AI in Harness（四）

Harness 的本质是什么？

说白了，Harness 就是一套工程化的方法：让大语言模型（LLM）在一轮又一轮的交互中，自主挑选合适的工具，并在严格受控的框架下完成工作。它解决的不是“能不能调用工具”，而是“如何安全、高效、可扩展地调用工具”。

如何理解 Harness 各个模块？

我们可以把 Harness 想象成一个完整的智能工作台——每个模块都是为了解决 LLM 在实际落地中碰到的具体痛点。下面逐个拆解：

• 首先，LLM 得知道自己有什么工具可用。所以需要一套

  工具管理模块
  ，负责维护工具清单，并把每个工具的名字和功能描述告诉模型。
• 工具不能随便用，尤其是高风险操作（比如删除文件、转账）。因此需要

  权限管理模块
  ，让关键操作必须经过用户确认。
• 光有工具还不够，很多时候需要在工具调用前后加点“私货” —— 比如记录日志、做数据转换。于是有了

  钩子（Hook）
  机制，类似 Ja va 的 AOP 切面，可以在工具执行前后扩展能力。
• 复杂任务需要分步骤执行，不能一股脑儿塞给模型。Harness 引入了

  Todo Write 工具 + 任务系统
  ，让 LLM 先制定计划，再按部就班干活。
• 子任务最好有个独立的工作间，避免污染主 Agent 的上下文。于是设计了

  SubAgent
  ，每个子 Agent 都有干净的上下文环境。
• 有些场景需要多个工具按固定流程搭配使用，比如“先查库存再下单”。Harness 把这些领域知识封装成

  Skill 系统
  ，相当于给 LLM 提供了一本“操作说明书”。
• 多轮对话后上下文会越变越长，很容易让模型“看花眼”。所以提供了

  上下文压缩
  能力，定期“瘦身”，缓解注意力分散问题。
• LLM 有时需要记住关键信息并在不同会话间共享，比如用户的偏好或历史操作。Harness 增加了

  Memory 模块
  来做这件事。
• 工具列表、Skill 说明、Memory 内容……这些信息怎么告诉 LLM？统一通过

  System Prompt 系统
  来注入，保证模型一上来就拿到所有必要背景。
• 大模型是远程调用，网络波动、token 超限、返回格式异常……各种故障都可能发生。Harness 专门设计了

  异常处理与恢复机制
  ，让 Agent 能在出错后自动恢复，不至于一崩到底。
• 有些工具执行时间很长（比如生成一份100页的报告）。Harness 支持把这类任务丢到

  后台任务
  里异步执行，不阻塞主 Agent 的响应。
• 结合后台任务和

  定时触发器
  ，就能实现

  Cron 定时任务
  ，让 Agent 按计划自动运转，比如每天早晨6点自动整理数据。
• 单兵作战效率有限，Harness 引入了

  多 Teammate 协作
  机制，多个 Agent 可以像团队成员一样分工协作。
• 多个 Teammate 之间怎么沟通？需要约定

  交流协议
  ，比如消息格式、任务指派方式，这样才能配合顺畅。
• Teammate 干完活后不会傻等，可以到

  任务板
  自主领取新任务，实现“流水线式”的工作模式。
• 多个 Teammate 同时干活容易“撞车”或相互干扰，于是有了

  Worktree Isolation
  ，每个工作区彼此隔离，各干各的。