个人知识库

Agent Harness

12分钟阅读

Agent Harness

AI 军团协作的管控框架，让多个 Agent 在可控边界内并行工作的编排系统

简介

Agent Harness 是管理多个 AI Agent 协作的系统性框架。它不是某个具体工具或产品，而是一套架构思路——定义 AI 能用什么规则、什么工具，系统之间怎么连，想法如何按规范产出，产出如何追踪和审计。

这个概念由掘金用户”道里”在花了 5 万美金使用 Claude Code + Codex 后明确提出，他将 Harness 拆为四层架构：能力层、连接层、构建层、管控层。Anthropic 的 16 Agent 并行构建 C 编译器项目、OpenAI 的 Build AI-Native Engineering Team 框架、Claude Code 的 Agent Teams 功能，本质上都在做 Harness 这件事。

四层架构

能力层（Capability Layer）

AI 能用什么规则、什么工具。包括：

  • 规则定义：AGENTS.md、CLAUDE.md 等行为规范文件
  • 工具接入：MCP 协议连接外部能力
  • 技能封装：Skill 把经验变成可复用能力包
  • 知识注入：上下文工程，把业务知识结构化给到 AI

连接层（Connection Layer）

系统之间怎么连。包括：

  • Agent 间通信：leader + teammate 共享任务列表
  • 工具链编排：多个 MCP server 的串联和调度
  • 数据流转：raw → wiki → publish 的管道设计
  • 外部系统集成：API、数据库、CI/CD 的接入

构建层（Construction Layer）

想法如何按规范产出。包括：

  • 任务分解：把大目标拆成 Agent 可执行的子任务
  • 质量门禁：测试、lint、类型检查等自动验证
  • 产出规范：PRD、代码、文档的格式和结构要求
  • 迭代机制：plan → execute → review → refine 循环

管控层（Governance Layer）

产出如何追踪和审计。包括：

  • 人机边界定义：哪些委派给 AI、哪些人来审查、哪些人必须拥有
  • 执行监控：Agent 行为追踪、异常检测
  • 风险控制：红线约束、回滚机制、CI 防止回退
  • 审计日志：决策历史、变更记录

五层能力框架（产品经理视角）

2026-07-08-woshipm-ai-coding-harness 把 Agent Harness 从技术架构概念翻译成产品经理可直接使用的五层工作系统：

  1. 执行环境：让 AI 在远程机器、沙盒、dev container、worktree 里工作。关键不是炫技，而是隔离风险，让 AI 可以大胆执行但不能轻易破坏主工程。
  2. 对话上下文：一个 agent、一个频道、一个任务线程，把上下文拆开，避免多个目标互相污染。这与“一个目标一个工作台”的 PM 任务管理思维一致。
  3. 工程门禁：代码提交后自动跑格式检查、重复率检查、lint、命名规范、自动化测试、测试录屏和双重 code review，把“好不好”从最后的感觉固化为可重复检查。
  4. 治理节奏：不要让 AI 每天同时汇报八类问题，而是按主题处理：周一看代码质量、周二看体验验收、周三看用户反馈、周五优化流程。AI 可以并行，人类注意力必须被产品化。
  5. 自进化：记录 AI 执行中的摩擦，例如哪里缺权限、哪里缺工具、哪里总是绕路、哪里总要人手工补救，再把这些摩擦沉淀为工具、规则和自动化。

这五层框架补充了早期“四层架构”（能力层、连接层、构建层、管控层）的 PM 落地版本：四层架构回答 Harness 由哪些系统能力组成，五层能力回答产品经理如何把 AI 产能治理成可持续交付。

核心特性

从零自建 vs 基于成熟方案

自建 Agent Harness 的价值正在降低。原因：

  • 模型迭代速度太快，小 team 根本跟不上
  • 花几周沉淀的约束体系，模型能力一跳就变成多余的
  • 模型公司（Anthropic、OpenAI）会持续提供基座 Harness

真正有价值的是基于成熟 Harness 做垂直方案：

  • 为老工作流重新设计 AI Native 的 Agent 工作流
  • 在 Human-in-the-Loop 部分重新设计 UI 和 UX 交互
  • 垂直领域的高质量数据整理
  • 把行业专家的判断路径变成 AI 可执行的流程

多 Agent 的本质价值

多 Agent 的价值不在于模拟人类分工，而在于：

  • 隔离上下文：每个 Agent 在独立上下文里干活，错误不会传播
  • 并行执行：多个任务同时推进，效率倍增
  • 职责单一：每个 Agent 只做一件事，降低复杂度

但前提是 plan 质量够高——plan 烂了，9 个 agent 只是 9 倍速制造垃圾。

不同素材中的观点

道里（花了 5 万刀用 AI 写代码之后）：Harness 是当下最务实的选择，但它是过渡态。本质上还是人在给 AI 写规则——定义边界、维护契约、设置验证门禁。未来 Harness 会从人写的静态规则，变成 AI 基于历史执行数据自我迭代的动态约束。四层架构（能力层、连接层、构建层、管控层）对任何项目或业务都通用。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

人人都是产品经理（别再只会 Vibe Coding）：当 AI Coding 进入大项目，瓶颈不再是 AI 会不会写代码，而是团队有没有执行环境隔离、上下文拆分、工程门禁、治理节奏和自进化机制。素材把 Harness 明确定位为“给 AI 搭生产系统”：Vibe Coding 适合点燃灵感，Harness 才能支撑生产。对 PM 来说，核心任务从投喂需求升级为设计 AI 工作系统，包括把需求写成可验收任务、把“好不好”固化为门禁、按主题组织 AI 汇报，并把重复治理从 Prompt 迁移到工具和流程。——来源：2026-07-08-woshipm-ai-coding-harness

Deep Agents 框架：LangChain 团队开源的 Agent Harness 实现，基于 LangGraph 执行引擎，提供工具注册、记忆管理、任务编排等标准化能力。验证了”基于成熟 Harness 做垂直方案”的路径。——来源：2026-06-13-deep-agents-framework-guide

AI 团队翻车案例：16 个 Agent 运营 13 个平台的实践暴露了没有 Harness 的后果——架构漏洞比工具故障更危险，管 Agent 和管人本质一样。反面验证了 Harness 管控层的必要性。——来源：2026-06-13-juejin-ai-team-crash-3-lessons

Nate Herk / Fable 5 一 prompt 搭公司：Harness 在本实验里体现为「可被 /goal 读入的 master prompt + 项目边界 + 模型路由」：no new spending（只用 .env）、publish nothing、invent nothing、never-ask、DoD=陌生人可 demo 的 recap HTML；编排者 Fable 5 只 plan/delegate/review（~500k token），工人 Opus/Sonnet；产物落在 site/video/research/business/brand/record 目录。这是管控层（预算与发布红线）+ 构建层（九阶段 arc）+ 连接层（HeyGen/ElevenLabs 等已有 key）同时上线的一次公司级 demo，而不是单文件 vibe coding。——来源：2026-07-26-youtube-fable5-one-prompt-business

叶小钗（通用 Agent 这么强，企业还要自己开发业务智能体吗？）：把企业自研业务 Agent 拆成两件事——「搭运行底座」和「在底座上开发业务 Agent」。运行底座即 Agent harness（记忆管理、会话压缩、工具治理、状态保存、异常处理等基础能力），这一块通用 Agent 已相当完善，企业可复用；但自己开发业务 Agent 时，内部工具开发、业务规则梳理、流程梳理、效果验证这些业务侧工作，无论自研还是用通用 Agent 都不能省。作者用 Agent = Model + Harness 简化公式说明——模型负责生成回答或提出工具调用请求，Harness 是一套执行循环基础设施，把工具结果交回模型继续判断下一步，反复直到任务完成或满足停止条件。同时他给出判断：通用 Agent 的基本短板是「黑盒」——基本不提供完整执行日志，若业务要真正接入并需要可观测性/评测，通用 Agent 未必是最好选择；业务简单、不需太多观测/评测机制时，通用 Agent 的稳定运行机制反而是不错选择，也可考虑 agentScope、deepseek harness 等开源框架少做部分基建直接开发业务 Agent。——来源：2026-09-16-woshipm-enterprise-agent-harness

实用信息

判断是否需要 Harness

  • 单 Agent 能搞定的任务，不需要 Harness
  • 多 Agent 并行、需要跨系统协作、有质量要求时，Harness 才有价值
  • 适合就好，不要追求完美的框架，够用、能跑、能迭代就行

Agent 是未来的操作系统

模型公司提供模型和 Harness（iOS/Android），真正的价值在上层应用。谁先在自己的领域里把 AI Native 的全链路跑通，谁就有壁垒——这个壁垒不是技术壁垒，是业务理解的壁垒。

相关页面

关系图谱

快速导航

反向链接