How to Build An Agentic Harness using Kimi K3
文章指出AI模型正变得廉价且可互换，核心资产在于控制层（Harness）而非模型本身。作者提出了构建Agent控制层的三条核心法则：模型是消耗品而框架是资产、耦合要轻但框架本身要做厚、可调设置必须有代码级别的硬边界。文章详细拆解了构建可复用控制层的11个关键要素，并主张让框架去适应工作流而不是绑定特定的模型供应商，以适应快速迭代的AI技术格局。
全部文档 / 标签: 架构设计
190 篇
The biggest Graph Engineering mistake everyone makes
文章探讨了在构建 Agent 时，默认应采用单节点循环（Loop），仅在出现特定信号时才升级为图结构（Graph）。循环更便宜且易于调试，适用于大多数单任务。只有在任务分解、并行处理或验证器过载等明确信号出现时，才值得引入图的复杂性。
Karpathy 的 LLM Wiki 工程指南
本文介绍了 Andrej Karpathy 提出的 LLM Wiki 架构，旨在解决传统 AI 工具重复处理文档导致的资源浪费问题。通过构建 raw/、wiki/ 和 instructions/ 三个文件夹，将文档一次性编译为结构化知识库，大幅降低查询成本并实现长期记忆。
YC 开源 QM：当每个员工都有 Agent，公司需要怎样的协作系统？
YC 开源了面向工作的多人 Agent 协作系统 QM。文章指出，当 Agent 从个人工具走向组织成员时，必须解决身份、范围、权限、记忆和审计等架构问题。QM 通过 Scope 划分工作空间，将 Skill 变为组织资产，并完善了后台任务调度与安全治理，为企业级 Agent 落地提供了重要的架构参考。
Graph Engineering: 构建能分支、验证、恢复和停止的 Agent 指南
文章探讨了 Graph Engineering 的概念，主张通过预先设计 AI 任务的控制流图，而非单纯依赖提示词，来解决 Agent 的复杂性与错误问题。文中详细阐述了图的四个核心部分：状态、节点、边和门控，并强调围绕失败路径而非成功路径进行设计。最后通过实际研究案例，展示了如何利用图结构拆解任务、验证信息并控制成本。
AI Agent 连续运行 200+ 小时：LoopX 如何让长程执行不失忆、不漂移
文章介绍了开源项目 LoopX，一个面向超长程 Agent 的 control plane，实现了 Agent 连续运行 200+ 小时。LoopX 通过外置结构化状态、六层架构设计及可执行 Kanban 概念，解决了长程任务中的状态管理、权限控制、恢复机制等核心问题，确保 Agent 在无人干预或有人干预时均能稳定运行。
Comp AI 开源销售Agent替代传统销售做客户研究
Comp AI 开源了一个销售 Agent，替代传统销售进行客户研究和客情维护。该 Agent 具备独立部署、自跑排期、拒绝置信度分数、沙箱隔离等亮点，无需 API key 即可利用 CRM 历史数据工作，旨在解决传统 CRM 只做数据库而不干实事的问题。
BestBlogs 精选周刊 | 第 106 期：1% 法则
本期周刊探讨 AI 产品从演示到落地的距离。引用 Jeff Dean 的“1%法则”，将焦点从模型能力转移到系统工程细节。文章深入分析了规格定义、评测验证、任务成本、系统记忆、Skill 治理等关键问题，强调通过工程化手段实现智能体的稳定交付与闭环。
最佳实践：从Multi-Agent到Agent Team
本文探讨了Agent从单一任务执行者演变为具备长期责任、领域分工和自主协作能力的团队的全过程。文章详细分析了Task Agent向Long-running Agent转变、Domain分化的必要性，以及如何通过CodexLoom解决Human Routing瓶颈，实现Agent间的高效协作与治理。
Agent 开发指南：技术太多，该怎么学？
文章深入分析了 Agent 开发的技术趋势，指出核心稀缺资源已从“代码”转向“可信结果”。阐述了 Harness Engineering 的重要性，强调在概率性推理之外建立确定性执行外壳，通过状态管理、身份验证和结果验收，让 Agent 能够在复杂系统中可靠承担责任。
从零开发一个微信小程序（实战：短视频去水印工具）
本文是一篇微信小程序开发实战教程，以开发抖音、快手、B站短视频去水印工具为例，详细讲解了从注册账号、云开发架构搭建、核心云函数解析（去水印、抽帧）、绕过域名白名单限制、隐私权限配置到最终审核上线的全过程，提供了关键的代码思路和避坑指南。
构建一个永不停歇学习的 AI 系统
文章介绍了一个能自动从 GitHub 发现新技能的 AI 系统。该系统通过 Scout 发现仓库、Filter 筛选、Reader 读取、Workflow Extractor 提取流程、Skill Score 评分和 Skill Generator 生成技能，实现 Agent 能力的自我扩展，无需人工干预。
Codex 进阶指南：作为 Multi-Agent 编排控制平面
文章深入探讨了 Codex 作为 Multi-Agent 编排控制平面的进阶用法。文章详细解析了 Codex 的对象模型、项目绑定机制以及多种执行位置。重点介绍了六种原生 Agent 拓扑结构，从单线程到混合层级团队，并阐述了如何利用子 Agent 进行上下文隔离和并行工作，以避免上下文污染。
MCP新规范：更灵活的协议
MCP新规范将协议从双向有状态改为请求/响应模型，服务端可部署在Serverless和边缘基础设施上。类比银行业务，以前需找固定柜员，现在任意柜员均可办理，提升了灵活性和效率。
做完一次总体设计后，我重新理解了企业级知识库
文章基于企业级智能知识库项目的实践，探讨了企业知识库的真正门槛。指出其不仅是文档存储，更是一套涵盖构建、治理、使用和优化的闭环运行机制。重点分析了知识库与知识空间的区别、知识生命周期管理、可信溯源及权限控制，强调知识库应作为支撑未来 Agent 的企业级 AI 知识引擎。
这项目给Claude Code塞了28个心智模型和批判性思维技能
该项目为Claude Code集成了28个心智模型和批判性思维技能，包括第一性原理、贝叶斯推理、系统思考等。用户可按需调用，帮助结构化决策和策略分析。测试显示技能未稳定提升准确率，但作者认为作为思考脚手架仍优于裸奔。
Run Your Harness Outside of the Sandbox (Why and How)
本文探讨了2026年以来关于Agent运行位置的争论，指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题：爆炸半径、信任边界和沙箱的间歇性运行，并提出了将沙箱作为工具暴露的正确架构，最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。
大脑对长周期 Agent 的启示
文章通过对比人脑的双速学习机制（海马体与皮层），指出当前 AI Agent 仅依赖大模型权重的局限性。真正的长周期智能需要将预测模型与经验状态结合。现有的外部记忆存储实则是模拟海马体的快速捕获功能，未来的关键在于实现高效的记忆筛选机制。
Agent工程架构解析：Harness、Loop与Graph的区别
本文深入解析Agent工程中常被混淆的三个架构层级：Harness工程构建模型运行环境与基础能力；Loop工程设计工作反馈循环，通过验证与迭代提升质量；Graph工程则显式定义工作流拓扑，控制节点分支与状态转换。文章强调理清环境、反馈与流的关系对构建生产级Agent至关重要。
何为“掌控你的智能”
文章探讨了企业如何在通用 AI 基础上构建差异化优势。作者指出，未来五年公司需掌控智能的运作方式、管理与复利，而非仅依赖现成模型。掌控智能包括控制 Agent 系统（模型、调度逻辑、上下文）、掌控质量与风险，以及通过反馈循环积累智能，从而实现业务的深度集成与持续优化。
构建智能代理的三层架构：Loop、Graph与Harness
本文提出解决Agent重复读取数据和Token浪费的三层架构方案：Loop负责单元工作的收集-行动-验证闭环；Graph通过分发和并行管理复杂任务；Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。
如何构建一个在你睡眠时发现商业机会的 Agent 图
文章介绍了一个由多个专业 Agent 组成的图系统，用于自动化商业机会扫描、分析和验证。该系统通过并行处理和独立验证机制，解决了人工研究效率低的问题，仅在发现高质量机会时唤醒用户。
从循环到图：如何运行真实的 AI 代理团队
文章阐述了如何利用图结构而非简单的循环来管理 AI 代理团队。核心在于“钻石模式”：任务并行分发、执行、独立验证与汇总。这种模式通过分散推理过程，提升了效率和准确性，并强调了人工检查节点的重要性。
The complete Graph Engineering playbook for Claude Code
本文介绍了Graph Engineering（图工程）的概念，阐述如何利用Claude Code构建分布式Agent系统。通过将任务分解为线性、分发、规约和验证等节点，实现高效、可靠的AI工作流，优化计算成本和结果质量。
手写代码的时代已经过去了：一次零基础的 vibe coding 全记录
作者记录了利用 Claude Code 和 AI 辅助工具，从零开始开发 AI 阅读插件 ReadCue 的全过程。文章探讨了 HTML 在 AI 时代的复兴、全新的设计开发范式，以及程序员如何从手写代码转向架构决策和产品定义。
Kimi K3 + 图工程：降低85%成本并提升18%准确率
文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。
How to master graph engineering
本课程教授如何构建 AI 智能体图，涵盖图的基本概念、关键模式（如菱形模式）、停止规则及人工审批环节。包含三个实战案例：深度研究台、SEO 内容生成器和市场推广套件，旨在提升业务效率并控制成本。
3 Years of Graph Engineering with LangGraph
文章回顾了 LangGraph 三年来的发展，探讨了将智能体系统建模为图（Graph）的实践与价值。作者分析了何时使用图结构以平衡确定性与自主性，并指出生产级智能体通常需要循环和动态转换。最后，文章强调图工程并非全新概念，但随着节点的进化，现在的图更多是在编排智能体而非单一的 LLM 调用。
Less is More: 当精简的 Harness 击败了功能完备的对手
文章通过 Databricks 的基准测试发现，精简的 Harness Pi 在任务完成率上与 Claude Code 持平，但上下文消耗仅为其 1/3。作者对比了信息最大化与信息精简两种设计哲学，指出精简的上下文、结构化摘要和信任模型能力的策略，能有效减少注意力分散，提升模型表现。
Graph Engineering 101: When a Loop Isn’t Enough
文章探讨了AI Agent从简单的ReAct循环向图工程架构的演进。循环模式在处理复杂、多步骤及需人工介入的任务时存在状态持久化、错误处理和分支逻辑的局限性。图工程通过显式的节点、边和状态管理，解决了并发、暂停恢复及复杂流程控制问题，为构建更健壮的Agent系统提供了架构基础。
