11

2026-04-30 08:42:33 +08:00
parent 34590c05b7
commit ff654b91f2
2 changed files with 386 additions and 0 deletions
--- a/Engineering最佳实践_深度解析AgentHamness的底层原理_核心组件和实战应用学不会我_BV1Hn9UBrEsH_P1_笔记.md
+++ b/Engineering最佳实践_深度解析AgentHamness的底层原理_核心组件和实战应用学不会我_BV1Hn9UBrEsH_P1_笔记.md
@@ -0,0 +1,320 @@
+# Harness Engineering 最佳实践：Agent Harness 底层原理、核心组件与实战应用
+
+## 目录
+
+1. [AI 工程师的岗位分层体系](#1-ai-工程师的岗位分层体系)
+2. [大模型应用的三层进化范式](#2-大模型应用的三层进化范式)
+3. [Prompt Engineering：让模型"会说"](#3-prompt-engineering让模型会说)
+4. [Context Engineering：解决上下文膨胀问题](#4-context-engineering解决上下文膨胀问题)
+5. [Agent Harness 核心架构](#5-agent-harness-核心架构)
+6. [Harness Engineering 的工程实践](#6-harness-engineering-的工程实践)
+
+---
+
+## 1. AI 工程师的岗位分层体系
+
+### 1.1 三层架构概述
+
+在 2026 年，AI 工程师可分为三个层级，每个层级有明确的技术侧重点：
+
+| 层级 | 定位 | 核心职责 | 技术侧重 |
+|------|------|----------|----------|
+| **AI 产品化** | AI 产品经理、AI 解决方案架构师 | 发现 AI 价值场景，重塑业务流程 | 业务分析、产品设计 |
+| **AI 应用层** | AI 应用工程师、大模型应用开发 | 业务方案落地，AI 赋能场景 | Prompt Engineering、Context Engineering、RAG |
+| **AI 大模型算法层** | 模型研发工程师 | 提升模型垂直能力 | SFT 微调、RLHF 对齐、安全护栏 |
+
+### 1.2 各层级的核心差异
+
+**AI 产品化层**：
+- 聚焦于找到 AI 的价值场景
+- 重新定义业务产品线
+- 属于业务与产品方向
+
+**AI 应用层**（Harness Engineering 的落地层）：
+- 偏业务 + 方案落地
+- 利用开源模型构建垂直应用
+- 2026 年最稀缺、最具机会的方向
+
+**AI 大模型算法层**：
+- 不做基座模型（GPT-4、Qwen3.6 等基座由大厂完成）
+- 聚焦于模型的**垂直能力提升**
+- 包括：
+  - **SFT 微调**（Supervised Fine-Tuning）
+  - **RLHF**（Reinforcement Learning from Human Feedback）
+  - **对齐训练**（Alignment）
+  - **安全护栏**（Safety Guardrails）
+
+### 1.3 职业选择建议
+
+```
+技术背景 → AI 应用层（最佳入场点）
+产品背景 → AI 产品化层 → 可延伸至应用层
+算法背景 → AI 大模型算法层
+```
+
+> **核心观点**：2026 年是**大模型应用落地**的关键年份，大多数人的机会在于 AI 应用层。
+
+---
+
+## 2. 大模型应用的三层进化范式
+
+从时间维度看，AI 应用开发经历了三个阶段的范式转变：
+
+```
+2022-2024：Prompt Engineering 时代
+    ↓
+2025：Context Engineering 时代
+    ↓
+2026：Agent Harness / Harness Engineering 时代
+```
+
+---
+
+## 3. Prompt Engineering：让模型"会说"
+
+### 3.1 时间窗口
+
+2022 年 11 月 ChatGPT 发布后成为焦点
+
+### 3.2 核心问题
+
+**解决"如何说"的问题**——如何更好地与模型沟通，让模型生成更高质量的回答。
+
+### 3.3 技术特征
+
+- 单对单对话模式
+- 用户输入一句话，模型返回一句话
+- 关注点：如何编写有效的 Prompt
+
+### 3.4 典型场景
+
+```
+用户 → Prompt → LLM → Response
+```
+
+---
+
+## 4. Context Engineering：解决上下文膨胀问题
+
+### 4.1 时间窗口
+
+2025 年
+
+### 4.2 核心问题
+
+随着 Agent 开发引入工具调用（如 MCP 协议），上下文窗口中的内容越来越多，导致模型能力反而下降、**幻觉（Hallucination）** 问题加剧。
+
+### 4.3 核心目标
+
+**解决"有什么"的问题**——让模型清楚地知道当前拥有哪些信息。
+
+### 4.4 关键概念
+
+**Context Window（上下文窗口）**：
+- 多轮对话的执行过程中，所有历史信息都存储在上下文窗口中
+- 当内容越来越多时，模型会出现"迷失"现象
+
+**迷失问题（Lost in Context）**：
+- 模型在大量上下文中无法准确识别关键信息
+- 导致：
+  - 响应质量下降
+  - 幻觉增加
+  - 任务执行失败
+
+### 4.5 Context Engineering 的职责
+
+| 问题 | 解决方案 |
+|------|----------|
+| 上下文过长 | 上下文压缩、摘要 |
+| 信息混乱 | 结构化组织、分类管理 |
+| 关键信息被淹没 | 关键信息突出、检索增强 |
+
+---
+
+## 5. Agent Harness 核心架构
+
+### 5.1 官方来源
+
+本文档基于 **LangChain 团队**发布的关于 Agent Harness 的官方博客，是全球最懂 Agent 的团队发布的系统性技术文档。
+
+### 5.2 Agent Harness 的定位
+
+**Harness** 的本意是"驾驭、利用"，Agent Harness 即对 Agent 的工程化驾驭框架。
+
+### 5.3 核心架构体系
+
+```
+┌─────────────────────────────────────────┐
+│           Agent Harness                │
+├─────────────────────────────────────────┤
+│  ┌─────────────┐  ┌─────────────────┐   │
+│  │   规划层    │  │     执行层       │   │
+│  │  Planning  │  │   Execution     │   │
+│  └─────────────┘  └─────────────────┘   │
+│  ┌─────────────┐  ┌─────────────────┐   │
+│  │   工具层    │  │     记忆层       │   │
+│  │   Tools    │  │     Memory      │   │
+│  └─────────────┘  └─────────────────┘   │
+│  ┌─────────────┐  ┌─────────────────┐   │
+│  │   感知层    │  │     评估层       │   │
+│  │ Perception │  │  Evaluation     │   │
+│  └─────────────┘  └─────────────────┘   │
+└─────────────────────────────────────────┘
+```
+
+### 5.4 各层核心组件详解
+
+#### 5.4.1 规划层（Planning）
+
+**职责**：将复杂任务分解为可执行的子任务
+
+**关键技术**：
+- **任务分解**（Task Decomposition）
+- **思维链**（Chain of Thought, CoT）
+- **子任务规划**
+
+#### 5.4.2 执行层（Execution）
+
+**职责**：执行规划层生成的子任务
+
+**关键技术**：
+- **工具调用**（Tool Calling）
+- **动作执行**（Action Execution）
+- **结果反馈**
+
+#### 5.4.3 工具层（Tools）
+
+**职责**：为 Agent 提供外部能力
+
+**典型工具类型**：
+- **MCP 工具**（Model Context Protocol）
+- API 调用
+- 搜索引擎
+- 数据库查询
+- 文件系统操作
+
+#### 5.4.4 记忆层（Memory）
+
+**职责**：存储和管理 Agent 的历史状态与上下文
+
+**记忆类型**：
+| 类型 | 说明 | 用途 |
+|------|------|------|
+| 短期记忆 | 当前对话上下文 | 处理即时任务 |
+| 长期记忆 | 持久化存储 | 跨会话经验积累 |
+| 工作记忆 | 工作过程中的临时状态 | 任务执行中间态 |
+
+#### 5.4.5 感知层（Perception）
+
+**职责**：接收和处理外部输入
+
+**感知内容**：
+- 用户指令
+- 文档输入
+- 多模态信息（图像、音频等）
+- 环境状态
+
+#### 5.4.6 评估层（Evaluation）
+
+**职责**：评估 Agent 执行结果的质量
+
+**评估维度**：
+- 输出正确性
+- 任务完成度
+- 安全性检查
+- 效率评估
+
+---
+
+## 6. Harness Engineering 的工程实践
+
+### 6.1 定义
+
+**Harness Engineering** 是系统性地构建、测试、优化 Agent 行为能力的工程学科。
+
+### 6.2 与传统软件工程的区别
+
+| 维度 | 传统软件工程 | Harness Engineering |
+|------|-------------|---------------------|
+| 不确定性 | 低（确定性逻辑） | 高（概率性输出） |
+| 测试难度 | 可精确断言 | 需概率评估 |
+| 调试方法 | 日志追踪 | 行为轨迹分析 |
+| 质量保障 | 单元测试 + 集成测试 | 评估驱动开发 |
+
+### 6.3 核心工程实践
+
+#### 6.3.1 评估驱动开发（Evaluation-Driven Development）
+
+```
+设计评估指标 → 开发 Agent → 持续评估 → 迭代优化
+```
+
+#### 6.3.2 行为可复现性
+
+- 通过种子（seed）控制随机性
+- 构建可测试的 Agent 行为
+- 建立回归测试机制
+
+#### 6.3.3 多维度评测
+
+- **任务完成率**：Agent 是否完成目标
+- **效率指标**：消耗的 Token 数量、执行时间
+- **质量评分**：输出的人力评估
+- **安全性检查**：有害内容过滤
+
+### 6.4 LangChain Agent Harness 的工具链
+
+```
+┌──────────────────────────────────────────┐
+│           LangChain 生态                 │
+├──────────────────────────────────────────┤
+│  LangChain       │  Agent 开发框架        │
+│  LangSmith       │  追踪与评估平台        │
+│  LangServe       │  Agent 部署服务        │
+│  LangGraph       │  Agent 工作流编排      │
+└──────────────────────────────────────────┘
+```
+
+---
+
+## 7. 补充：观众反馈中的有价值观点
+
+> 本节整理自视频弹幕中观众的补充与讨论
+
+### 7.1 关于 Context Engineering 的延伸
+
+- Context Engineering 不仅解决"上下文膨胀"，还需要考虑**信息密度**问题
+- 有效上下文 = 去除噪音后的核心信息
+- 常用的压缩策略：LLM 摘要、关键信息提取、信息去重
+
+### 7.2 关于 Agent 幻觉的处理
+
+- 幻觉问题在单轮对话中已存在
+- 在多轮 Agent 执行中，幻觉会被**级联放大**
+- 建议在每个关键步骤增加**自我校验**机制
+
+### 7.3 关于实际落地的建议
+
+- 不要过度追求 Agent 的自主性，**人机协同**往往更可靠
+- 初期应聚焦垂直场景，积累领域知识后再扩展
+
+---
+
+## 附录：关键术语表
+
+| 英文术语 | 中文解释 |
+|----------|----------|
+| **Harness Engineering** | 驾驭工程，Agent 的系统工程化方法 |
+| **Agent Harness** | Agent 框架的核心组件集合 |
+| **Prompt Engineering** | 提示词工程，优化人机交互质量 |
+| **Context Engineering** | 上下文工程，管理信息输入质量 |
+| **Hallucination** | 幻觉，LLM 生成虚假或不准确内容 |
+| **Chain of Thought (CoT)** | 思维链，引导模型展示推理过程 |
+| **SFT** | Supervised Fine-Tuning，有监督微调 |
+| **RLHF** | Reinforcement Learning from Human Feedback，基于人类反馈的强化学习 |
+| **MCP** | Model Context Protocol，模型上下文协议 |
+| **Agent** | 智能体，能够自主执行任务的 AI 系统 |
+
+---
+
+> **笔记说明**：本笔记基于 LangChain 团队发布的官方博客整理，聚焦于 Agent Harness 的技术架构与工程实践。视频原版对三层架构有详细展开，读者可根据需要结合原视频深入理解各层级的技术细节。
--- a/InBox/Hermes编排Agent_Web可观测性方案.md
+++ b/InBox/Hermes编排Agent_Web可观测性方案.md
@@ -0,0 +1,66 @@
+---
+title: Hermes 编排 Agent + Web 可观测性方案
+date: 2026-04-29
+tags: [Hermes, Agent编排, ttyd, tmux, 可观测性]
+---
+
+# Hermes 编排 Agent + Web 可观测性方案
+
+## 背景
+
+Hermes 作为母 Agent 编排不同的子 Agent（Codex、Claude Code 等），但全部在后台运行，无法直观看到每个 Agent 的实时输出和进度。需要将后台 tmux session 暴露到 Web 前端观察。
+
+## 方案：ttyd + tmux
+
+**ttyd**（GitHub 31k+ stars）可以把任意终端程序变成 Web 页面，通过 WebSocket 实时推流。
+
+### 架构
+
+```
+Hermes (编排大脑)
+    │
+    ├─ tmux session codex1  ─── ttyd :8080 ──► http://localhost:8080
+    ├─ tmux session claude1 ─── ttyd :8081 ──► http://localhost:8081
+    └─ tmux session codex2  ─── ttyd :8082 ──► http://localhost:8082
+```
+
+### 使用方式
+
+```bash
+# 启动 Agent 的 tmux session
+tmux new-session -d -s codex1 -x 140 -y 40
+tmux new-session -d -s claude1 -x 140 -y 40
+
+# ttyd 暴露每个 session 到 web
+ttyd -p 8080 tmux attach -t codex1 &
+ttyd -p 8081 tmux attach -t claude1 &
+
+# 浏览器打开
+open http://localhost:8080  # 看 Codex
+open http://localhost:8081  # 看 Claude Code
+```
+
+### 类似方案
+- **Wetty / Gotty** — 与 ttyd 类似
+- **LangFuse / AgentOps** — 专业 Agent trace 平台，但偏事后日志分析，非实时终端画面
+
+### 文件握手通信
+
+Agent 之间通过文件交换上下文：
+
+```
+/tmp/handoff.json       # Codex 输出 → Claude Code 读取
+/tmp/instruction.md     # Claude Code 重注入指令 → 拉起新 Codex
+/tmp/next_prompt.txt    # 下一步指令
+```
+
+## 关键结论
+
+1. **不要** 让 Agent 之间直接互相调用（失控）
+2. **要** 用 Hermes 作为中央编排大脑
+3. **用文件作为 Agent 间通信协议**
+4. **ttyd 解决实时观察问题**，浏览器多标签同时查看所有 Agent
+
+---
+
+*来源：Hermes Agent 对话 (2026-04-29)*