---
title: "[Milky] 为您整理《Harness Engineering最佳实践：深度解析AgentHamness的底层原理、核心组件和实战应用 学不会我退出AI圈！》 P1笔记 | BV1Hn9UBrEsH"
source: "milky@4ueo.com"
date: 2026-06-09 10:48
tags: [milky, bilibili, notes]
email_id: 2013
---

Milky 为您整理了《Harness Engineering最佳实践：深度解析AgentHamness的底层原理、核心组件和实战应用 学不会我退出AI圈！》 P1 | BV1Hn9UBrEsH 笔记。

Harness Engineering 最佳实践：Agent Harness 底层原理、核心组件与实战应用

目录

AI 工程师的岗位分层体系
大模型应用的三层进化范式
Prompt Engineering：让模型"会说"
Context Engineering：解决上下文膨胀问题
Agent Harness 核心架构
Harness Engineering 的工程实践


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。


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
`


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
`


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 |


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


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      │
└──────────────────────────────────────────┘
`


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。

──────────────────────────────
— MilkyAi