文章分析了 OpenAI Agents API、Anthropic Claude Managed Agents、AWS AgentCore Harness 和 Microsoft Foundry Agent Service 等托管式 Agent 基础设施的共同架构趋势。前沿实验室主张模型与 harness（代理执行框架）协同构建，以获得更好的效果。文中总结了四个关键模式：将 Agent 声明式资源化、为 Agent 引入版本化发布工程（含 A/B 测试）、在会话内动态选择模型实现解耦、以及将工具移出 Agent 之外的共享基础设施（MCP、Toolbox、Gateway）。作者提出开发者需要思考两个问题：应保留多少 Agent 循环的控制权，以及 harness 是否必须来自模型提供商。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
作者介绍了 amontlabs/lcu 项目，它将 Codex 的 Computer Use 能力（让 AI 看屏幕、点鼠标、敲键盘操作电脑）拆分出来，通过 MCP 接口供 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具调用。该项目并非重新实现，而是直接调用本机 ChatGPT 桌面版内置的 OpenAI 原版 Computer Use 运行时。它只提供 js 和 js_reset 两个工具，模型通过预置的 cua 对象编写 JavaScript 代码完成点击、输入、截图等操作，环境保留状态，并支持读取无障碍信息按元素点击。已适配 Pi、Codex CLI、Claude Code，支持 Apple Silicon Mac 和 X11 Linux，Windows 11 处于候选阶段。
文章回顾了 MCP 协议 18 个月来的架构演进。MCP 最初由 Anthropic 于 2024 年 11 月推出，作为向模型暴露外部能力的工具层。OpenAI 虽然较晚采用，但推动了大量创新：先是 Apps SDK 让集成方提供交互式界面，随后社区提出官方 MCP Apps 扩展实现跨主机可移植。2026 年 DevDay 上，OpenAI 发布 Plugin Extensions，让 MCP 应用深度集成到 ChatGPT 的侧边栏、对话面板等界面，并新增 MCP Events，使外部系统能通过 webhook 主动触发 ChatGPT 中的工作。MCP 正从能力层演变为完整的应用架构标准。
tldraw 宣布为 ChatGPT 和 Codex 推出插件，基于 OpenAI 新的 MCP 扩展规范构建，为对话提供实时多人协作画布。用户可在侧边栏与 AI Agent 和团队成员共同在画布上创作，通过评论标记 Agent 提供上下文。插件支持创建和管理画板、读取截图和图形、绘制图表（含 Mermaid），所有画板与 tldraw.com 账户同步。典型用例包括：可视化解释概念、将线框图变为应用、截图标注修改代码、绘制代码库架构图等，实现人与 Agent 在画布上的双向协作。
GPT-6 Sol 与 Claude Opus 5.5 同日发布，本文面向小白用户，梳理两大模型家族的定位与选择方法。文章介绍了各订阅档位能使用哪些模型、正确的模型入口（ChatGPT Work/Codex 与 Claude 模型菜单），并列出价格量级。核心建议是按场景选模型：总结抽取用 Luna，写代码日常活用 Sol，做页面和成品交付优先 Opus 5.5，最难任务再上 Astra 或 Fable。作者强调档位比模型名更影响费用，建议从 Medium 档起步，并给出第一天上手的三个步骤和常见问题排查方法。
文章介绍如何通过第三方开源工具 WebCodex，让 ChatGPT 网页版接管部分 Codex 任务，缓解额度不够用的问题。作者详细讲解原理：ChatGPT 通过 OpenAI 官方 Secure MCP Tunnel 连接本机 WebCodex，实现文件读取、代码修改和命令执行。教程涵盖账号权限检查、下载 WebCodex Desktop、创建练习目录、配置 Tunnel 与专用 API Key、在 ChatGPT 中添加自定义 App 及验证连接等步骤，并强调风险提示：不是真正无限额度、存在安全与封号风险、密钥需妥善管理，最后给出常见问题排查和权限回收方法。
作者分享了自己获批使用 TypeSafe AI 推出的 Jev 模型后的体验，并整理了一份 Awesome Jev 项目清单。Jev 是一个不生成文本、只返回选项、分数和概率的低延迟判断模型，可并行输出结果。文中介绍了 14 个基于 Jev 的项目，包括高速浏览器 Agent、MCP 集成工具、命令行语义判断工具、模型路由器、上下文垃圾回收、代码审查前置筛选、语义寻路、知识图谱、桌面自动化、交易流动性分析以及 FPS 游戏等应用场景。核心思路是：用 Jev 反复做'要不要、选哪个、打几分、下一步干什么'的判断，复杂推理和生成任务仍交给传统大模型，从而降低成本、提升速度。
文章系统梳理了 ChatGPT 和 Claude 的降智与封号机制。降智方面，OpenAI 会通过换成小模型、缩短思考时间、转给安全模型三种方式降级请求，原因是算力配给、对可疑账号降级而非封号、以及路由器本身的错误。作者认为 IP 只是第一道门槛，账号健康度（登录出口、档位、账号权重、环境一致性、渠道）才是风控打分的核心。封号方面，OpenAI 查的是账号用途而非网络来源，Claude 则因政策更严、检测信号（IP 关联、支付方式、时间同步、代理访问）明确而封号更狠。文章引用了大量官方文档、员工发言和社区案例作为佐证。
作者因AIHOT产品优化导致Codex额度消耗巨大，发现ChatGPT Pro会员附带的GPT-6 Pro网页版额度与Codex额度分开，可被充分利用。他将服务器真实业务数据封装成只读MCP Server并接入飞书鉴权，作为插件供GPT-6 Pro调用，使其能基于真实生产数据做深度分析与规划，再通过'添加到Codex'功能将方案交给GPT-6 Astra执行。这套工作流大幅节省了Codex周额度，一次规划加执行仅消耗约14%额度，且完全合规无风控风险。
文章从零讲解 Harness Engineering（线束工程）的概念：模型只负责生成文本，而 harness 是围绕模型的软件系统，负责将模型的输出转化为实际工作。作者通过 OpenAI、LangChain、Anthropic 的案例说明，不换模型也能大幅提升 Agent 能力，关键在于模型周围的系统建设。文章以'给文章添加点赞按钮'为例，逐步拆解 harness 的构成：给模型的六件套（tools、循环、记忆、上下文、工作环境、目标与验证），以及给用户的三件套（权限限制、可观测性、评估），展示了模型'提出请求'、harness'执行动作'的协作模式。
本文系统讲解 OpenAI 桌面执行型 Agent——Codex 的使用方法。作者首先介绍 Codex 的能力边界与 Prompt→Plan→Execute→Verify 四步执行逻辑，强调人工验证的重要性。随后详解桌面 App 三栏界面结构（项目任务管理、对话控制台、Diff 审查），并说明 Local、Worktree、Cloud 三种工作区模式的适用场景与选择原则。文章还涵盖 Plan 执行计划的开启时机、沙盒权限三档控制与审批弹窗处理方法，以及 Skill、Plugin、MCP、Automation、/goal 五类扩展功能的分工。最后提出从入门到熟练的四阶段学习路径，全文包含大量排错提示、上手练习与手绘图解，帮助读者快速建立可落地的操作直觉。
