为什么 95% 的 Agent 死在上线前这份白皮书开头扔出一个让人不舒服的数字95% 的企业 AI Agent 永远到不了生产环境。它们 Demo 跑得很流畅预算评审也过了然后就悄悄消失在预发环境里。作者给这个现象起了一个名字harness 缺失。Harness这个词在 AI Agent 圈子里 2026 年才真正变成一个独立的工程学科。白皮书把这段历史整理成三个时代每个时代都包含上一个时代但 Harness 工程是第一个管模型能做什么、做完什么算成功、出了问题谁兜底的完整框架。核心公式Agent Model Harness这个公式来自 HashiCorp 联合创始人 Mitchell Hashimoto 在 2026 年 2 月发布的一篇博文。他的原话是“每当发现 Agent 犯了一个错误你就花时间工程化一个方案让它永远不再犯这个错误。”Model 负责推理Harness 负责其余一切。白皮书给出了四组数据说明 Harness 的改进效果有多大——在模型完全不变的前提下Claude Sonnet 4.5 在 GAIA 基准上裸跑 30.91%配上生产级 Harness 后 **74.55%**差了 44 个点LangChain 的 coding agent 在 Terminal Bench 2.0从第 30 名 →第 5 名模型未动只改了 HarnessOpenAI Codex 团队5 个月、150 万行代码、约 1500 个自动化 PR零行手写代码——人类只设计环境安全研究员 Can.ac一个下午跨 16 个 LLM 修改工具调用格式全部提分结论很清晰在大多数情况下换 Harness 比换模型性价比更高。六层架构Harness 到底由什么组成六层分成两组上层是转向环路Guides前馈 Sensors反馈两者合力构成持续改进的闭环。下层是运行时基础Memory、Permissions、Observability 三层托底。中心是 Agentic Loop受所有五层约束。Layer 1Guides —— 把历史错误变成永久防护Guides 就是 Agent 开始工作前读到的指令文件典型形式是AGENTS.md、CLAUDE.md、.cursorrules。每一条规则背后都应该是一次真实的 Agent 错误。这就是「棘轮原则Ratchet Principle」棘轮的核心逻辑Prompt 补丁修复一次对话Guide 规则修复所有未来的 run。Hashimoto 的 AGENTS.md 就是这样一行一行积累起来的——每一行对应一个曾经犯过的错误。Guide 文件同时也是组织记忆的载体。工程师离职他修正过的行为留在文件里新人入职读一遍 AGENTS.md 就继承了几个月的踩坑经验。Layer 2Sensors —— 分清确定性检查与推理性检查Sensors 在执行之后运行验证输出。白皮书把它分成两类设计原则计算型 Sensors 优先只有当问题无法用确定性规则表达时才引入 LLM-as-judge。一个 LLM-judge 跑 50 次/天每次 就是10/天 $3650/年。一个 Linter 规则免费且永远不抖。Layer 3Agentic Loop —— 有边界的执行引擎Loop 不是一次模型调用而是一个有界的循环Escalation 不是失败。一个能正确上报的 Agent比一个给出自信错误答案的 Agent 更有价值。上报包体里应包含所需的人类决策、已测试的备选方案、等待代价、以及无人响应时的默认安全行动。Layer 4Memory —— 模型会忘Harness 来记模型每次调用都从空上下文开始。记忆持久化是 Harness 的责任。白皮书给出了五个状态层级层级跨会话跨重启实现方式Context Window✗✗对话缓冲区Scratchpad当前任务内✗plan.md, todo.mdArtifact Store✓✓Git, 文件系统, S3Decision Log✓✓decisions.jsonlKnowledge Graph永久永久实体关系库最简单的方案文件系统。一个plan.md、一个decisions.md、一个progress.jsonAgent 在每个步骤后写入下次会话开始时读取。比向量数据库便宜比对话摘要可靠。检验标准中途关掉会话重新打开Agent 能否从上次中断处无缝恢复不能就说明 Memory 层不够。Layer 5Permissions —— 安全边界是 Harness 的责任不是模型的模型不会限制自己。它有什么工具就用什么能写哪里就写哪里。权限是Harness 属性不是 Model 属性。权限设计围绕四个维度范围哪些工具/文件可用、速率每个时间窗口的最大操作次数、可逆性不可逆操作需要人工确认、可见性谁会被通知、留存哪些审计记录。特别要注意Prompt InjectionAgent 会读到邮件、网页、文档、Issue——这些都是不可信内容。Guide 文件是可信来源外部内容是不可信数据必须在架构层隔离。Layer 6Observability —— 没有日志就没有调试生产 Harness 必须采集开始/结束时间戳、工具调用及结果、Guide 版本和使用的 Sensors、重试次数与成本、产出物、审批与上报记录。白皮书给出的 Trip Wire 触发条件Trip Wire触发条件处置外部写入激增单位时间写入异常冻结写入同一错误连续 3 次重复失败模式上报人工成本超过均值 2x运行失控暂停检查Sensor 通过率下降质量回归回滚出现新域名请求权限蔓延告警阻断真正的核心指标不是 Token 数、消息数而是无人工干预下完成并通过验证的任务数。完成率上升同时返工率、审批频率、每任务成本、恢复时间下降才说明 Harness 在变好。七天上线路径白皮书给出了一个非常务实的递进计划规模扩展的门控条件六项全过再扩规模完成率 ≥ 80%无人工干预没有任务超成本预算Agent 至少正确上报过一次Checkpoint 经历过至少一次重启恢复Trip Wire 至少触发过一次模拟异常权限边界至少拦截过一次越权行为总结与思考这份白皮书的核心论点并不新鲜——「把错误转化为永久防护」在软件工程里叫 blameless postmortem 防御性编程——但它第一次把这套思路系统地映射到 AI Agent 的六层结构上并用真实基准数据做了背书。几个值得关注的点1. Harness 的回报是复利Prompt 的修正是线性的。你在对话里纠正 Agent 一次下个会话归零。你在 Guide 里加一条规则它管所有未来的 run。这个复利效应是 Harness 工程最被低估的价值。2. 计算型 Sensor 优先原则非常务实。很多团队一上来就想用 LLM-as-judge 做质量门控结果成本爆炸且 verdict 不稳定。白皮书的建议是先把已有的 Linter 和单测接进去推理型 Sensor 是在计算型 Sensor 覆盖不到的地方才加的补丁。3. Harness 不能修复错误的目标。这是最容易被忽视的一条如果验收标准本身就错了Sensor 只会稳定地验收错误输出。Harness 放大的是你设定的目标而不是正确答案。4. Multi-Agent 的 Harness 延伸。白皮书在最后专门讨论了多 Agent 协作时的扩展需求类型化交接typed handoffs、共享状态模型、独立验证者。核心原则不变但每个 Agent 之间的边界都需要显式定义。总体来看这份手册适合作为生产级 Agent 项目的架构检查清单而不是从零开始的教程。如果你已经有在跑的 Agent对照 12 条生产就绪检查项能快速定位最薄弱的层。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】