AI Agent Harness 六大组件全解析

来源信息

核心公式

Agent = Model + Harness

模型提供智能，Harness 让智能变得有用。

如果你不是模型本身，那你就是 Harness 的一部分。

关键洞察：过去两年行业聚光灯在模型上，但真正在生产环境创造价值的是 Harness。Harness 的工程空间还几乎未被充分探索——这才是 AI Agent 真正的竞争壁垒。

裸模型的四大硬伤

硬伤 缺失能力 Harness 对应组件
无法维持跨会话状态 长期记忆 文件系统 + 记忆（AGENTS.md）
无法执行代码 行动能力 Bash + 沙箱
无法获取实时知识 感知能力 Web Search + MCP
无法搭建工作环境 环境操控 文件系统 + 上下文工程 + 编排

Harness 六大组件详解

1. 文件系统——最基础的原语

核心能力：

  • 工作空间与中间结果存储（突破上下文窗口限制）
  • Agent 协作的基础（共享白板）
  • 版本追踪与错误回滚（Git 集成）

关键洞察：文件系统 + Git 给了 Agent"试错"的能力。没有这个能力，Agent 只能小心翼翼地走；有了这个能力，Agent 可以大胆尝试——反正随时可以回滚。

设计原则：

  • 目录结构要清晰且约定俗成
  • 文件粒度要适中（一个文件对应一个模块/职责单元）
  • 元数据要丰富（文件名、README、ADR）

2. Bash + 沙箱——让 Agent 从"说"到"做"

自我验证循环：写 → 跑 → 看 → 修 → 再来

实际效果：具备自我验证循环的 Agent，编程任务完成率比"一次性生成"高出 40%–60%。

为什么必须沙箱：

  • 资源限制（CPU、内存、磁盘）
  • 网络隔离
  • 文件系统隔离
  • 超时机制

技术选型：

  • Docker 容器（主流，隔离性好）
  • gVisor / Firecracker（轻量，毫秒级启动）
  • WebAssembly（边缘场景）
  • Nix / 纯函数式环境（声明式，环境一致性）

3. 记忆（AGENTS.md）——不改权重也能给模型加知识

工作机制：

  • 写入阶段：Agent 将工作中产生的知识写入 AGENTS.md
  • 存储阶段：文件存于项目目录，人类可阅读编辑
  • 注入阶段：下次启动时自动注入上下文

核心等式：上下文注入 = 不改权重给模型加知识

最佳实践：

  • 层次化存放（根目录全局知识 + 子目录局部知识）
  • 结构化书写（项目架构、技术约束、编码规范、已知陷阱、决策记录）
  • 定期清理（过时知识比没有知识更危险）
  • 双向可编辑（人类与 Agent 的知识契约）

4. Web Search + MCP——突破知识的"时间牢笼"

Web Search 解决的问题：

  • 查询构建（自然语言 → 精准搜索关键词）
  • 结果筛选（过滤低质量来源）
  • 内容提取（提取核心内容）
  • 信息整合（处理冲突、去重、排序）

MCP（Model Context Protocol）：

  • Anthropic 2024 年底推出的开放协议
  • "AI 世界的 USB 接口"
  • 让 Agent 能连接数据库、内部 Wiki、Jira、GitHub、监控系统等

协同效应：

MCP 连接监控系统 → 获取错误日志
MCP 连接代码仓库 → 查看相关代码和变更历史
Web Search 搜索错误信息 → 查找社区解决方案
MCP 连接项目管理工具 → 检查已知问题
Agent 综合所有信息 → 生成修复方案并提交 PR

5. 上下文工程——对抗 AI 系统的"熵增"

Context Rot（上下文腐烂）问题：

  • 信噪比下降（重要信息被冗余内容淹没）
  • 矛盾信息累积（早期决定被推翻但旧信息仍在）
  • Token 浪费
  • 推理质量退化（"大海捞针"问题）

核心策略：

  • 压缩：定期摘要压缩历史上下文
  • 工具输出卸载：大输出存文件，上下文只保留摘要
  • Skills 渐进加载：按任务阶段动态加载知识
  • 分层上下文结构：核心层（始终保留）/ 工作层（按需更新）/ 历史层（逐渐压缩）

关键地位：上下文工程是 Harness 的"元能力"，影响所有其他组件。Harness 本质上就是好的上下文工程的交付机制。

6. 编排 + Hooks——让单兵作战变成集团军

编排解决的问题：

  • 子 Agent 调度
  • 任务分发
  • 模型路由（成本/质量平衡）
  • 结果聚合

编排模式演进：

  • 线性管道（Sequential Pipeline）
  • DAG 编排（Directed Acyclic Graph）
  • 动态编排（Dynamic Orchestration）
  • 层级编排（Hierarchical Orchestration）

Hooks 的作用：注入确定性

  • Lint 检查
  • 续接（Continuation）
  • 格式约束
  • 安全过滤
  • 成本控制

核心价值：用确定性规则约束概率性模型输出。"概率性生成 + 确定性校验"是当前 Agent 工程最有效的质量保障策略。

System Prompt：贯穿所有组件的"神经系统"

四个角色：

  1. 定义角色边界（"你是谁"和"你不是谁"）
  2. 注入领域知识（零成本第一入口）
  3. 约束安全规则（第一道防线）
  4. 贯穿所有组件（影响文件系统、Bash、记忆、搜索、上下文、编排）

关键洞察：写 System Prompt 就是在设计 Harness 的行为规范。一个好的 System Prompt 就像一部好的公司章程——它不直接做任何事，但它决定了所有事怎么做。

深度总结

核心矛盾

Harness 设计本质是在解决以下矛盾：

矛盾 解决方案
模型概率性输出 vs 工程确定性要求 Hooks 兜底检查
上下文窗口有限 vs 任务信息量大 文件系统 + 上下文工程
知识静态固化 vs 世界动态变化 Web Search + MCP
单 Agent 能力有限 vs 任务复杂度高 编排 + 多 Agent 协同
模型无记忆 vs 工作需要连续性 AGENTS.md 记忆机制

工程启示

  1. 模型决定下限，Harness 决定上限 —— 不要急着换更强模型，先优化 Harness
  2. 试错能力是核心 —— 文件系统 + Git + 沙箱让 Agent 敢于尝试
  3. 上下文是元能力 —— 所有组件本质上都在解决"如何在正确时间把正确信息送到模型面前"
  4. 确定性约束概率性 —— Hooks 用规则兜住质量底线