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。
🔗 相关文档
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。
Claude Code Dynamic Workflows：把编排逻辑搬进代码的新原语
Anthropic 推出的 Claude Opus 4.8 引入了 Dynamic Workflows 功能，旨在解决大型代码库迁移和复杂任务编排的难题。该功能通过将编排过程生成本地 JavaScript 脚本，利用运行时管理逻辑，突破了传统 Agent 上下文窗口的限制，实现了对海量并行任务的高效处理。文章详细解析了其与 Subagent 和 Agent Teams 的区别、核心架构、脚本编写规范以及触发机制。
How to Build LLM Architectures From Scratch
本文是一篇关于从零构建大型语言模型（LLM）架构的深度指南。文章详细解释了 LLM 的工作原理，包括从原始数据收集、清洗、分词，到 Transformer 架构的核心组件（如自注意力机制、位置编码）。同时涵盖了预训练、微调、基于人类反馈的强化学习（RLHF）以及推理优化等关键技术环节，旨在帮助读者理解 ChatGPT 和 Claude 等模型背后的系统构建全流程。
Agent Harness 拆解：AI Agent 的工程化基础设施
本文深入探讨了 Agent Harness 的概念，即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践，详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、记忆系统、上下文管理、验证循环等），并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。
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。
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。
OpenAI Agents SDK 重大升级：Harness 与 Sandbox 架构分离
OpenAI 于 2026 年 4 月 15 日升级 Agents SDK，核心是将 Harness 和 Sandbox 做进 SDK 并实现架构分离。新架构将 Agent Loop 托管化，解耦计算与控制逻辑，支持 100+ 模型及多云 Sandbox 环境。对比 Anthropic 的工具箱路线，OpenAI 选择了全托管方案，降低开发门槛。