多Agent系统背后的数学道理：如何打破平庸的陷阱
文章深入探讨了多智能体系统背后的数学原理，解释了为何单Agent容易产出平庸方案（陷入“高概率吸引子”的盆地）。作者引用Cognition AI的实验，指出多Agent系统的核心价值不在于协同共享，而在于通过“上下文隔离”制造认知差异，从而打破思维定势。真正的Harness机制是通过改变约束条件，让不同Agent拥有不同的判断标准和认知框架。
相关文档
模型是引擎，系统是车身：AI 架构工程随笔
文章反驳了 Kyle Kingsbury 关于 LLM 不可靠的结论。作者认为，裸模型仅是“引擎”，其不可预测性需通过“车身”工程（如 Harness、Resolver、确定性工具）来解决。不应测试模型本身，而应测试由模型、路由和工具组成的完整系统。
AgentHarness会话管理（一）：会话隔离
本文探讨Agent Harness中的会话隔离问题，包括Session Isolation和Resource/Tool Isolation。文章解释了为什么需要会话隔离，如何通过SessionManager管理独立会话，以及ToolRegistry如何避免全局状态污染。重点指出工具定义应全局共享，而运行时状态需通过RuntimeContext按Session注入。最后讨论了多租户SaaS场景下的五层隔离设计，强调身份验证、租户命名空间、工作区域隔离及工具运行时安全。
从 0 到 1 搭 Multi-Agent Eval：预测准不准，协作值不值，决策能不能用
本文介绍如何为多 Agent 团队搭建评估体系，以电商场景为例，通过五步流程：设计含陷阱的测试用例、保存 trace 回放协作过程、用结果/协作/决策三张成绩单分别评分、与单 Agent 及重试基线在同等预算下对比、将失败案例加入回归集。文章强调交接信息完整性、冲突解决、角色消融与协调增益等关键检查点，并给出可直接运行的最小 harness 代码示例。
靠这10个优化点，我们把Multi-Agent工作流成本降了50%以上
作者团队用 AI Agent 驱动前后端全流程开发（1个TL+6个子Agent），token成本高昂。通过AgentLens度量发现系统提示词、工具返回信息、历史消息是消耗大头。围绕'只看当前需要的上下文、减少无关上下文、减少重复上下文'三原则，实施了渐进式披露、CLI替代MCP、MCP子Agent化、长期记忆索引加载、多Agent拆分、工具白名单等10项优化，全流程降本50%~65%。
非码农的 AI Agent 设计教程
本文用通俗语言拆解了 AI Agent 的核心概念。通过将 AI 比作新员工，详细阐述了 Prompt、Context、Harness、Loop、Graph 等 11 个关键术语的含义与作用。文章提供了一套从定义目标到交付结果的完整工作链，帮助初学者理解 Agent 如何从聊天走向实际做事。
前微软x字节工程师转型独立开发：大厂那套方法论，出来后反而没用
本文记录了前微软、字节工程师王启源的访谈，探讨了从大厂转型独立开发的经历、AI 编程工具（如 Claude Code, Codex）的实战应用、Loop Engineering 与 Harness 的演进，以及未来 Agent OS 的形态。
2026年AI用户必知的12层架构：构建可靠的AI智能体
文章提出了AI智能体的12层架构模型，旨在帮助用户理解AI工具的工作原理及失效原因。内容分为三部分：基础层（工作界面、智能体合约/规范、模型）、运行层（运行时状态、工具互操作性、执行表面）以及记忆与知识层。文章强调，只有理解了这些层级（如MCP协议、Agent间协作、多级记忆系统等），才能解决AI输出不稳定、工具选择困难及信任缺失等问题，从而将AI从演示带入实际工作流。
Sub-Agents vs Agent Teams: 改变一切的架构决策
文章深入探讨了在构建复杂 AI 系统时，如何在“子代理”和“代理团队”两种架构模式之间做出正确选择。作者指出，大多数系统错误的按角色（如规划员、开发员）拆分，导致上下文丢失；正确的做法应是基于上下文边界进行拆分。Sub-agents 适用于独立的、需要隔离和并行处理的任务，专注于执行；而 Agent Teams 适用于需要深度协作、上下文共享和实时协调的复杂依赖任务。文章还总结了提示链、路由、并行化等 5 种核心设计模式，并强调了从简单开始、按需增加复杂度的原则。
Multi-Agents 实战：什么真正有效？
文章回顾了作者在十个月前关于 Multi-Agent 系统的观点，并结合 Cognition 公司（Devin）在最近的实践经验，探讨了多智能体系统在工程实践中的实际应用。重点介绍了从“Prompt Engineering”到“Context Engineering”的转变，以及单线程写入、多线程智能辅助的协作模式。文章通过“Code-Review-Loop”案例，分析了独立上下文在代码审查中的有效性，指出模型通过消除上下文噪音和注意力分散，能更敏锐地发现逻辑错误和安全漏洞。
Devin Desktop 从入门到进阶：界面拆解、Fusion 模型搭配与隐藏技巧
本文是 Devin Desktop 桌面客户端的使用教程，作者从安装配置讲起，详细介绍界面布局（Agents View 与 IDE View 两种视图）、模型切换与 Adaptive/Fusion 两种智能路由模式（推荐 Claude Opus 5.5 + SWE-2 的主导+辅助模型搭配）、权限设置提示词、Normal/Plan/Ask 三种工作模式，以及 IDE View 的 Git 提交、Codemaps 等功能。重点介绍了较少被讨论的 Devin Cloud 功能，可在 Windows 上通过云端虚拟机构建 Mac/iPhone 应用。文章面向刚上手 Devin 或从 Codex 迁移的开发者。
Harness engineering for a new hire: the AI employee's first hours on my motion workflow
作者将一名名为 Viktor 的 AI 员工接入工作室的 Slack，并把自己的 motion 工作流交付包交给它检查。首次任务是检查 harness ZIP 包（8 个 Markdown 指令文件和 4 个辅助文本），为读者准备快速上手指南和交接清单。Viktor 返回四份文档，并发现七个在 README 中被引用但未包含在交接中的 QA 和溯源记录——这是作者自己的遗漏。作者随后纠正：指定 LAUNCH-PROMPT.txt 为主路线，补充七个 QA 记录，并要求将读者说明控制在 80 字内。文章详细记录了任务下达、首轮审查、纠正与修订、说明批准和最终结果，展示了如何通过明确的上下文、输出定义和人工审核步骤来有效管理 AI 协作者。
新手想省 Token 到底该选 Pi Agent 还是 DeepSeek Harness
作者对比了 Pi Agent 和 DeepSeek Harness 两款 Agent 工具的选择问题。Pi Agent 核心精简，适合喜欢自己掌控工作流、DIY 工具和 Context 的用户，但插件装多易冲突；DeepSeek Harness 采用 Everything is a Plugin 思路，配有桌面 App，适合想快速上手、不喜欢终端的用户，但仍处测试版且有破坏性升级风险。作者指出省 Token 的关键不在初始 Context，而在工具加载方式、历史内容携带、任务重复执行及 Prompt Cache 复用率。最后建议：熟悉终端的写码者选 Pi，偏好图形界面者选 DSH。
