AI Agent 核心架构与工程实践：从 ReAct 到 Harness 的完整拆解-平芜编程栈

这里写自定义目录标题

欢迎使用Markdown编辑器
- 引言：为什么 Agent 是 AI 应用的下一个范式
- 一、Agent 的认知架构：从 ReAct 到更复杂的范式
- - 1.1 ReAct：Agent 的"启蒙范式"
  - 1.2 从 ReAct 到图状态机
  - 1.3 H-V-R 范式：假设-验证-反思
- 二、Harness：驾驭 Agent 的工程框架
- - 2.1 什么是 Harness
  - 2.2 Harness 的核心组件
  - 2.3 为什么 Harness 决定了 Agent 的上限
- 三、工具系统：Agent 连接世界的桥梁
- - 3.1 工具的本质
  - 3.2 工具设计的工程要点
  - 3.3 MCP 协议：工具标准化的方向
- 四、记忆系统：让 Agent 从"一次性"走向"持续服务"
- - 4.1 记忆的分层
  - 4.2 长期记忆的实现
  - 4.3 记忆的"遗忘"机制
- 五、Agent 工程化的落地实践
- - 5.1 从 Demo 到生产的鸿沟
  - 5.2 可观测性：让 Agent 行为可审计
  - 5.3 评测闭环：持续改进的引擎
- 六、我的几点实践心得
- 新的改变
- 功能快捷键
- 合理的创建标题，有助于目录的生成
- 如何改变文本的样式
- 插入链接与图片
- 如何插入一段漂亮的代码片
- 生成一个适合你的列表
- 创建一个表格
- - 设定内容居中、居左、居右
  - SmartyPants
- 创建一个自定义列表
- 如何创建一个注脚
- 注释也是必不可少的
- KaTeX数学公式
- 新的甘特图功能，丰富你的文章
- UML图表
- 流程图
- FLowchart流程图
- 导出与导入
- - 导出
  - 导入

欢迎使用Markdown编辑器

你好！这是你第一次使用# AI Agent 核心架构与工程实践：从 ReAct 到 Harness 的完整拆解

引言：为什么 Agent 是 AI 应用的下一个范式

最近和几个做 AI 应用落地的朋友聊天，大家普遍有个感觉：单纯调用大模型的 API，做个问答或者文本生成，已经越来越"没劲"了。项目初期，一个简单的 Prompt 就能做出个 Demo，效果惊艳。但一旦想把它做成一个能稳定运行、处理复杂任务的系统，各种问题就接踵而至：任务一复杂，模型就开始"胡言乱语"；需要调用外部工具时，流程控制变得异常繁琐；状态管理、错误处理、长期记忆……这些在传统软件开发里司空见惯的概念，在基于大模型的系统里却要重新造轮子。

这背后的核心矛盾在于，我们是在用一个"对话模型"去干"智能体"的活儿。大语言模型（LLM）本质是一个强大的世界知识压缩器和文本模式匹配器，它擅长的是在单次交互中生成符合上下文的文本。但现实世界的任务，无论是分析一份财报、编写一个爬虫脚本，还是规划一次旅行，都是多步骤、有状态、需要与环境（工具、API、数据库）持续交互的过程。把 LLM 直接当"大脑"用，就像让一位博闻强识的学者去指挥一场交响乐，他或许知道每个乐器的原理，但缺乏指挥的节奏感、协调性和对全局流程的控制力。

于是，Agent（智能体）的概念被推到了前台。它不再把 LLM 仅仅视为一个文本生成器，而是将其作为核心的"推理引擎"或"决策中心"，围绕它构建起一整套感知、规划、执行和反思的架构。简单说，Agent = LLM（大脑）+ 规划能力（思维链/ReAct）+ 工具使用（Skill）+ 记忆模块 + 执行环境。它的目标是让 AI 能够像人一样，自主理解复杂目标，拆解任务，调用合适工具，并在执行中根据反馈调整策略，直至完成任务。

本文将从认知架构、Harness 概念、工具系统、记忆系统、以及工程化落地几个维度，完整拆解 Agent 开发的方方面面。

一、Agent 的认知架构：从 ReAct 到更复杂的范式

1.1 ReAct：Agent 的"启蒙范式"

ReAct（Reasoning + Acting，推理 + 行动）是 Agent 领域最经典的认知架构。它的核心思想是让模型在"思考"和"行动"之间交替：

Thought（思考）：模型分析当前状态，决定下一步该做什么
1. Action（行动）：模型选择一个工具并给出调用参数
1. Observation（观察）：系统执行工具调用，把结果返回给模型
1. 回到第 1 步，直到任务完成
  这个循环看似简单，却解决了 Agent 最核心的问题：让模型"边想边做"，而不是"一次想完再一起做"。ReAct 的巧妙之处在于，它把推理过程显式化，让模型能够根据工具返回的真实结果调整策略，而不是凭想象硬撑。

1.2 从 ReAct 到图状态机

ReAct 虽然经典，但有一个致命缺陷：它是"线性"的，缺乏对复杂流程的控制力。当任务需要条件分支、循环、并行执行时，ReAct 就力不从心了。

2026 年的主流范式是"图状态机"。以 LangGraph 为代表的框架，把 Agent 建模为一张有向图：

节点（Node）：计算单元，可以是模型调用、工具执行、数据处理
- 边（Edge）：路由逻辑，决定执行完一个节点后下一步去哪
- 状态（State）：贯穿全图的共享内存，保存中间结果和上下文
  这种范式的优势在于：开发者可以精确控制 Agent 的执行流程，把"模型自由发挥"限制在合理的范围内。比如，你可以规定"先检索再生成"、“工具调用失败后重试两次”、"超过 5 步强制终止"等规则，让 Agent 的行为可预测、可控、可审计。

1.3 H-V-R 范式：假设-验证-反思

在 ReAct 和图状态机之上，2026 年还出现了一种更高级的认知范式——H-V-R（Hypothesis-Verification-Reflection，假设-验证-反思）。它的核心思想是：Agent 不再"边想边做"，而是先提出假设，再通过工具验证，最后根据验证结果反思修正。

这种范式特别适合需要严谨性的场景，比如科研、数据分析、代码生成。它通过"提出假设 → 设计验证方案 → 执行验证 → 反思修正"的循环，显著降低了模型的幻觉率。

二、Harness：驾驭 Agent 的工程框架

2.1 什么是 Harness

在 AI Agent 的语境下，Harness 的含义接近于"驾驭"、“控制"或"治理”。你可以把它理解为一套用于"驾驭"LLM 能力，使其能可靠、安全、高效地完成复杂任务的工程框架、方法论和最佳实践的集合。

这不仅仅是写个 Prompt 那么简单，它涉及到如何设计 Agent 的认知架构（如 ReAct），如何定义和管理可复用的能力单元（Skill/SubAgent），如何确保任务执行的可靠性与安全性，以及如何将多个 Agent 协同起来处理更宏大的问题。

2.2 Harness 的核心组件

一个完整的 Harness 通常包含以下组件：

上下文管理器：负责上下文的组装、压缩、裁剪，确保模型始终看到关键信息
- 工具注册中心：负责工具的注册、描述、参数校验、调用调度
- 记忆系统：负责短期记忆和长期记忆的读写、检索、整理
- 评测模块：负责对 Agent 输出进行质量评估和反馈
- 循环控制器：负责控制 Agent 的迭代次数、超时、终止条件
- 可观测性模块：负责日志、追踪、指标采集，让 Agent 行为可审计

2.3 为什么 Harness 决定了 Agent 的上限

很多人以为 Agent 的能力上限由模型决定，其实不然。模型是"思考引擎"，但"思考"能否转化为"可靠的行动"，取决于 Harness 的质量。

举个例子：一个模型可能"知道"如何调用搜索工具，但如果 Harness 没有做好工具描述，模型就会乱传参数；如果 Harness 没有做好错误处理，工具调用失败后 Agent 就会卡死；如果 Harness 没有做好上下文管理，长对话后模型就会"失忆"。这些问题的根源都不在模型，而在 Harness。

三、工具系统：Agent 连接世界的桥梁

3.1 工具的本质

工具是 Agent 连接外部世界的桥梁。一个 Agent 的能力边界，很大程度上由它的工具集决定。工具可以是 API 调用、数据库查询、代码执行、文件读写、网页访问等任何可编程的能力。

3.2 工具设计的工程要点

设计工具系统时，有几个关键的工程要点：

第一，工具描述要"面向模型"。工具描述不是给人看的，是给模型看的。描述要写清楚：这个工具是干什么的、参数是什么含义、返回值是什么结构、什么情况下该用这个工具。描述写得越清楚，模型调用就越准确。

第二，参数校验要严格。模型生成的参数不一定合法，工具层必须做严格的参数校验和类型转换，防止脏数据进入系统。

第三，错误处理要健壮。工具调用可能失败（网络超时、接口报错、数据异常），工具层要定义清晰的错误码和错误信息，让 Agent 能够理解失败原因并调整策略。

第四，权限控制要严格。不是所有工具都该让 Agent 随意调用。涉及敏感操作（删除数据、发送消息、支付）的工具，必须设置权限边界和审批流程。

3.3 MCP 协议：工具标准化的方向

2026 年，MCP（Model Context Protocol）协议正在成为工具调用的行业标准。MCP 的核心思想是把工具能力描述成标准的 JSON Schema，让模型能够统一理解不同来源的工具。这解决了 Agent 生态最大的痛点——工具碎片化。有了统一协议，Agent 可以像"插 USB"一样接入各种工具，生态的丰富度将大幅提升。

四、记忆系统：让 Agent 从"一次性"走向"持续服务"

4.1 记忆的分层

记忆是 Agent 从"一次性对话"走向"持续服务"的关键。2026 年的主流做法是把记忆分为两层：

短期记忆：当前会话的上下文，保存在内存中，会话结束即清空
- 长期记忆：跨会话的持久化知识，保存在外部存储中，可以跨会话复用

4.2 长期记忆的实现

长期记忆的实现通常依赖外部存储：

向量数据库：存语义记忆，支持按相似度检索
- 关系型数据库：存结构化事实，支持精确查询
- 文件系统：存原始文档，支持全文检索
  记忆的写入需要经过筛选和整理，不能什么都存——存太多会污染检索结果，存太少又会丢失关键信息。记忆的读取需要按需检索，不能什么都塞进上下文——上下文窗口是有限的，塞太多反而会干扰模型判断。

4.3 记忆的"遗忘"机制

记忆系统还有一个容易被忽视的环节：遗忘。不是所有信息都值得长期保存，系统需要设计遗忘机制：过期的信息要清理，低价值的信息要降权，冲突的信息要仲裁。一个健康的记忆系统，应该像人脑一样，既记得住重要的，也忘得掉不重要的。

五、Agent 工程化的落地实践

5.1 从 Demo 到生产的鸿沟

很多团队在 Demo 阶段很兴奋，一上生产就崩溃。原因在于，Demo 只验证了"模型能不能做"，生产环境还要验证"系统能不能稳定做"。从 Demo 到生产，需要补齐大量工程环节：错误处理、超时重试、日志追踪、成本控制、权限治理、灰度发布。

5.2 可观测性：让 Agent 行为可审计

生产级 Agent 必须有完善的可观测性。每一步执行都要有日志：模型想了什么、调用了什么工具、工具返回了什么、最终输出了什么。这些日志不仅是排障的依据，也是评测和优化的数据来源。

5.3 评测闭环：持续改进的引擎

Agent 的评测比传统软件复杂得多，因为它的输出是"非确定性的"。同一个输入，模型可能给出不同的输出。因此，Agent 评测不能只看单次结果，要看统计分布：跑 100 次，成功率是多少？平均耗时多少？成本多少？

评测集要持续扩充，把线上暴露的问题不断回流进去，形成"发现问题 → 加入评测 → 修复 → 回归"的闭环。这是 Agent 持续改进的引擎。

六、我的几点实践心得

最后，分享几点我在 Agent 工程化实践中的心得。

第一，先做"能跑的"，再做"跑得好的"。很多团队一上来就追求完美的架构，结果项目迟迟无法启动。正确的做法是先做一个能跑通全流程的最小版本，再逐步优化。架构可以在迭代中演进，但业务价值必须尽早交付。

第二，控制权要"收放有度"。Agent 的自主性是一把双刃剑：自主性太强，行为不可控；自主性太弱，又失去了 Agent 的意义。好的设计是"在关键节点收权，在细节环节放权"——让模型在细节上自由发挥，但在关键决策上由规则把关。

第三，工具质量决定 Agent 质量。我见过太多团队花大量时间调 Prompt，却忽视了工具层的建设。实际上，工具描述是否清晰、参数校验是否严格、错误处理是否健壮，对 Agent 最终效果的影响，往往比 Prompt 更大。

第四，把 Agent 当产品运营。Agent 不是"开发完就完事"的一次性项目，而是一个需要持续运营的产品。线上反馈要收集、评测集要扩充、模型要迭代、成本要治理。只有把 Agent 当作产品来运营，它才能持续创造价值。

Agent 开发是一场"系统工程"的马拉松，而不是"调 Prompt"的百米冲刺。理解了认知架构、Harness、工具系统、记忆系统这些核心组件，你就掌握了 Agent 开发的底层逻辑。剩下的，就是在实践中不断打磨和迭代。

Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown将代码片显示选择的高亮样式进行展示；
增加了图片拖拽功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的KaTeX数学公式语法；
增加了支持甘特图的mermaid语法¹功能；
增加了多屏幕编辑Markdown文章功能；
增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能，功能按钮位于编辑区域与预览区域中间；
增加了检查列表功能。

功能快捷键

撤销：Ctrl/Command+Z
重做：Ctrl/Command+Y
加粗：Ctrl/Command+B
斜体：Ctrl/Command+I
标题：Ctrl/Command+Shift+H
无序列表：Ctrl/Command+Shift+U
有序列表：Ctrl/Command+Shift+O
检查列表：Ctrl/Command+Shift+C
插入代码：Ctrl/Command+Shift+K
插入链接：Ctrl/Command+Shift+L
插入图片：Ctrl/Command+Shift+G
查找：Ctrl/Command+F
替换：Ctrl/Command+G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本强调文本

加粗文本加粗文本

标记文本

~~删除文本~~

引用文本

H₂O is是液体。

2¹⁰运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的代码片.

// An highlighted blockvarfoo='bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants 是一个文本转换工具，主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如：

原始符号	转换后	说明
`"引号"`	“引号”	直引号变弯引号
`'单引号'`	‘单引号’	直单引号变弯单引号
`--`	–	两个连字符变短破折号
`---`	—	三个连字符变长破折号
`...`	…	三个点变省略号

创建一个自定义列表

Markdown

Text-to-HTMLconversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb NΓ(n)=(n−1)!∀n∈N是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞tz−1e−tdt.

你可以找到更多关于的信息LaTeX数学表达式here.

新的甘特图功能，丰富你的文章

关于甘特图语法，参考这儿,

UML图表

可以使用UML图表进行渲染，例如下面产生的一个序列图：

关于UML图表语法，参考这儿,

流程图

关于Mermaid语法，参考这儿,

FLowchart流程图

我们依旧会支持flowchart.js的流程图语法：

关于Flowchart流程图语法，参考这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

mermaid语法说明 ↩︎
注脚的解释 ↩︎