给野马套上缰绳:Agent Harness 工程实践 ——从范式理论到钉钉AI招聘的真实落地

阿里妹导读


写在前面:这不是一篇"概念科普文"。它是写给所有正在被 Agent 折磨、又离不开 Agent 的开发者——那些一边惊叹于一晚上跑出一个像样的 PR、一边在凌晨三点回滚生产事故的人。

关于引用的一句郑重交代:文中所有第三方数据,已尽量回溯到原始博客或官方文章;个别行业流传的数字,无法核实到一手来源时,已经主动软化或删除,并明确标注。文章的工程判断与实战经验,来自我们团队的真实落地,不依赖任何二手转述。

(文章内容基于作者个人技术实践与独立思考,旨在分享经验,仅代表个人观点。)

一、共鸣时刻:

你是不是也经历过这些瞬间?

↑ 凌晨两点:屏幕上 "ALL TESTS PASSED",红色警告悄悄写着 "3 services deleted"——这就是这两年开发者最熟悉的"虚假胜利"瞬间。野马已经冲出了显示器,而你手里没有缰绳。

凌晨两点,你盯着屏幕。Agent 又一次"自信地"宣布任务完成——测试全绿、CI 全过、PR 描述写得无懈可击。你点开 diff,发现它把一个核心服务"重构"了,顺手删掉了三个它"不理解"的兼容分支。

或者,更扎心的场景:

  • 一个会话里它表现得像高级架构师,下一个会话像刚入职的实习生,因为它压根不记得上次干了什么。
  • 你给它配了 20 个 MCP 工具,它开始在工具列表里"逛超市",逛着逛着就忘了正在干嘛。
  • 它陷入死循环,把同一个错误反复"修复"了十几次,每次都换一种"自信"的说法。
  • 你写了一份 800 行的 AGENTS.md 教它做事,它读完前 200 行就开始幻觉。

如果你点头了——欢迎来到 Agent 的"实战时代"。这一年,AI 工程圈终于承认了一件事:

瓶颈不在模型够不够聪明,而在我们有没有把它"装"好。

这就是 Harness Engineering(驾驭工程)——Terraform / HashiCorp 联合创始人、Ghostty 终端作者 Mitchell Hashimoto 在他个人博客《My AI Adoption Journey》中系统阐述的工程范式 [1]。他给这件事的定义朴素到几乎是一句口号:

"anytime you find an agent makes a mistake, you take the time to engineer a solution such that the agent will not make that mistake again in the future."


——每当你发现 Agent 犯了一个错,就花时间工程化一个解,让它将来不再犯同样的错。

这句话本身就是 Harness Engineering 的全部精神:Agent 的每一次失败,都不是模型的问题,而是环境设计的债。

二、一个公式,看清楚 Agent 到底是什么

如果你只能记住这篇文章的一句话,请记住这个:

Agent = Model + Harness

这个公式后来被 LangChain 官方在《Improving Deep Agents with Harness Engineering》一文中作为标题级别的论断 [2]:模型负责推理,Harness 负责"剩下的所有事情"——工具系统、上下文管理、权限控制、反馈回路、记忆与协作。

这个公式的颠覆性在于它彻底改变了优化方向。最值得拿出来讲的一手案例,是 LangChain 自己做的实验:

案例
模型是否更换
关键动作
效果
LangChain × Terminal Bench 2.0
未更换
优化 Harness:自我验证 + 追踪 + 文档
排行榜 第 30 → 第 5;得分 52.8 → 66.5
Anthropic / Claude Code
未更换
把 Harness 当产品而非附属
已成为 Anthropic 的重要一级
业内流传的"小团队 × 大代码量"
未更换
主要靠工程化 Harness 提效
数字版本不一,本文不作为确定性引用

表格数据说明:LangChain 一行来自官方博客 [2],一手可查;Anthropic 一行为行业公认事实;"小团队"一行仅作现象记述,未核实到一手来源。

读到这里你应该意识到一件事:过去几年大量精力放在"换更强的模型"上,但真正的杠杆位置一直在模型之外。

三、范式的三次跃迁:你站在第几代?

↑ 三代范式的进化路径:从"对马喊话"到"给马看地图",再到"给马造高速公路"——这两年里,AI 工程的关注焦点完成了从「话术」到「环境」的彻底跃迁。

这是 AI 工程范式的进化时间轴,对照一下你团队的水位:

代际
范式
核心问题
形象对比
第一代
Prompt Engineering
怎么把话说清楚
对马喊话的技巧
第二代
Context Engineering
怎么给 AI 喂对信息
给马看的地图
第三代
Harness Engineering
怎么让 Agent 可控地工作
给马造高速公路,配护栏、限速牌、加油站

业内一个常被引用的类比是:模型是 CPU,Harness 是操作系统——CPU 再快,OS 拉胯也白搭。这就是为什么 Anthropic 的 Claude Code 能撑起它商业化的重要一极:本质不是更强的模型,而是更好的 Harness。

一张图看懂 Agent + Harness 五层运行时

把 Prompt、Context、Harness 三代范式落到系统层面,本质是一张"围绕 Model 展开的运行时全景图"。你可以把下面这张图当作后文所有铁律、模式、标杆案例的物理地图——每一条最佳实践,都对应图中的某一个位置。

图中两条线索值得反复回看:

  • 纵向五层:从 User Interaction 到 MCP,是一次用户请求在系统里流过的完整路径。Workspace 以一个横跨能力层与执行层的容器出现,它不是"某一层",而是所有层次共享的状态基座。
  • 左侧 HARNESS 竖栏:Context Engineering / Architecture Constraints / Feedback Loop / Entropy Management,是把"野马"变成"可生产系统"的四根护栏,垂直穿透每一层。真正成熟的团队,不是在某一层做得特别花哨,而是四根护栏在五层里都有落点。

带着这张图往下读,每一条铁律你都能在上面找到坐标。

四、核心精髓:四条"反直觉"的铁律

↑ 四张卡片就是后文所有工程模式的"DNA":上下文要少、Agent 要专、状态要落盘、约束要可执行。每一条都和工程师的本能反着来——而这正是它们值钱的原因。

读了几十篇文章、踩了三个月坑之后,我把 Harness 的精髓提炼为四条反直觉的铁律。之所以"反直觉",是因为它们都和工程师的本能背道而驰。

先用一张表看全貌,再逐条展开:

铁律
本能反应
Harness 真相
一
信息越多决策越准
上下文越少越好,稀缺资源要精挑
二
一个超级 Agent 全包
专才 Agent 永远赢过通才 Agent
三
让 Agent "记住"任务进展
状态要写文件,不要塞上下文
四
把规则写进 AGENTS.md 读给它
能写成 Linter 的约束,别停留在文档

铁律一:上下文越少越好(不是越多越好)

工程师本能:信息越多决策越准。
Harness 真相:**上下文是稀缺资源,会被污染、会相互干扰、会让模型"逛超市"**。

业内多个团队的实测都指向同一个方向:长上下文窗口在实际使用比例超过一定阈值之后,模型的准确率会显著下降——具体阈值因模型、任务、Prompt 结构差异很大,并不存在一个放之四海皆准的"百分比"。

启示:不要把"模型支持 200K"当成"可以塞 200K"。给 Agent 的上下文,必须像 Code Review 一样精挑细选。

铁律二:专才 Agent 永远赢过通才 Agent

工程师本能:"我做一个超级 Agent,什么都会,不就搞定了?"
Harness 真相:通才 Agent 在工具列表里"逛超市",永远跑不过一组职责清晰的专才。

LangChain 在 Terminal Bench 实验里给了一条非常具体的经验:把任务拆给专门的 Sub-Agent,并为每个 Sub-Agent 只装载它真正需要的工具,是排名从第 30 冲进第 5 的关键改动之一 [2]。

启示:Agent 是昂贵的,Skill 是廉价的 [3]——能用 Skill 解决的就别新增 Agent。

铁律三:状态要写文件,不要塞上下文

工程师本能:让 Agent "记住"任务进展。
Harness 真相:上下文是易失存储,文件系统才是持久内存。

成熟的 Agent 系统遵循一个简单原则:Workspace 是真相,Context Window 只是当前工位。任务中间结果、Agent 间协作、跨会话延续、审计回放,全部走文件系统。

启示:把 Workspace 当成"Agent 的 Git 仓库"——每一步操作都可回放、可审计、可断点续传。

铁律四:能写成 Linter 的约束,别写成文档

工程师本能:把规则写进 AGENTS.md 让 Agent 自己读。
Harness 真相:**文档只是"建议",Linter / CI 才是"强制"**。

Mitchell Hashimoto 在他自己的 Ghostty 项目里就给了一个非常硬核的实践:AGENTS.md 里每一条规则,背后都对应一个真实失败案例;而能写成静态检查 / CI 拦截的规则,绝不让它停留在自然语言里——因为自然语言可以被模型"创造性解读",代码不能 [1]。

启示:把规则编码为机器可执行的约束,比"再写一段更详细的 Prompt"更可靠十倍。

五、Context Engineering 的"工程化":

从"喂信息"到"控信号"

Harness Engineering 不是 Context Engineering 的对立面,而是它的工业化升级。同样是"给模型对的信息",工程化版本要做四件事:

工程化动作
具体要求
结构化
让上下文有 schema(任务类型、阶段、当前焦点),而不是塞一大段自由文本
分段化
按"系统约束 / 任务定义 / 当前状态 / 工具签名 / 历史摘要"分槽位写
可回放
每一次上下文构造都可重放、可 diff —— 这是 Bug 复现的基础
可审计
保留"为什么这一条信息出现在 Agent 面前"的来源链,便于追责和调优

一旦上下文变成可审计的"输入信号",你就从"调 Prompt 的玄学"进入了"调系统的工程"——这是 Harness 工程师和 Prompt 工程师最大的分水岭。

六、六大工程模式:

Harness Engineering 的"设计模式手册"

如果说前面的铁律是"心法",下面六个就是"招式"。它们都已经被多家团队在生产环境验证过,可以直接抄。先给一张索引表,每一行对应下面的一个小节:

模式编号
模式名
解决的核心问题
1
双阶段架构(Init + Exec)
跨会话延续、不依赖单次 Context Window
2
工具签名即文档
Agent 选错工具
3
Sub-Agent 隔离
上下文污染 & 工具选择空间爆炸
4
上下游反压
无限循环、错误无法自我修复
5
智能体审智能体
自我合理化、偏见无法被同一 Context 识别
6
熵管理与文档园丁
代码库与文档随时间腐化

模式 1:双阶段架构(Initializer + Executor)

Anthropic 在 Claude Code 的实践中给出了一个被广泛复用的模板:把任务拆成两段——

Initializer Agent:理解任务 → 制定计划 → 写入 plan.md → 退出                                        ↓Executor Agent   :读取 plan.md → 按步执行 → 跨 Context Window 接力

两个 Agent 不共享 Context Window,只通过 Workspace 里的 plan.md 接力。这样做的好处:任务可以跨多次会话延续,不依赖任何一个会话的记忆。

模式 2:工具签名即文档

(Tool-Signature-as-Doc)

Agent 选错工具的最大原因,不是工具太多,而是工具签名写得像一坨胶水。成熟团队的做法:

  • 工具名是动词短语,一眼能读懂:"query_calendar" 而不是 "tool_03"。
  • 参数 schema 里每个字段都带 description,且描述里说清"什么时候用、什么时候别用"。
  • 返回值结构稳定,Agent 不需要每次猜格式。

LangChain 在 Terminal Bench 实验里专门提到:仅仅改善工具描述与返回结构,就能带来可观的准确率提升 [2]。

模式 3:Sub-Agent 隔离

(Context-Isolated Sub-Agent)

复杂任务交给 Sub-Agent,**但关键不是"拆",是"隔离"**:

  • 每个 Sub-Agent 有独立 Context Window,不污染主上下文。
  • 每个 Sub-Agent 只看到自己需要的工具,看不到全集。
  • 主 Agent 只接收 Sub-Agent 的结构化输出,不接收它的中间思考。

模式 4:上下游反压

(Upstream-Downstream Backpressure)

防止 Agent 陷入无限循环的工程范式:

上游:给确定性设置 + 一致上下文   │   ▼Agent 执行   │   ▼下游:测试 / 类型检查 / Lint / CI 拒绝无效工作   │   ▼错误信号回传 → 上游调整

关键细节:Linter 的错误信息本身就是上下文工程。它不只说"违反规则 X",而…

— 以上为试看内容(约 40%),开通会员后阅读全文 —