文章以 Pi coding agent 的 Durable 版本为切入点，拆解 Harness 架构的演进。传统 Harness 将持久化系统、agent loop 和执行环境耦合在同一个 Node.js 进程中并强依赖 VM，而 Durable 将持久化外置为 SQLite 存储、执行环境与操作系统解耦，并实现无损状态恢复，使 agent 可部署在 serverless 等更灵活的计算节点上。文章还介绍了 pi 的 MCP 原生支持、codemode（通过 QuickJS 批量调度工具）以及 server/client/protocol 分离等变化，最后设计了一套可扩展的长期 Harness 架构，目标是硬件资源消耗降低一个数量级。
文章介绍了 Pi 发布的持久化运行时库 pi-durable，用于保存 Agent 的会话、工具调用和任务状态，实现进程中断后的断点续跑。作者讲解了核心机制：Harness 负责调度模型请求和工具任务，Storage（如 SQLite）保存提交后的记录；应用可通过 defineDoc 定义业务进度状态，并通过 replay 策略（safe/unsafe）控制被中断工具调用的重跑行为。文章以一个读取本地章节并保存进度的 TypeScript Agent 为例，详细演示了环境准备、依赖安装、代码实现，以及正常运行、重启恢复、中途退出后续跑的完整流程。
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
作者以个人技术视角回顾了 2022 年底 ChatGPT 上线至 2026 年约四年的 AI 发展历程。从最初围绕聊天框的 Prompt Engineering，到 2023-2024 年 RAG、工具调用与工作流编排（LangChain、n8n、Dify、MCP）；2025 年 Codex CLI、Claude Code 等编程 Agent 兴起，本地部署与浏览器 Agent 出现，长任务催生上下文工程与 Harness 机制；2026 年 Skills 生态、OpenClaw 个人助手、多 Agent 协作与电脑操作能力成熟。文章梳理了从聊天框到完整任务执行系统的演进脉络，展示了 Agent 工具、技能与协作形态的迭代过程。
本文探讨如何通过循环工程降低自主编码 Agent 的 Token 成本。以一个 5 轮 PR 修复任务为例，未优化的 Harness 消耗 81,000 tokens（$1.53），而优化后仅需 12,050 tokens（$0.042）。核心机制包括：稳定的系统前缀以最大化 KV 缓存命中；基于 AST 的工具输出压缩，仅提取代码骨架；沙箱确定性工具预检与自动修复，避免浪费 LLM 推理；MCP 工具 Schema 的按需懒加载与 Code-Mode 执行；以及双层级模型路由（Workhorse 处理机械性任务，Frontier 处理复杂规划），并定义了四种确定性升级触发条件，实现亚角级（sub-dime）任务成本。
文章探讨如何让 Coding Agent 从'单点做成'走向'规模运营'，提出个人、团队、组织三个层级的 Harness 关注点：个人需明确任务规范并准备上下文与工具；团队要将有效经验沉淀为 Skill、模板、MCP 与质量规则；组织需建立跨 Agent 任务证据链，治理可复用能力并基于结果决定投入。作者介绍 Better Harness 开源项目及 Dashboard，支持从十余种 Coding Agent 读取本地执行数据，将分散的执行记录转化为可观察的任务反馈，把活动与验收结果连接起来，降低完成合格任务的整体成本，实现可验证、可复制、可治理的 Agent 交付能力。
文章探讨了 Snowflake、Databricks、ClickHouse、BigQuery、MotherDuck 等数据仓库平台在 AI 时代的架构演进，总结了七大架构经验：推理正在成为数据库算子；数据转换可通过 LLM 推断并物化新事实；语义层正成为 Agent 的基础设施；Agent 的部署位置是重要的架构决策；数据仓库正成为 Agent 工作的执行环境；Agent 是一种新的数据库工作负载，其迭代、突发、高并发的访问模式要求重新设计数据库系统。这些模式为所有 AI 产品的架构设计提供了借鉴。
文章深入分析了 Agent 开发的技术趋势，指出核心稀缺资源已从“代码”转向“可信结果”。阐述了 Harness Engineering 的重要性，强调在概率性推理之外建立确定性执行外壳，通过状态管理、身份验证和结果验收，让 Agent 能够在复杂系统中可靠承担责任。
MCP新规范将协议从双向有状态改为请求/响应模型，服务端可部署在Serverless和边缘基础设施上。类比银行业务，以前需找固定柜员，现在任意柜员均可办理，提升了灵活性和效率。
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。
文章深入解析了 OpenAI Codex CLI 的内存架构，该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程，指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后，文章引入 Mem0 作为解决方案，通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层，解决原生功能在扩展性和同步方面的不足。
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。
文章深入分析了开源 Hermes Agent 的记忆系统架构。与 OpenClaw 不同，Hermes 不依赖单一记忆，而是采用了四层架构：极简的 Prompt 冻结记忆（MEMORY.md/USER.md）、基于 SQLite 的会话搜索、程序化技能以及可选的 Honcho 层。其核心设计理念是保持 Prompt 稳定以利用缓存，并将历史细节剥离至外部工具按需检索。
