Agent 知识体系全景：为什么 2026 年的护城河不在模型，而在 Harness-平芜编程栈

Agent 知识体系全景：为什么 2026 年的护城河不在模型，而在 Harness

一份基于 197 章、86 主题的系统性梳理，回答一个问题：AI 从"能说"到"能做"再到"可靠地做"，工程上到底发生了什么。

一、一个公式定全局：Agent = Model + Harness

整个 Agent 领域的讨论再多，归根结底只围着一件事：怎么让 AI 从"能说"变成"能做"，而且"做得可靠"。

答案就是这个公式：

Agent = Model + Harness

Model：LLM，负责"聪明"——思考、推理、决策。买来的，决定上限。
Harness：模型之外的一切，负责"可靠"——工具、记忆、权限、反馈回路、错误恢复。自己建的，决定下限，也是护城河。

Agent 领域所有概念，都能归到这两侧之一：

归属	涵盖
Model 侧	Token / System Prompt / Temperature / 幻觉、预训练-SFT-RLHF-LoRA、量化-蒸馏-Transformer-Attention、Prompt 工程、RAG
Harness 侧	四大工程范式、Harness 六大组件、Agent Loop、工具系统、记忆系统、安全护栏、可观测性、成本优化、评估体系、框架生态、设计模式
桥接层	Context 工程（Model ↔ Harness 之间的信息流）、FDE（把 Harness 装进真实业务的人）

二、五层范式嵌套：瓶颈随模型变强而外移

文档的主脉络是五大工程范式的层层包含：

L5 Environment Engineering（环境工程） ← AI 在动态世界里自主进化 └─ L4 Loop Engineering（循环工程） ← 系统持续自动运转 └─ L3 Harness Engineering（套具工程） ← AI 安全可控地执行 └─ L2 Context Engineering（上下文工程） ← 给 AI 正确信息 └─ L1 Prompt Engineering（提示词工程） ← 跟 AI 说清楚

关键规律：模型每强一截，瓶颈就往外移一层。新层不取代旧层，而是把旧层吃进去当零件：

Prompt 被吃进 Context（Prompt 只是上下文的一部分）
Context 被吃进 Harness（上下文管理是 Harness 的一个组件）
Harness 被吃进 Loop（Harness 是 Loop 的运行环境）
Loop 被吃进 Environment（Loop 是环境中的执行单元）

用开餐厅类比（文档原版）：

L1 = 厨师学会按菜谱做菜
L2 = 采购把对的食材备好放台面
L3 = 餐厅操作规范（刀具权限、出事处理）
L4 = 整个餐厅运营系统（订单流转、出品验收）
L5 = 餐厅所在的商业生态（竞争对手、供应链、顾客偏好变化）

三、Harness 内部：六大组件以文件系统为枢纽环形协作

Harness 是整个体系里最核心的工程实体，六组件的关系可以画成这样：

┌─────────────────────┐ │ 文件系统（枢纽） │ │ 代码 + Git + Progress│ └──────┬──────────────┘ ┌────────────────┼────────────────┐ ┌─────┴─────┐ ┌──────┴──────┐ ┌──────┴──────┐ │ 工具集成层 │ │ 记忆与状态 │ │ 上下文工程 │ │ (手) │ │ (记事本) │ │ (策展) │ └─────┬─────┘ └──────┬──────┘ └──────┬──────┘ │ │ │ ┌─────┴─────┐ ┌──────┴──────┐ ┌──────┴──────┐ │ 规划与任务 │ │ 验证与护栏 │ │ 模块化与 │ │ 分解(大脑) │ │ (安全绳) │ │ 可扩展性 │ └───────────┘ └─────────────┘ └─────────────┘

配套的记忆系统是四层递进：

Working Context（CPU 寄存器）→ 当前上下文窗口 Session State（内存） → Progress File，当前会话进度 Long-term Memory（硬盘） → CLAUDE.md / AGENTS.md，跨会话持久 Filesystem（外部存储） → 代码 + Git 历史，天然审计日志

四、Agent Loop：Harness 的"心跳"

Loop 五阶段 ↔ Harness 六组件的映射：

Loop 阶段	Harness 组件	做什么
1. 感知 Perceive	上下文工程 + 记忆	组装上下文，读 Progress File
2. 推理 Reason	Model	LLM 读上下文，决定下一步
3. 规划 Plan	规划与任务分解	Plan-then-Execute 或 ReAct
4. 行动 Act	工具集成层	调工具、执行命令、写文件
5. 观察 Observe	验证与护栏	拿结果，验证对不对，注入上下文

Loop 三大风险点与 Harness 防护：

停太早（任务没完就退）→ Feature List JSON 合约 + Ralph Loop 拦截
停不下（无限循环）→ max_steps / Token 预算 / 时间预算
停错地（自以为成功）→ Maker-Checker 分离 + 外部 Eval

Karpathy 三道护栏（AutoResearch 项目）是具体落地：外部客观尺子、硬性时间预算、一键 git revert。

五、三条子系统：知识、工具、协作

5.1 知识喂养：从"提前给"到"按需取"

Prompt（当场说）→ RAG（提前存库）→ CLAUDE.md（每次注入）→ Skills（按需取） 一次性 可复用 常驻稳定 渐进式披露

这里有个反直觉的点：ETH Zurich 实验证明 CLAUDE.md 几乎没用（人写仅 +4%，AI 生成反 -3%），真正管用的是 Hook（硬性拦截）。文档给了一句很狠的总结：

“说明只是请求它别做，Hook 是让它根本做不到”——从"沟通"管住到"设计"管住。

Skills 更颠覆：不是一个 markdown，是一个文件夹，能装可执行脚本。脚本执行不占上下文，只有结果进入。三层渐进披露（目录 ~50 tokens → 正文 → 细节引用），Token 节省 95%。

5.2 工具系统：四层设计

层1 工具接口（AgentTool） → 权限内聚，defaultPermission 是工具自身属性 层2 权限管理（PermissionManager） → 三档 auto/confirm/deny + 命令级签名 层3 安全分类器（两阶段） → 99% 快速过滤 + 1% CoT，只看动作不看 Agent 说的话 层4 协议连接（MCP/CLI） → MCP = USB-C，CLI = 零封装现成用

工具不是越多越好，每多一个工具描述就吃掉上下文 Token。15 个核心工具 + Bash 后备是最优配置。

5.3 多 Agent 协作：不是银弹

三种编排：

模式	控制精度	代表	适合
图编排	最高	LangGraph	流程确定、需断点续传
角色编排	中	CrewAI	角色分工清晰的创意流
会话编排	最低	AutoGen	探索性、动态协作

判断标准：子任务是否需要共享上下文。大多数场景下，单 Agent + 好工具 > 多 Agent 协作。多 Agent 成本通常是单 Agent 的 3-5 倍。

六、三大保障体系：裹在 Harness 外围的闭环

┌──────────────────────────┐ │ 评估与优化（Eval） │ ← 好不好 │ (Bad Case / Ablation / 灰度) └──────────┬───────────────┘ │ 反馈 ┌──────────▼───────────────┐ ┌─────────┐ │ Agent 系统运行 │ ┌──────────┐ │ 安全护栏 │─────→│ (Model + Harness + Loop) │←─────│ 可观测性 │ └─────────┘ └────────────────────────────┘ │(Trace / │ │ Metrics) │ └──────────┘

数据飞轮：评估 → 诊断（可观测性）→ 优化（改 Harness）→ 再评估。

💡 Terminal-Bench 2.0 核心证据：同一模型，默认配置排 30+ 名，优化 Harness 后跳进前 5。决定 Agent 排名的不再是模型，而是 Harness。

七、FDE：把 Harness 装进真实业务的人

Agentic Engineering 三层：

Layer 1: Loop（心脏） → Agent 怎么思考和行动 Layer 2: Harness（骨架） → Agent 能不能稳定运行 Layer 3: FDE（人） → Agent 能不能产生业务价值

FDE 三件套：Loop 工程、Harness 工程、Eval 工程（2026 年 FDE 招聘最高频关键词）。

FDE vs 驻场外包的本质区别：

外包的代码是成本（交付即终点）；FDE 的代码是侦察情报（交付只是起点，发现十二个客户的共同需求 → 变成产品功能）。“外包驻场是服务交付策略，FDE 是伪装成服务的产品策略。”

八、框架层坍缩：80% 被模型吸收，20% 上移到 Harness

框架过去做的事 ├── 80% 被模型吸收（路由 / 工具选择 / 输出解析 / 重试 → 模型原生就能做） └── 20% 向上转移到 Harness 层（持久化 / 检查点 / 可观测性 / 错误恢复）

各框架的新定位：

LangGraph→ 状态机编排引擎（Channel 语义、Checkpoint、Pregel BSP）
DeepAgents→ Harness 工程产品化（12+ 层中间件、7 种可插拔后端）
Claude Code→ Harness 做成产品（50 万行代码验证：最值钱的不是模型是 Harness）
OpenClaw→ 全能 Local Agent（20+ 渠道适配器、三层安全审计）

框架没有消失，而是要么基础设施化（变成 Harness 的一部分），要么产品化（变成 Harness 的形态）。

九、Claude Code 源码：50 万行的实证

2026 年 3 月泄露的 Claude Code 50 万行代码，把上面所有理论判断挨个验了一遍：

理论判断	源码验证
Harness 比 Model 值钱	50 万行绝大部分是上下文管理 / 危险判断 / 任务切换 / 错误回滚
CLAUDE.md 不如 Hook	buildSystemPrompt 分层注入 + ToolPermissionManager 两阶段分类器
权限不递归放大	子 Agent 只能拿到父 Agent 显式授权的工具子集
命令级签名	`bash:git status`而非`bash`
记忆路径即相关性	loadClaudeMd 递归搜索，不用向量
Token 预算感知	TokenBudgetManager 用自然语言告知剩余预算