本文对比了 Pi Durable 与 OpenCode 两种编程 Harness 架构。传统 Harness（如 Claude Code、Codex、OpenCode）采用会话式架构：运行中的 Agent Loop 驱动模型调用与工具执行。Pi Durable 则将模型生成、工具调用、压缩及应用工作全部建模为持久化任务，由调度器基于存储状态决定执行，实现崩溃恢复与进程解耦。文章从五个维度展开：Agent Loop 序列化到存储、工作可调度、应用状态与对话的原子绑定、压缩移出关键路径、以任务图形式实现委托协作，展示了持久化任务架构带来的全新 Harness 能力。
作者基于十天高强度使用经验，分析 Omarchy 作为面向 Agent 的原生桌面 OS 的架构设计。文章指出 Omarchy 通过统一 CLI（436 条命令）、可替换的多 harness Agent、随 OS 版本发布的 Skills、三层状态分层，以及 Hyprland、Quickshell、mise 的协同，构建了一个适合人类监督、随时委托和快速接管的 Agent 工作台。UX 层面通过快捷键、平铺布局、workspace 隔离和普通终端运行降低调用摩擦并提供可接管性。作者认为 Omarchy 已是成熟的 agent-ready desktop OS，但距离 agent-safe OS 还差统一 capability policy、操作审计和事务式回滚。
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。
本文是一篇面向小白的 DeepSeek Harness（DSH）完整上手教程。作者介绍了 DSH 的核心特点：门槛低（DeepSeek 账号登录即用）、一切皆插件（连 Agent 循环都可替换，社区插件超 6000 个）、过程可回放（轨迹功能）。文章详细讲解了下载安装、登录方式（账号与 API Key 两种）、界面各功能入口（模式、权限、模型、推理强度等）的含义，并分析了计费方式与省钱技巧，同时提醒它仍是预览版，未经过安全审计，需注意数据安全。后续还将涵盖插件市场、原理拆解、实战练习及与 Pi、Claude Code、Codex 的对比。
作者开源了 Pi Durable Subagents 扩展包，为 Pi Durable Agent 框架提供类似 Codex 和 Claude Code 的 subagent 能力。每个 subagent 拥有独立的 Conversation、instructions、模型和工具权限，通过 subagent 工具由主 Agent 委派任务。扩展提供两种模式：Foreground subagent 支持并行创建子任务并等待结果返回，适合并行研究和任务拆分；Background subagent 支持命名后台任务，可通过 spawn、send、stop、status 四种操作持续管理，任务结果通过 durable Reporter task 送回主对话，并支持进程重启后恢复。项目基于 Conversation、Task、ownership 等基础部件构建，采用 MIT License 开源。
作者总结了 AI 开发中四个关键的二元选择：一是优先使用现成的开源能力（skill）而非从零开发，通过 GitHub star 数判断成熟度；二是 OpenClaw（龙虾）适合已搭好管道的日常自动化（BAU），而搭建复杂系统应使用 Claude Code、Codex、Jules 等开发工具；三是多 agent 并非越多越好，应先单 agent，确实不够用再逐个增加，复杂度是敌人；四是确定性逻辑用脚本执行，大模型只用于需要判断的环节，高风险决策需人工审批，最终形成脚本+大模型+human approval gate 的结构。正确选择可节省大量时间。
文章介绍哥伦比亚大学 2026 秋季首门 Agentic Engineering 课程（COMS W4995-009），其核心立场是：Agent 本质是包裹模型的软件工程（harness），而非模型本身。课程分基础、架构、设计与生产化、期末项目四个模块共 13 讲，配备三个重实践的 Studio 实验：委托与可观测运行、长上下文压力测试与记忆架构、Agent 循环受控对比。文章还解读了课程的五层 Agent 生产栈分类法（L0 模型 API 到 L4 协调系统）与六大学习目标，认为该课将喧闹的 AI Agent 话题还原为可严肃讲授的工程学科，其课程网站和 Studio 设计即使不选课也值得从业者研读。
Paseo 是一个开源的本地 AI 编程 Agent 运行与多端编排监控平台，采用 Daemon-Client 架构，通过守护进程接管本机 30+ 种编程 Agent CLI（如 Claude Code、Codex、OpenCode 等）的子进程管理与协议适配，并提供桌面、Web、移动端等多客户端及端到端加密中继，实现跨设备远程监控与操作。其优势包括打破单一 Agent 绑定的统一工作台、口袋开发机式的移动端掌控、代码数据完全本地化隐私保护、基于 Git Worktrees 的多任务隔离，以及 MCP 服务、定时任务等编排自动化能力。同时提供 Docker 风格 CLI 与 TypeScript SDK 两种接入方式。
文章介绍了作者开发的三个围绕 Harness 的 Skill：star-your-harness 用于从零搭建个人 Agent 工作台，通过四个问题生成目录骨架；better-your-harness 用于诊断已有文件夹，从安全隐私、上下文质量、工具装备、记忆学习五层扫描并生成 HTML 报告；view-your-harness 用于可视化展示项目文件和 Skill 调用情况。作者认为 Harness 是模型之外让模型能干活的整套结构，搭建个人 Harness 能让工作在不同 Agent 间无缝衔接。
作者分享了不用背电脑、仅用手机远程控制Claude Code、Codex等Agent的工作流。通过UU远程低延迟连接，解决了SSH不稳定、切换慢的问题。新功能包括手机端终端与TUI完整支持、多终端并行会话、跨端接管、小窗口挂机看进度、文件传输和CLI脚本化管理多台设备，配合Herdr插件可视化管理Agent状态。作者认为电脑应是工具而非负重，远程桌面、终端、CLI各司其职，极大延伸了AI使用的场景。
本文从《给宝宝的机器人学》类比切入，系统讲解 Agent 的核心概念与发展脉络：大模型只负责生成回答，而 Agent 能借助工具、API、Agent Loop 和文件/终端等真实工作现场，把任务完整做完。文章依次介绍模型、Tool 与 API、Agent Loop、computer use、MCP 协议，以及 Claude Code、Codex CLI 到 Codex 桌面端的产品演进，说明为何同一个模型放进不同 Harness 表现差异巨大。最后以实战演示如何用 Codex 搭建论文资料整理 Agent，从建立项目结构、规划执行到接入 PubMed 检索工具，展现普通人也能上手的 Agent 工作流。
文章帮助开发者厘清不同 Coding Agent 工具的选型思路，将需求分为三类：开箱即用的 Coding Agent 产品、可编程调用的 Agent SDK、以及用于定制自有 Agent 的 Agent Framework。预算充足可选 Claude Code 或 Codex，预算有限可用 OpenCode，追求极简与插件机制可选 Pi，想尝试递归自进化（RSI）可关注 DeepSeek Harness。作者认为 DSH 目标宏大但短期不会作为主力工具，会持续关注学习。
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
