文章介绍了2026年10月7日Grok Bot的重大变化：SpaceX宣布Grok Bot将不再绑定自家模型，而是为每个任务路由到最佳后端模型，首选Claude Opus 5.5。作者提供了10步教程，教读者如何利用这一组合：从理解harness（代理的电脑、登录、记忆、例程）与brain（驱动它的模型）分离的意义开始，到安装Grok Bot、创建并设置Chief bot、为更强的大脑编写章程、连接工具并划定数据边界、以及通过登录交接而非密码共享来让bot操作无API的软件等。文章强调更强的模型应获得更多步骤而非更多权限，并提醒注意数据流向Anthropic的隐私问题。
文章解读 Pi 1.0 发布：Pi 从公开拒绝 MCP 转变为将其纳入核心支持。关键不在改变主意，而是为支持 MCP 所做的改动（沙箱、解释器、工具元数据、延迟加载）本身具有普遍价值，同时也让 Jev 等非 LLM 模型受益。核心概念 CodeMode 是跑在 harness 受信任侧的编排层沙箱，用 JavaScript（可作 WASM 分发）自由组合工具调用与模型调用，状态保存在会话记录中。Pi 团队认为 MCP 的问题是外部服务器难以组合，希望其向 OpenAPI 式结构化数据演进。此外还发布了构建长时间运行 agentic 应用的新基座 Pi Durable，以及延迟工具加载、缓存预热等改进。
OpenAI正式发布Agents API，将Codex背后的Agent Harness能力以API形式开放。开发者只需定义任务、模型、工具和执行环境，Agent Loop、上下文管理、工具调用、多Agent协作和沙箱等均可交由OpenAI处理。该API支持长任务自动压缩恢复、原生MCP与Web Search、Sub-Agent并行、Linux Sandbox及私有环境接入。作者认为这标志着模型正从产品变为组件，Harness等通用能力正被云厂商基础设施化，Agent创业需向业务、数据和Workflow上移。
本文介绍如何利用 Google Gemini Enterprise Agent Platform 的上下文缓存（Context Caching）大幅降低 Agent Harness 的 token 成本。文章指出无状态 LLM 在多轮编码循环中会重复传输静态代码库导致 token 累积和成本暴涨，并剖析了前缀破坏陷阱——缓存要求提示词从第 0 个 token 起字节级匹配，动态变量必须放在提示词末尾。作者展示了服务端缓存的工作原理及双重节省模型（带宽节省与缓存 token 0.25 倍计费），并通过 CachePayloadBuilder 和 ContextCacheManager 实现缓存流水线。实测三个场景显示传输 token 减少 74%-79%。最后给出决策树：上下文小于 32768 token 或少于三轮时不应缓存。
文章指出模型已不再是瓶颈，真正决定 Agent 效果的是围绕模型的 Harness（脚手架），包括上下文、工具、记忆、校验和恢复循环。作者详细讲解了如何为 Kimi K3 构建终极 Agent Harness：使用 Kimi Code 搭建项目结构，通过任务合同明确交付目标与验收标准，用上下文地图替代指令堆砌，为工具设置权限边界，分离研究者、构建者和审查者角色，建立持久化状态、自动护栏、独立质检和反馈循环。同一模型在不同 Harness 下可产生 20 分的绩效差距，好的 Harness 能让智能体可靠地完成从需求到交付的全流程。
本文系统对比了 AI 智能体两大组成层面：Agent Harness 与 Agent Runtime。Harness 是位于 LLM 之上的应用逻辑层，负责执行循环、提示拼装、上下文管理、工具调用、状态跟踪与错误处理，决定智能体“想什么、怎么做”；Runtime 是承载执行的基础设施层，负责沙箱隔离、资源限制、网络与凭证管控、持久化与并发调度，决定“在哪、如何安全执行”。文章从定义、职责、生命周期、接口、资源管理、安全隔离、可扩展性、可观察性、部署模型、性能、故障恢复和典型用例等方面逐一比较，并给出示例代码与部署模式总结，帮助读者全面理解并实践二者设计。
文章介绍了终端 Coding Agent Pi——一款上线约一年、GitHub 接近 10 万 Star 的开源工具。与 Claude Code、Codex 提供完整成品不同，Pi 走极简路线，仅保留读/写文件、精确修改和 Bash 四个核心工具，其余功能按需通过 Skill、Extension 和 Package 扩展。Databricks 测试显示相同模型下 Pi 的单任务成本可低至其他 Agent 的一半。文章从安装登录讲起，详细演示了多行输入、@ 引用文件、粘贴截图、!/!! 命令等日常操作，重点讲解了 Steer（任务中转向）与 Follow-up 追加任务的交互机制、Session 树状会话管理及 /compact 压缩策略，并介绍了 AGENTS.md 项目指令文件的写法与扩展体系，帮助用户低成本上手并掌控工作流。
本文深入分析了Pi Agent这一极简Agent运行框架。作者认为Pi的核心价值不在于其代码能力，而在于其“可修改”和“开放”的设计理念。Pi通过提供可组合的原语，允许开发者自定义模型、工具、上下文和工作流，从而让Agent适应个人或团队的工作方式，而非相反。文章对比了Pi与一体化Coding Agent的差异，强调了多模型支持、上下文工程和可编程扩展的重要性，并指出了其配置门槛和安全风险。最终，作者认为Pi代表了Agent生态中一种重要方向：模型负责思考，Harness负责行动，开发者掌握控制权。
本文深入探讨了Agent Harness（代理框架）的设计，指出模型性能并非关键，真正决定成败的是围绕模型的软件层。文章通过DoorDash、OpenAI和Anthropic的真实案例，展示了三种截然不同的Harness设计模式。核心部分详细阐述了六个关键决策：循环与停止规则、工具可见性、记忆管理、崩溃恢复、权限边界和完成定义。每个决策都提供了具体操作建议和成本效益分析，强调通过精心设计Harness，可以将一个需要持续监督的模型转变为可独立完成工作的可靠员工。
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。
文章介绍了作者开发的“自愈 Agent Harness”系统，该系统通过 AI 代理实现了自动化评估和修复闭环。它包含三个核心组件：用于实时评分的三法官评审团、将低分转化为修复工单的工程管道，以及由 AI 评分控制发布的灰度发布机制。这一系统替代了传统的 QA 和人工审查，使团队能够在每天发布 3-8 次的高频节奏下，自动发现并修复模型幻觉、工具契约漂移或基础设施故障等问题。
