agent harness是大型语言模型（LLM）的軟體基礎架構，使大型语言模型可以發揮人工智能代理的功能。agent harness會處理工具使用、記憶、狀態持久性、執行環境及回饋回路，而大型语言模型會進行理解的工作。有一個2026年開始流行的縮寫，將這幾個技術簡化為Agent = Model + Harness。
因為LLM本身无状态，在沒有其他工具的協助下，只能產生文字，harness就是讓模型可以依照步驟採取行動、使用外部工具，以及在不同的對話之間持續進行長任務的關鍵。最原始的作法是重複地在上下文窗口中讀取持續增加的文字，不過harness會在線下進行記錄，使其變成可以管理agent狀態的結構化軟體環境。
架構
harness會協調許多的機制，而這些機制早在agent harness此詞語問世之前就已經有了。模型在一個迴圈中，反覆進行理解和行動的模式，在同行評審的ReAct框架中已有出現，在Toolformer模型時，模型有可以呼叫外部工具的能力。
常見會歸類在harness裡的元件包括工具派發、記憶以及狀態的持久化、隔離的沙盒或工作區、上下文管理、以及像是作用域權限（scoped permission）、核可分級（approval tier）和系統監控等安全防護欄（guardrail）。在2026年的一份工作報告中，Anthropic描述了一個具體範例，其中有一個預備環境的初始化agent，以及一個編寫程式的agent，後者會反覆從未完成的任務中選出一個、處理、提交變更、更新進程記錄，一直到agent停止為止。
Thoughtwork的Birgitta Böckeler區分兩種不同的harness：內層harness是由模型開發商所提供（像是agent SDK，或是像Cursor或Codex等程式設計工具，外層harness是使用者所提供的，例如指令檔案、模型上下文协议伺服器、以及自訂技能。她進一步的區分在agent動作前，引導agent的引導機制（guides），以及在agent動作後，觀察結果，讓agent自行修正的感測機制（sensors），這些機制可能是計算型的（像是語法檢查器或是測試，有明確的結果），也可能是推理型的（例如「用LLM作為裁決者」的語意檢查）。有一篇廣為引用的OpenAI工程報告，其中提到主要由編碼Agent所構建的大型程式碼庫，以及後續Thoughtworks、LangChain和Anthropic的文章，使此一詞語更廣為人知。
harness在2026年中時，已成為學術研究的主題。獨立報導提及了多項研究，像是Self-Harness，是代理從自身的失效中提出調整其harness的作法，並且核實，另一個是Harness-1，是開源的研究agent，其提昇檢索準確度的方式主要透過重構模型周圍的軟體環境，而不是用加大模型的方式來進行。
和提示工程、上下文工程的關係
一般會將Harness engineering定位為比提示工程（針對單一互動的最佳化）更廣的一層，也比上下文工程（管理模型在特定時刻可以看到什麼資訊）要廣，在此框架中，harness設計整個運作環境，而提示工程和上下文工程都只是其中的一部份。Harness有一個顯著特徵，在於所封裝的組件具有非確定性，因此Harness的設計宗旨在於：當模型產生幻覺行動，或是錯誤地將未完成的任務回報為已完成時，系統仍可以優雅復原。
相關條目
- 人工智能代理
- 大型语言模型
- 提示工程
- 模型上下文协议（MCP）
*
- 測試控制工具
參考資料
评论 (0)