Agent Harness Engineering vs Loop Engineering vs Graph Engineering
文章深入剖析了AI智能体系统中的三个常被混淆的核心工程层级：Harness工程构建模型环境，Loop工程设计反馈循环，Graph工程明确工作流拓扑。区分这三层对于构建可靠的AI系统至关重要。
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。
Harness Engineering：构建决定AI Agent可靠性的七层架构
文章指出，AI Agent的可靠性不取决于模型权重，而取决于周围的脚手架（Harness）。Harness分为七层：执行环境、工具接口、上下文管理、编排与生命周期、可观测性、验证和权限边界。这七层都是需要编写和版本控制的代码，而非模型属性。此外，Harness还分为由模型构建者提供的内部Harness和开发者自行组装的外部Harness。
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。
Graph Engineering：从 0 到 1 小白完整教程
文章介绍了 Graph Engineering，一种通过流程图协调多个 AI 协作完成复杂任务的方法。它将复杂任务拆解为节点、边和状态，解决了单 Loop 应对复杂任务时的局限性。文章详细解析了 Graph 的核心概念、与 Loop 的关系、四个核心模块及具体实践模板，并提供了新手学习路径。
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。
如何构建自动纠错 AI 循环
文章介绍如何构建一个 AI 自我纠错系统，通过分离生成、判断和管理三个角色，避免人工介入验证。关键在于利用独立的标准（如测试套件）进行结构化验证，而非简单的重复提问，从而实现自动化错误捕捉与修复。
Claude Code 作者说他不再写 prompt 了
文章介绍了 Claude Code 作者提出的“循环工程”（Loop Engineering）概念，即通过设计自动化的反馈循环，让 AI Agent 自主完成从执行到校验的全过程。核心在于从“写提示词”转变为“设计终止条件和校验机制”，详细拆解了触发器、执行层、校验器、停止规则等六个关键组件，强调了明确终态和范围约束的重要性。
为什么你学了很多 Agent 工具，还是做不出真正可用的 Agent？
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
多智能体协作调查：Agent 到底该怎么分工
本文深入探讨了多智能体协作的工程实现细节，指出其并非简单的模型实例多开，而是涉及任务调度、状态管理等复杂机制。文章详细分析了 Codex、Claude Code、OpenClaw 等系统在触发方式（显式/语义/路由/队列）和拓扑结构（星型/链式/树型等）上的设计差异，并拆解了调用链中的关键环节。作者强调了显式控制、上下文隔离及 Merge 策略在构建高效多智能体系统中的重要性。
Context engineering: 构建卓越 Agent 的关键
文章探讨了“Context engineering（上下文工程）”作为构建优秀 AI Agent 的核心挑战与解决方案。相比于传统的 IVR 和预设流程，Context engineering 通过“渐进式披露”和条件逻辑，确保 Agent 在对话的每一个时刻都能获得最相关且最少量的信息。这不仅解决了模型处理大量 Token 时的性能下降和幻觉问题，还能让 Agent 充分利用大模型的推理能力，适应复杂的现实场景，并随着模型升级而自然进化。
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。
