Loop Engineering: 11 Steps From Prompting to Loops
文章指出，AI使用的未来在于构建“循环”而非单纯编写提示词。作者以Karpathy的AutoResearch项目为例，阐述了AI如何通过循环自主进行实验和优化。一个有效的循环必须包含验证器、状态记录和停止条件。文章强调，当任务具备可自动化的验证机制且需要重复执行时，应让AI在循环中自我迭代以移除人类瓶颈。最后，文章分享了构建基础AI循环和有效验证器的核心代码模式。
全部文档 / 标签: HarnessEngineering
88 篇
LOOP vs GRAPH vs HARNESS ENGINEERING
文章深入探讨了构建AI Agent系统的三个关键工程层面：Harness（环境）、Loop（反馈循环）和Graph（控制流）。文章指出，Agent失败往往源于系统设计而非模型本身，并详细阐述了如何通过构建持久化的运行环境、基于证据的验证循环以及显式的流程控制来提高Agent的可靠性。
Harness Engineering 101: AI Agents 的核心基础设施
文章系统介绍了“Harness”的概念，即围绕 AI 模型管理工具执行、内存、状态和错误恢复的软件基础设施。通过对比 CPU 与 OS 的关系，阐述了 Harness 如何决定模型能力的边界。文章详细拆解了 Harness 的五大核心组件（上下文、工具权限、验证、记忆状态、安全沙箱），并分享了 Anthropic 和 OpenAI 的工程实践案例。
AI Agent 工程全景：600+ 场技术分享拆解与未来趋势
本文基于 AI Engineer 频道 600+ 视频内容，系统梳理了 AI 工程化十大核心技术主题，包括 Harness Engineering、Context Engineering、MCP 协议等。文章分析了过去一年的技术演进逻辑，并推演了未来 1-2 年从 AI Coding 向 Software Factories 转变的趋势，同时附带了各主题的代表性视频与索引。
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。
一文看懂“北京智能体新政”：Agentic AI的未来蓝图
文章详细解读了北京市发布的《关于加快智能体引领发展的若干措施》，涵盖提升基础模型能力、Harness Engineering、原生应用、智能终端融合、OPC新模式及Token经济等10条重磅内容，描绘了未来智能体经济的宏伟蓝图。
Let's build Claude Code's harness (step-by-step)
本文深入解析了Claude Code的“harness”架构，解释了为何简单的模型调用不足以构建可靠的代码代理。作者通过CrewAI框架逐步重建了包括核心循环、工具管理、规划机制在内的关键组件，揭示了通过工程化手段弥补模型差距的方法。
Own the Outer Loop: 工程师在AI代理时代的职责边界
文章探讨了在代理工程和软件工厂时代，工程师的角色转变。作者指出，随着 AI 承担更多内部执行循环，工程师必须拥有“外部循环”的问责权，负责定义质量、做出最终裁决并保证可解释性。文章区分了内部循环（能力）与外部循环（能动性），强调虽然 AI 生成代码的速度提升了，但验证、治理和人为的判断力成为了稀缺资源。
利用 Auto-research 提升 Agent Harness 技能
本文介绍了 AI Agent 自我优化的新趋势：通过优化 Harness 层（即 Skills）而非模型本身来提升性能。作者详细介绍了名为 evo 的开源优化工具，它利用并行探索、树搜索和门控机制，自动对 Skills 进行实验和迭代。文章展示了在 SealQA 基准测试中，evo 将准确率从 5/20 提升至 11/20 的实战案例，强调了“模型能力 x 优秀的 Harness x 紧密的验证循环”这一杠杆公式的重要性。
Harness 时代 AI-First 的组织架构
文章探讨了从 Prompt Engineering 到 Harness Engineering 的演变，强调真正的 AI-First 需要将 AI 视为生产力主导者而非辅助工具。通过 Creao 团队的案例，阐述了如何重构组织流程以适应极高开发速度，分析了工程师角色转变、跨团队协作自动化以及 Agent 经济的兴起，指出未来的核心价值在于定义需求和结果审核。
Codex 为什么叫超级 Agent：本篇教你学会它的12 个进阶玩法
文章介绍了 AI 开发工具 Codex 的 12 个进阶功能，包括沙箱机制、权限管理、Steer 引导、Plan 模式、Git Worktree 并行开发、代码回滚、云端运行、双层记忆系统、Plugin 自动化、Skill 工作流封装以及 MCP 数据库连接，旨在通过 Harness Engineering（缰绳工程）理念最大化 AI 生产力。
2026年AI工程师路线图：成为Agent工程师的实战指南
本文提供了2026年成为AI/Agent工程师的详细路线图。作者指出，核心在于掌握Harness Engineering（上下文工程与工具编排），而非追逐各种框架。文章介绍了LangGraph和Claude Agent SDK两大主流技术栈，并推荐了包括工程博客、免费课程及Newsletter在内的优质学习资源。通过17周的集中学习和实战项目，读者可以掌握构建、评估及部署生产级Agent系统的能力。
OpenAI Agent SDK 解析：Harness/Compute 分离架构
文章详细解读了 OpenAI Agents SDK 的新架构设计，即 Harness（可信层）与 Compute（计算层）分离模式。该架构将凭证管理与代码执行隔离，不仅解决了长时程 Agent 的安全与稳定性痛点，还实现了状态持久化、跨平台部署及简易审计，被视为企业级 Agent 开发的教科书级设计。
Model-Harness-Fit: 模型与协作框架的深度适配
本文深入探讨了“Model-Harness-Fit”（模型与协作框架的适配）这一概念。作者通过对比 Codex、Claude Code 和 GitHub Copilot SDK，指出模型在训练后与特定的工具界面、内存协议和规划机制深度绑定。仅更换模型而保留通用框架会导致性能显著下降。文章强调，模型本身的权重不再是唯一的护城河，与其配套的整个工程堆栈才是关键。
AHE：通过自动演进 Harness 提升智能体编码能力
文章介绍了一种名为 Agentic Harness Engineering (AHE) 的新框架，该框架能在不改变基础模型和系统提示词的情况下，自动演进编码代理的工具、中间件和内存。AHE 在 Terminal-Bench 2 上通过 32 小时的迭代将性能提升至 77.0%，击败了包括 Codex-CLI 在内的人工调优方法及仅优化提示词的基线。研究还发现，优化内存、工具和中间件比优化系统提示词更能带来显著性能提升。
全自动 Coding Agent 实战：大模型规划，小模型干活
文章验证了一个关于多 Agent 编排的猜想，通过搭建 hero-coding MVP，对比了 ChatGPT 5.4、Ling-2.6-flash 和 Ling-2.5-1T 在编码任务中的表现。结果显示，非思考小模型（Flash）在明确 Bug 修复上比思考模型快 31%，而 Ling-1T 在加功能任务上仅需 11% 的 Token 和 63% 的时间。作者总结出“大模型规划，小模型干活”的最佳实践，并强调了非思考模型必须配合 Harness 工程兜底的重要性。
AI Agent Harness 解析：为何智能体在生产环境中会崩溃
文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。
AI Coding 已经变天：从 Prompt Engineering 到 Harness Engineering
文章指出 2026 年 AI Coding 的瓶颈已从模型能力转向工程范式。通过 OpenAI、Stripe 等案例，阐述了从 Prompt Engineering、Context Engineering 到 Harness Engineering 的演进。Harness Engineering 强调通过结构化知识、机械化约束、可观测性注入等五大支柱，构建让 AI 可靠工作的环境。作者提出人类角色应从“写代码”转变为设计让 AI 干活的系统。
How I got banned from GitHub due to my harness pipeline
作者 Junghwan NA 记录了一次极端的“线束工程”（Harness Engineering）实验。他在 72 小时内通过构建一个包含 13 个阶段的自动化流程，利用 OMX 和 Ouroboros 等 AI 代理工具，向包括 Kubernetes、Hugging Face 在内的 100 多个开源仓库提交了 500 多次提交。虽然大部分 PR 质量极高并被维护者直接合并，但这种高频行为触发了 GitHub 的滥用检测机制，导致其账户被封禁。文章深入探讨了实现该流程的技术细节（如本地复现、合并模式匹配），并阐述了在自动化时代，人类判断力和“认证”依然是维持开源系统信任的关键瓶颈。
如果裸模很蠢会怎样？Kyle Kingsbury 错在哪里
本文针对 Kyle Kingsbury 关于“LLM 是不可靠的胡扯机器”的观点进行了反驳。作者承认裸模型（Raw Model）不可靠，但指出 Kingsbury 的测试方法类似于在台架上测试发动机并断言汽车不安全。作者提出了“薄线束，胖技能”的架构理念，通过引入确定性代码、技能文件和解算器，将模型的不稳定性转化为可解决的工程问题，从而构建值得信赖的系统。
解析器：智能体的路由表
本文探讨了构建高效 Agent 系统中的关键组件“Resolver”（解析器）。作者指出，与将所有知识塞入系统提示词导致性能下降不同，Resolver 作为一个上下文路由表，能根据任务类型动态加载相关文档。文章通过纠正文件分类错误的实例，展示了如何利用 Resolver 管理技能调用，解决“技能不可见”问题，并通过评估测试确保路由的准确性，从而实现智能体的持续记忆与有效检索。
为什么你的“AI优先”策略可能是错的：从辅助到重塑工程流程
文章指出，仅仅将 AI 工具（如 Copilot）加入现有流程只是“AI 辅助”，而非真正的“AI 优先”。作者以 CREAO 为例，介绍了“Harness Engineering”理念：通过将代码库统一为单体仓库（Monorepo）以提高 AI 的可读性，利用 Claude 进行自动化代码审查，并建立自愈反馈循环，从而将工程流程从围绕人类编写代码转变为围绕 AI 构建系统，实现极高的迭代速度。
不懂 Harness Engineering，你所谓的 AI 转型只是在浪费预算
文章探讨了 Harness Engineering 的概念，即通过设计环境、设定标准和建立反馈来构建 AI 的工程环境，从而将 AI 从简单的聊天工具转化为能持续工作的生产力。文章对比了 OpenAI 和 Anthropic 的不同实践路径，并以 VergeX 为例，阐述了 Harness 在 AI 交易中的具体应用，包括工具调用、上下文管理、架构约束和反馈循环四大核心模块。
我用半年踩坑验证了 Harness Engineering 的三个维度
作者 Leo 结合半年使用 Claude Code 的实战经验，验证了 OpenAI、Cursor 和 Anthropic 提出的 Harness Engineering 三个核心维度：交互维度（通过 CLAUDE.md 传递知识）、空间维度（利用 worktree 隔离防止 Agent 并行冲突）和时间维度（应对长 session 中的上下文退化）。文章总结了个人构建 AI 工作流的落地经验。
Mitchell Hashimoto 与 AI 工程演进：从聊天机器人到 Harness Engineering
文章详细介绍了 Terraform 之父 Mitchell Hashimoto 的 AI 工程实践六个阶段，从早期的聊天窗口尝试，到最终实现后台常驻 Agent 的愿景。核心亮点在于第五阶段提出的“Harness Engineering”（工程约束），即通过系统性设计（如 AGENTS.md 和验证工具）来防止 Agent 重复犯错。文章结合 Anthropic 和 OpenAI 的行业案例，指出工程师的核心技能正从手写代码转向设计 Agent 的运行约束环境。
AI 智能体的持续学习：模型、控制层与上下文
文章探讨了 AI 智能体的持续学习机制，将其分为三个层次：模型权重的更新、Harness 控制层的优化以及 Context 上下文层的记忆与配置。作者指出，虽然大多数讨论集中在模型层的微调（如 SFT）及其带来的灾难性遗忘问题上，但工程实践中 Harness 代码和 Context 技能（如 SOUL.md）的迭代往往更为灵活高效。文章最后以 LangSmith 和 Deep Agents 为例，强调了 Trace（追踪日志）在驱动所有层级进化中的核心作用。
驾驭工程：从 Claude Code 源码到 AI 编码最佳实践
作者通过分析 Claude Code 源码，生成了一本名为《驾驭工程》的中文技术书。该书涵盖了 AI 编码 Agent 的架构模式、上下文策略、权限体系等生产实践细节，旨在帮助开发者系统理解 Claude Code 的工程实现，并探索 AI 编程的最佳实践。
从执行到记忆：gstack + Compound Engineering 构建完整 Agent Harness
文章探讨了 Anthropic 提出的 Agent Harness 架构，对比了 Superpowers 和新工具 Compound Engineering (CE)。CE 通过引入 /ce:compound 机制，将工作中的 Debug 经验沉淀为可搜索的项目知识库，实现了 Agent 的自我优化和“记忆”。结合 gstack 的决策层能力，作者认为 gstack + CE 构成了从规划、执行、审查到记忆积累的完整工作流。