失败的地方。
核心问题是上下文腐烂：当关键内容落在窗口中间位置时，模型性能下降 30% 以上（Chroma 研究，斯坦福的"Lost in the Middle"发现也证实了这点）。
即使是百万 token 窗口，随着上下文增长，指令遵循能力也会退化。
生产策略包括：
压缩：在接近限制时总结对话历史（Claude Code 保留架构决策和未解决的 bug，丢弃冗余的工具输出）
观察遮蔽：JetBrains 的 Junie 隐藏旧的工具输出，但保持工具调用可见
即时检索：维护轻量级标识符，动态加载数据（Claude Code 使用 grep、glob、head、tail 而不是加载完整文件）
子智能体委托：每个子智能体广泛探索，但只返回 1000 到 2000 token 的压缩摘要
Anthropic 的上下文工程指南说明了目标：找到最小的高信号 token 集合，最大化期望结果的可能性。
5. 提示词构建（Prompt Construction）
这是组装模型在每一步实际看到的内容。
它是分层的：系统提示词、工具定义、记忆文件、对话历史和当前用户消息。
OpenAI 的 Codex 使用严格的优先级栈：
服务器控制的系统消息（最高优先级）、工具定义、开发者指令、用户指令（级联 AGENTS.md 文件，32 KB 限制），然后是对话历史。
6. 输出解析（Output Parsing）
现代 harness 依赖原生工具调用，模型返回结构化的 tool_calls 对象，而不是必须解析的自由文本。
Harness 检查：有工具调用吗？执行它们并循环。
没有工具调用？那就是最终答案。
对于结构化输出，OpenAI 和 LangChain 都支持通过 Pydantic 模型进行模式约束响应。
像 RetryWithErrorOutputParser（把原始提示词、失败的完成和解析错误反馈给模型）这样的传统方法仍可用于边缘情况。
7. 状态管理（State Management）
LangGraph 将状态建模为流经图节点的类型化字典，用 reducer 合并更新。
检查点发生在超级步骤边界，支持中断后恢复和时间旅行调试。
OpenAI 提供四种互斥策略：应用程序内存、SDK 会话、服务器端 Conversations API，或轻量级 previous_response_id 链接。
Claude Code 采用不同方法：git 提交作为检查点，进度文件作为结构化草稿本。
8. 错误处理（Error Handling）
这就是为什么这很重要：一个 10 步流程，每步 99% 成功率，端到端成功率仍然只有约 90.4%。
错误会快速复合。
LangGraph 区分四种错误类型：瞬态（带退避重试）、LLM 可恢复（将错误作为 ToolMessage 返回，让模型调整）、用户可修复（中断等待人工输入）和意外（冒泡用于调试）。
Anthropic 在工具处理程序内捕获失败，并将它们作为错误结果返回以保持循环运行。
Stripe 的生产 harness 将重试尝试上限设为两次。
9. 防护栏和安全（Guardrails and Safety）
OpenAI 的 SDK 实现三个级别：
输入防护栏（在第一个 agent 上运行）、输出防护栏（在最终输出上运行）和工具防护栏（在每次工具调用时运行）。
"绊线"机制在触发时立即停止 agent。
Anthropic 在架构上将权限执行与模型推理分离。
模型决定尝试什么，工具系统决定允许什么。
Claude Code 独立管理约 40 个离散工具能力，分三个阶段：项目加载时建立信任、每次工具调用前权限检查、高风险操作的明确用户确认。
10. 验证循环（Verification Loops）
这是区分玩具演示和生产 agent 的关键。
Anthropic 推荐三种方法：基于规则的反馈（测试、linter、类型检查器）、视觉反馈（通过 Playwright 截图用于 UI 任务）和 LLM 作为评判者（单独的子智能体评估输出）。
Claude Code 的创建者 Boris Cherny 指出，给模型一种验证其工作的方法，质量提高 2 到 3 倍。
11. 子智能体编排（Subagent Orchestration）
Claude Code 支持三种执行模型：
Fork（父上下文的字节相同副本）
Teammate（带有基于文件的邮箱通信的单独终端窗格）
Worktree（自己的 git 工作树，每个 agent 一个独立分支）。
OpenAI 的 SDK 支持智能体作为工具（专家处理有界子任务）和交接（专家获得完全控制）。
LangGraph 将子智能体实现为嵌套状态图。
循环运作：逐步演练
现在你知道了组件，让我们追踪它们如何在单个循环中协同工作。
步骤 1（提示词组装）：Harness 构建完整输入：系统提示词 + 工具模式 + 记忆文件 + 对话历史 + 当前用户消息。
重要上下文放在提示词的开头和结尾（"Lost in the Middle"发现）。
步骤 2（LLM 推理）：组装的提示词发送到模型 API。
模型生成输出 token：文本、工具调用请求，或两者都有。
步骤 3（输出分类）：如果模型产生了没有工具调用的文本，循环结束。
如果它请求了工具调用，继续执行。
如果请求了交接，更新当前 agent 并重启。
步骤 4（工具执行）：对于每个工具调用，harness 验证参数、检查权限、在沙盒环境中执行并捕获结果。
只读操作可以并发运行，变更操作串行运行。
步骤 5（结果打包）：工具结果格式化为 LLM 可读消息。
错误被捕获并作为错误结果返回，以便模型可以自我纠正。
步骤 6（上下文更新）：结果附加到对话历史。
如果接近上下文窗口限制，harness 触发压缩。
步骤 7（循环）：返回步骤 1，重复直到终止。
终止条件是分层的：模型产生没有工具调用的响应、超过最大回合限制、token 预算耗尽、防护栏绊线触发、用户中断，或返回安全拒绝。
一个简单问题可能需要 1 到 2 个回合。
复杂的重构任务可以在许多回合中链接数十次工具调用。
对于跨越多个上下文窗口的长期任务，Anthropic 开发了两阶段"Ralph Loop"模式：
初始化 Agent 设置环境（初始化脚本、进度文件、功能列表、初始 git 提交），然后编码 Agent 在每个后续会话中读取 git 日志和进度文件来定位自己，选择最高优先级的未完成功能，处理它，提交并写摘要。
文件系统在上下文窗口之间提供连续性。
真实框架如何实现这个模式
Anthropic 的 Claude Agent SDK 通过单个 query() 函数暴露 harness，创建智能体循环并返回流式消息的异步迭代器。
运行时是"哑循环"，所有智能都在模型里。
Claude Code 使用收集-行动-验证循环：收集上下文（搜索文件、读代码）、采取行动（编辑文件、运行命令）、验证结果（运行测试、检查输出），重复。
OpenAI 的 Agents SDK 通过 Runner 类实现 harness，有三种模式：异步、同步和流式。
SDK 是"代码优先"：工作流逻辑用原生 Python 表达，而不是图 DSL。
Codex harness 用三层架构扩展了这一点：Codex Core（agent 代码 + 运行时）、App Server（双向 JSON-RPC API）和客户端界面（CLI、VS Code、web 应用）。
所有界面共享同一个 harness，这就是为什么"Codex 模型在 Codex 界面上比在通用聊天窗口中感觉更好"。
LangGraph 将 harness 建模为显式状态图。
两个节点（llm_call 和 tool_node）通过条件边连接：如果存在工具调用，路由到 tool_node，如果不存在，路由到 END。
LangGraph 从 LangChain 的 AgentExecutor 演变而来，后者在 v0.2 中被弃用，因为难以扩展且缺乏多智能体支持。
LangChain 的 Deep Agents 明确使用术语"agent harness"：内置工具、规划（write_todos 工具）、用于上下文管理的文件系统、子智能体生成和持久记忆。
CrewAI 实现基于角色的多智能体架构：
Agent（围绕 LLM 的 harness，由角色、目标、背景故事和工具定义）、Task（工作单元）和 Crew（智能体集合）。
CrewAI 的 Flows 层添加了"具有智能的确定性骨干"，管理路由和验证，而 Crews 处理自主协作。
AutoGen（演变为 Microsoft Agent Framework）开创了对话驱动的编排。
其三层架构（Core、AgentChat、Extensions）支持五种编排模式：
顺序、并发（扇出/扇入）、群聊、交接和 magentic（管理器 agent 维护动态任务分类账，协调专家）。
脚手架隐喻
建筑脚手架是临时基础设施，使工人能够建造他们无法触及的结构。
它不做建造，但没有它，工人无法到达上层。
关键洞察：建筑完成后，脚手架会被拆除。
随着模型改进，harness 复杂性应该降低。
Manus 在六个月内重建了五次，每次重写都删除了复杂性。
复杂的工具定义变成了通用 shell 执行，"管理 agent"变成了简单的结构化交接。
这指向协同进化原则：模型现在在循环中使用特定 harness 进行后训练。
Claude Code 的模型学会了使用它训练时使用的特定 harness。
改变工具实现可能会降低性能，因为这种紧密耦合。
Harness 设计的"未来验证测试"：如果性能随着更强大的模型扩展而不增加 harness 复杂性，设计就是合理的。
定义每个 Harness 的七个决策
每个 harness 架构师都面临七个选择：
1. 单智能体 vs. 多智能体。
Anthropic 和 OpenAI 都说：首先最大化单个 agent。
多智能体系统增加开销（路由的额外 LLM 调用、交接期间的上下文丢失）。
仅当工具过载超过约 10 个重叠工具或存在明显独立的任务域时才拆分。
2. ReAct vs. 计划-执行。
ReAct 在每一步交织推理和行动（灵活但每步成本更高）。
计划-执行将规划与执行分离。LLMCompiler 报告比顺序 ReAct 快 3.6 倍。
3. 上下文窗口管理策略。
五种生产方法：基于时间的清除、对话总结、观察遮蔽、结构化笔记和子智能体委托。
ACON 研究显示，通过优先考虑推理轨迹而不是原始工具输出，token 减少 26 到 54%，同时保持 95% 以上的准确性。
4. 验证循环设计。
计算验证（测试、linter）提供确定性真相。
推理验证（LLM 作为评判者）捕获语义问题但增加延迟。
Martin Fowler 的 Thoughtworks 团队将此框架化为指南（前馈，行动前引导）与传感器（反馈，行动后观察）。
5. 权限和安全架构。
宽松（快但有风险，自动批准大多数操作）与限制性（安全但慢，每个操作都需要批准）。选择取决于部署环境。
6. 工具范围策略。
更多工具通常意味着更差的性能。
Vercel 从 v0 中删除了 80% 的工具，获得了更好的结果。
Claude Code 通过延迟加载实现 95% 的上下文减少。
原则：暴露当前步骤所需的最小工具集。
7. Harness 厚度。
harness 与模型中有多少逻辑。
Anthropic 押注于薄 harness 和模型改进。
基于图的框架押注于显式控制。
Anthropic 定期从 Claude Code 的 harness 中删除规划步骤，因为新模型版本内化了该能力。
Harness 就是产品
使用相同模型的两个产品，仅基于 harness 设计就可以有截然不同的性能。
TerminalBench 的证据很清楚：仅改变 harness 就使 agent 移动了 20 多个排名位置。
Harness 不是已解决的问题或商品层。
这是艰苦工程的所在：将上下文作为稀缺资源管理，设计在失败复合之前捕获失败的验证循环，构建提供连续性而不产生幻觉的记忆系统，以及在构建多少脚手架与留给模型多少之间做出架构押注。
该领域正朝着更薄的 harness 发展，因为模型在改进。
但 harness 本身不会消失。
即使是最有能力的模型也需要一些东西来管理其上下文窗口、执行其工具调用、持久化其状态并验证其工作。
下次你的 agent 失败时，别怪模型，看看 harness。