Agent harness
没有或很少条目链入本条目。 (2026年7月27日) |
Agent harness是大型语言模型(LLM)的软体基础架构,使大型语言模型可以发挥人工智能代理的功能。agent harness会处理工具使用、记忆、状态持久性、执行环境及回馈回路,而大型语言模型会进行理解的工作[1]。有一个2026年开始流行的缩写,将这几个技术简化为Agent = Model + Harness[2]。
因为LLM本身无状态,在没有其他工具的协助下,只能产生文字,harness就是让模型可以依照步骤采取行动、使用外部工具,以及在不同的对话之间持续进行长任务的关键。最原始的作法是重复地在上下文窗口中读取持续增加的文字,不过harness会在线下进行记录,使其变成结构化软体环境[1]。若是单一提示和单一回应,不需要harness,但若任务变成有几个步骤,需考虑工具,或是要长久执行,就需要harness了[3]。
架构
[编辑]harness会协调许多的机制,而这些机制早在agent harness此词语问世之前就已经有了。模型在一个回圈中,反复进行理解和行动的模式,在同行评审的ReAct框架中已有出现[4],在Toolformer模型时,模型有可以呼叫外部工具的能力[5]。
常见会归类在harness里的元件包括工具派发、记忆以及状态的持久化、隔离的沙盒或工作区、上下文管理、以及像是作用域权限(scoped permission)、核可分级(approval tier)和系统监控等安全防护栏(guardrail)。在2026年的一份工作报告中,Anthropic描述了一个具体范例,其中有一个预备环境的初始化agent,以及一个编写程式的agent,后者会反复从未完成的任务中选出一个、处理、提交变更、更新进程记录,一直到agent停止为止[6]。
Thoughtwork的Birgitta Böckeler区分两种不同的harness:内层harness是由模型开发商所提供(像是agent SDK,或是像Cursor或Codex等程式设计工具,外层harness是使用者所提供的,例如指令档案、模型上下文协议伺服器、以及自订技能。她进一步的区分在agent动作前,引导agent的引导机制(guides),以及在agent动作后,观察结果,让agent自行修正的感测机制(sensors),这些机制可能是计算型的(像是语法检查器或是测试,有明确的结果),也可能是推理型的(例如“用LLM作为裁决者”的语意检查)[2]。
历史和词语
[编辑]“在模型周围的架构”此一概念也出现在软体测试(测试控制工具,test harness)、LLM评测(评估harness),在强化学习中则是指在学习代理周围的环境以及封装器[2]。agent harness和LLM harness这两个词在相关学术领域命名之前,就已被许多人提及。
harness engineering此一词语是在2026年初出现,最早的提出者仍有争议。许多人将此回溯到HashiCorp的共同创建者 Mitchell Hashimoto在2026年2月在部落格的文章,他描述了一种实践方式:每当Agent出错时,就在其环境中进行工程化设计以实现永久修正[2],其他人则认为是LangChain的Vivek Trivedy首先提出,其文章《Anatomy of an Agent Harness》依照“Agent = Model + Harness”公式推导出Harness的元件 [7]。有一篇广为引用的OpenAI工程报告,其中提到主要由编码Agent所构建的大型程式码库,以及后续Thoughtworks、LangChain和Anthropic的文章,使此一词语更广为人知[2][6]。
harness在2026年中时,已成为学术研究的主题。独立报导提及了多项研究,像是Self-Harness,是代理从自身的失效中提出调整其harness的作法,并且核实[3],另一个是Harness-1,是开源的研究agent,其提升检索准确度的方式主要透过重构模型周围的软体环境,而不是用加大模型的方式来进行[1]。
截至 2026 年 7 月,Agent Harness 已开始发展成为一个独立的基础设施层。同月,HarnessRouter 发布了一个面向 Agent Harness 的统一接口,使开发者能够通过一个通用 API 使用多个 Harness,并获得托管式沙箱、无服务器执行和追踪能力。此次发布成为这一转变过程中的一个里程碑:开发者开始从分别构建和维护独立的 Agent Runtime,转向将 Agent Harness 作为共享的托管基础设施使用。
和提示工程、上下文工程的关系
[编辑]一般会将Harness engineering定位为比提示工程(针对单一互动的最佳化)更广的一层,也比上下文工程(管理模型在特定时刻可以看到什么资讯)要广,在此框架中,harness设计整个运作环境,而提示工程和上下文工程都只是其中的一部份[2]。Harness有一个显著特征,在于所封装的组件具有非确定性,因此Harness的设计宗旨在于:当模型产生幻觉行动,或是错误地将未完成的任务回报为已完成时,系统仍可以优雅复原[3]。
相关条目
[编辑]参考资料
[编辑]- ^ 1.0 1.1 1.2 Nuñez, Michael. Researchers trained an open source AI search agent, Harness-1, that outperforms GPT-5.4 on recalling relevant information. VentureBeat. 2026-06-08 [2026-07-13].
- ^ 2.0 2.1 2.2 2.3 2.4 2.5 Böckeler, Birgitta. Harness engineering for coding agent users. martinfowler.com. 2026-04-02.
- ^ 3.0 3.1 3.2 Ramachandran, Sri Krishna. Researchers introduce Self-Harness, a framework that lets AI agents rewrite their own rules. VentureBeat. 2026-06 [2026-07-13].
- ^ Yao, Shunyu; Zhao, Jeffrey; Yu, Dian; Du, Nan; Shafran, Izhak; Narasimhan, Karthik; Cao, Yuan. ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations (ICLR). 2023.
- ^ Schick, Timo; Dwivedi-Yu, Jane; Dessì, Roberto; Raileanu, Roberta; Lomeli, Maria; Zettlemoyer, Luke; Cancedda, Nicola; Scialom, Thomas. Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems (NeurIPS). 2023.
- ^ 6.0 6.1 Effective harnesses for long-running agents. Anthropic Engineering. Anthropic. 2026.
- ^ Osmani, Addy. Agent Harness Engineering. O'Reilly Radar. O'Reilly Media. 2026-05-15.