文章核心摘要

12 篇学习材料的渐进式学习体验。点击卡片展开核心概念，再点击"深入学习"获取完整内容、自检题和费曼检查。

学习进度0/12 篇

Day 1-2: Harness Engineering

未学习

Agent Harness 万字入门

Agent Harness 是包在 AI Agent 外面的「操作系统」，解决的不是推理问题，而是生产环境中的系统工程问题。Framework 管「造」，Harness 管「跑」。

入门中文概念80aj.com

展开详情

Harness 五大核心能力

• 状态持久化 — 中间产物落盘，出错可回滚（Anthropic 用 Git 管理状态）
• 上下文管理 — 压缩历史、按需注入 RAG、工具输出卸载到文件系统
• 安全隔离 — 请求拦截 → 权限核验 → 沙箱执行 → 结果脱敏 → 审计日志
• 自动验证 — Planner/Generator/Evaluator 多 Agent 反馈循环
• 人类监督（HITL） — 关键操作前设置暂停点

大厂路线

厂商	路线
Anthropic	Claude Code 内置 Harness + Git 版本管理
OpenAI	未来程序员设计 Harness 而非写代码
微软	企业治理全家桶
Google	Agent Identity + Trajectory Evaluation

生产化暴露的五大痛点

1. 中间崩溃全部白干 — 无存档点导致需要从头来
2. 上下文腐烂 — 早期信息被挤掉，Agent "忘事"
3. 工具调用失控 — 可能执行 DROP TABLE 等危险操作
4. Token 烧钱 — 无用信息占据上下文窗口
5. 这些都是工程问题，不是模型问题

关键发现

Vercel 删掉 80% 工具后 Agent 表现反而更好——少即是多。

Harness 是模型进化工厂：高质量行为轨迹成为后训练核心数据，从 RLHF 进化到 RLEF（基于环境反馈的强化学习）。

入门路径

建立概念(3天) → 拆解现有 Harness 如 Claude Code(1周) → 动手造最小 Harness(2周) → 进阶红队测试与评测

自检题

Agent Harness 主要解决的是什么类型的问题？

自检题

Vercel 对 Agent 工具的实验发现了什么？

费曼检查

用一句话向不懂技术的朋友解释：什么是 Agent Harness？

保存到浏览器本地，不会丢失

未学习

Harness Engineering 深度解析

瓶颈在基础设施，不在模型智能。Can.ac 实验仅改工具格式，Grok 从 6.7% 跳到 68.3%。上下文利用率超过 40% 后质量下降。

深度中文实践知乎

展开详情

四大支柱

支柱	要点
上下文架构	三层（常驻/按需/持久），利用率超 40% 后质量下降
Agent 专业化	专注特定领域的 Agent 优于全能通用 Agent
持久化记忆	进度持久化在文件系统，不在上下文窗口
结构化执行	思考与执行分离：理解 → 规划 → 执行 → 验证

业界六大共识

1. 基础设施是瓶颈
2. 文档必须是活反馈循环
3. 思考与执行分离
4. 上下文不是越多越好
5. 约束必须自动化
6. 工程师角色在转变

三大空白（未解决问题）

• 棕地项目改造 — 零成功案例，全是绿地项目
• 功能验证体系化 — 缺乏标准方案
• AI 生成代码的长期可维护性 — 未知

实操要点

• 上下文利用率控制在 40% 以下，塞太多反而让 Agent 变笨
• 自定义 Linter 错误消息里嵌修复指令，让工具边约束边教学
• 每次会话只做一个功能，完成后提交 git + 进度更新
• 先审查计划再让 Agent 写代码——审查计划比审查代码快得多
• 模型越强 Harness 越重要，不是等更好模型就能解决的事

自检题

上下文利用率超过多少后，Agent 的输出质量会下降？

费曼检查

为什么说「瓶颈在基础设施，不在模型智能」？举一个例子说明。

保存到浏览器本地，不会丢失

未学习

2025 Was Agents, 2026 Is Harnesses

AI 竞争的护城河已从模型质量转移到 Harness 架构。模型是引擎，Harness 是整辆车。

趋势英文战略Medium

展开详情

六大核心组件

1. 人类在环控制 — 关键操作（删库、支付）必须人工审批
2. 文件系统访问管理 — 定义边界和操作范围
3. 工具调用编排 — 正确排序，防止死循环
4. 子 Agent 协调 — 多专业化 Agent 协同
5. Prompt 预设管理 — 不同任务的指令库
6. 生命周期钩子 — 初始化、状态管理、重试

三大设计原则

• 最小干预 — 只在模型无法自我纠正时才介入
• 渐进式暴露 — 从受限开始，按需扩展权限
• 快速失败与恢复 — 快速检测问题，提供人工兜底

同模型，不同结果

• Manus 六个月内用相同模型重写了五次 Harness，每次可靠性显著提升
• LangChain 一年内重构了四次工作流架构
• Vercel 删除 80% Agent 工具后效果反而更好

实践建议

• 从单一端到端任务起步，不要一开始就搞复杂编排
• 全面日志记录，基于失败分析迭代改进
• 衡量结果而非活动指标——关注任务完成率，不是调用次数
• 构建生产级 Harness 需要数月甚至数年，这正是它能形成壁垒的原因

自检题

Manus 的案例说明了什么？

费曼检查

用汽车的比喻，解释模型和 Harness 的关系。

保存到浏览器本地，不会丢失

未学习

Philipp Schmid: The Importance of Agent Harness

Harness 即数据集。真正的竞争壁垒不是 prompt，而是捕获的运行轨迹数据。模型 = CPU，Harness = 操作系统。

DeepMind英文行业philschmid.de

展开详情

计算机类比

概念	对应
模型	CPU（原始算力）
上下文窗口	RAM（易失性内存）
Agent Harness	操作系统（管理上下文、引导启动）
Agent	应用程序

三条实践原则

• 从简单开始 — 提供原子化工具，让模型自己规划
• 为删除而构建 — 模块化，随时准备替换
• Harness 即数据集 — 壁垒是捕获的运行轨迹数据

Benchmark 的局限性

传统 benchmark 无法衡量长时间复杂任务中的可靠性。一个在标准测试中表现优异的模型，可能在连续运行一小时后就不再遵循初始指令。

Model Drift

模型在长时间使用后偏离指令的现象。Harness 捕获的轨迹数据（尤其是指令失败的轨迹）可反哺训练，提升模型持久性。

Bitter Lesson

引用 Rich Sutton 的经典论文：通用计算方法始终优于手写逻辑。Harness 必须保持轻量和模块化，以便在新模型出现时快速丢弃旧逻辑。

自检题

Philipp Schmid 认为真正的竞争壁垒是什么？

费曼检查

为什么 Harness 应该「为删除而构建」？什么时候该删除它？

保存到浏览器本地，不会丢失

未学习

Building AI Coding Agents（arXiv 论文）

OpenDev 终端编程 Agent 的架构设计：复合 AI 架构、五层安全纵深、懒加载工具发现。上下文压力是首要设计约束。

论文英文架构arXiv

展开详情

核心设计

• 复合 AI 架构 — 不同阶段（规划/编码/审查）独立选择最优模型
• 双模式运行 — Planner 子 Agent（只读）+ 全权限执行模式
• 双重记忆 — episodic memory（跨会话）与 working memory（当前迭代）分离
• 五层安全纵深 — Prompt → Schema 白名单 → 运行时审批 → 工具验证 → 生命周期 Hook

扩展 ReAct 循环

预检查 → 思考 → 自我批评 → 行动 → 工具执行 → 后处理

Context Engineering 作为一等公民

• 动态 System Prompt — 模块化、按优先级排序、条件激活，只加载相关指令
• 事件驱动提醒 — 检测连续失败/重复模式，注入定向引导，对抗指令衰减
• 自适应压缩 — 渐进式压缩旧对话，维持推理质量

懒加载工具发现

通过关键词评分的 MCP 发现机制按需加载外部工具，避免一次性列出所有工具导致 10K+ token 开销。

设计原则

• 审批持久化防止疲劳——记住用户已授权的操作模式
• 模型无关设计——架构与具体模型解耦
• 子 Agent 隔离——独立对话历史和工具权限

自检题

为什么要用「懒加载工具发现」而不是一次性列出所有工具？

费曼检查

解释「动态 System Prompt」和传统固定 System Prompt 的区别，以及为什么重要。

保存到浏览器本地，不会丢失

未学习

Harness Engineering 综述

学术综述：三大支柱（Context Engineering + 架构约束 + 熵管理）、Build-Verify Loop、Reasoning Sandwich。分级实施路线。

学术综述体系Tingde Liu

展开详情

三大支柱

1. Context Engineering — AGENTS.md/CLAUDE.md 确保 Agent 理解"该做什么"
2. 架构约束 — linting + 依赖分层强制"不能做什么"
3. 熵管理 — "垃圾回收"Agent 定期清理代码腐化

案例验证

案例	成果
OpenAI	5 月 100 万行代码，零人工编写
LangChain	52.8% → 66.5%，排名 30 → 5，未换模型
Stripe	每周 1000+ PR 合并

Build-Verify Loop

规划 → 构建 → 验证 → 修复，四阶段循环。"激进提示" 迫使 Agent 在声称完成后继续测试。

Reasoning Sandwich

规划/探索和最终验证阶段分配高推理深度，实现阶段用中等资源。

分级实施

• Level 1（个人）— 1-2 小时：基础 Harness.md + pre-commit hooks
• Level 2（小团队）— 1-2 天：共享 AGENTS.md + CI 约束
• Level 3（生产组织）— 1-2 周：自定义中间件 + 可观测性

工程师角色转变

从代码生产者转变为 AI 环境架构师。核心技能：系统思维、架构设计、规范编写、可观测性设计。

自检题

Reasoning Sandwich 的策略是什么？

费曼检查

解释「熵管理」在 Harness Engineering 中的含义，为什么需要「垃圾回收 Agent」？

保存到浏览器本地，不会丢失

未学习

What Is Harness Engineering（NxCode 完整指南）

AI 四大缺陷（无记忆、自信犯错、工具失控、错误放大）+ 五大支柱 + 实操六步法。

指南英文实操NxCode

展开详情

原始 AI 四大缺陷

1. 无会话记忆 — 每次任务从零开始
2. 自信地犯错 — 输出看似合理但实际错误
3. 工具访问无限制 — 可能删文件、泄露凭证
4. 规模化错误放大 — 多 Agent 并行时单点错误级联

五大支柱

支柱	关键
工具编排	定义可用工具和权限边界
护栏与安全约束	速率限制、校验等确定性规则
错误恢复与反馈回路	自动重试、死循环检测
可观测性	全量日志、token 追踪
人机协作检查点	高风险决策处人工审批

实操六步

1. 明确范围边界 — Agent 能做什么、不能做什么
2. 写配置文档 — AGENTS.md / CLAUDE.md
3. 建反馈循环 — 写-测-修
4. 先严后松 — 初始护栏从严，随信心增长放宽
5. 加日志 — 为排错和改进提供数据
6. 设审批检查点 — 高风险操作人工确认

自检题

为什么建议 Harness 的安全策略「先严后松」？

费曼检查

用「先严后松」的原则，描述你会如何给一个新 Agent 配置权限。

保存到浏览器本地，不会丢失

未学习

Building Long-Running Agent Harnesses

长时任务三大失败根因 + 核心突破：生成与评估分离（Evaluator Pattern）。三种架构模式按复杂度递增。

实战英文架构Atal Upadhyay

展开详情

长时任务三大失败根因

1. Context 焦虑 — 上下文填满后精度下降，Agent 倾向过早宣布完成
2. 自我服务偏差 — 模型为自己输出辩护而非批判性评估
3. 任务规格不足 — Agent 最小化解读需求，提前停止

核心突破：Evaluator Pattern

用独立评估 Agent 替代自我评估，被 prime 为"找问题"而非"辩护"。效果远超模型自评。

三种架构模式

模式	适用	组成
Simple Loop	短任务，明确 pass/fail	单 Agent + 硬校验
Generator-Evaluator Pair	中等复杂度	双 Agent 反馈循环 + rubric
Full Harness	多小时复杂项目	Planner + Generator + Evaluator + 进度追踪

演进原则

Harness 应随模型进步而简化。当更新的模型减少了 context 焦虑、提升了自主能力，多余的组件就从"安全护栏"变成了"技术债"。

自检题

Evaluator Pattern 的核心思想是什么？

费曼检查

解释为什么 Agent 的「自我评估」不可靠，以及 Evaluator Pattern 如何解决这个问题。

保存到浏览器本地，不会丢失

Day 3-4: MCP 协议

未学习

MCP Complete Guide 2026

MCP 是「AI 的 USB-C」— 将 N 个应用 × M 个工具的集成复杂度从 O(N*M) 降到 O(N+M)。

协议英文核心DEV Community

展开详情

三大角色

• Host — 发起连接的 AI 应用（Claude Desktop、Claude Code）
• Client — 连接管理器，协议协商和消息路由
• Server — 数据和工具提供者

三大原语

原语	方向	用途
Resources	Server → Client	暴露数据
Tools	Server → Client	暴露操作
Prompts	Server → Client	暴露模板

最佳实践

• 构建单一职责的 Server（文件系统、GitHub、PostgreSQL 各自独立）
• 所有操作 try-catch，返回错误标志而非抛异常
• 工具定义中详细描述参数和使用示例
• 实现速率限制防止资源耗尽
• 长操作用 streaming 提供增量反馈

生态现状

TypeScript SDK 最成熟，Python/Rust/Go 可用。Claude Desktop、Zed Editor、Continue.dev 原生支持。

自检题

MCP 解决的核心问题是什么？

费曼检查

用 USB-C 的比喻，向不懂技术的人解释 MCP 为什么重要。

保存到浏览器本地，不会丢失

Day 5: A2A 协议

未学习

Google A2A: Agent 互操作新时代

Agent 间协作的开放标准：Agent Card 能力发现 + Task 任务管理 + Artifact 输出产物。与 MCP 互补不竞争。

协议英文GoogleGoogle Developers Blog

展开详情

四大核心机制

1. 能力发现 — Agent 通过 JSON "Agent Card" 公布能力
2. 任务管理 — 支持即时和长时间运行（可持续数天）
3. 协作通信 — 交换上下文、回复、产出物和用户指令
4. UX 协商 — 支持 iframe、视频、Web 表单等多种 UI

MCP vs A2A

• MCP = Agent ↔ Tool（USB 接口）
• A2A = Agent ↔ Agent（HTTP 协议）

五项设计原则

• 拥抱 Agent 能力，不把 Agent 降级为"工具"
• 基于现有标准（HTTP、SSE、JSON-RPC）
• 默认安全，支持企业级认证
• 支持从秒级到天级的任务
• 模态无关（文本、音频、视频）

生态

50+ 合作伙伴：Atlassian、Salesforce、SAP、LangChain、MongoDB、Deloitte、McKinsey 等。协议已捐赠给 Linux Foundation。

自检题

MCP 和 A2A 的关系是什么？

费曼检查

用公司团队协作的比喻，解释 A2A 的 Agent Card 和 Task 概念。

保存到浏览器本地，不会丢失

未学习

Developer's Guide to AI Agent Protocols

六大互补协议全景：MCP（数据）+ A2A（通信）+ UCP（商务）+ AP2（支付）+ A2UI（UI）+ AG-UI（事件流）。

协议英文全景Google Developers Blog

展开详情

六大协议

协议	解决什么
MCP	数据连接（Agent ↔ 工具）
A2A	Agent 间通信
UCP	采购/商务流程标准化
AP2	支付授权与审计
A2UI	动态 UI 生成（18 种组件原语）
AG-UI	Agent 与前端的事件流

优先级建议

• MCP 是基础，优先级最高——解决"Agent 如何连接工具和数据"
• A2A 是多 Agent 关键——如果做多 Agent 系统必学
• UCP + AP2 解决商业交易场景
• A2UI + AG-UI 解决"最后一公里"——结果如何展示给用户

渐进式采用

按需求增长逐步引入协议，不要一次全部接入。所有示例基于 Google ADK。

自检题

如果你只能先学一个协议，应该是哪个？

费曼检查

用一个具体场景（比如自动下单），说明这六个协议如何配合工作。

保存到浏览器本地，不会丢失

Day 8: 架构

未学习

企业级 AI 四层黄金架构

RAG（知识）+ Agent（执行）+ MCP（连接）+ A2A（协调）= 从「回答问题」到「解决问题」的完整闭环。

架构中文企业zeeklog.com

展开详情

四层协同

L4  A2A    — 让多个 Agent「协作好」
L3  Agent  — 让 AI「能做事」
L2  MCP    — 让 AI「用好工具」
L1  RAG    — 让 AI「答得更准」

不是竞争关系，是协同体系。

实践建议

• 不要让单个 Agent 承载全部功能，通过 A2A 合理分工
• 标准化优先，采用 MCP 等标准协议降低技术债
• 知识层先行，企业落地先构建可信的 RAG 数据层
• 将常用能力封装为可复用的 Skills 模块
• 在 MCP 和 A2A 层面做好权限控制和全链路追踪

自检题

四层架构中，企业落地应该最先构建哪一层？

费曼检查

用你的站群项目为例，描述这四层架构分别对应什么。

保存到浏览器本地，不会丢失