「模型以外都是 Harness」:拆开才好装

684 字
3 分钟
「模型以外都是 Harness」:拆开才好装

来新璐一句很狠:模型以外,都是 Harness。 模型是大脑;Harness 是身体、手脚和工具。没有它,模型只能聊天,不能改仓库。能力上限一半看模型智商,一半看机甲合不合身。

这和「Prompt → Context → Harness → Loop」那条迁移线不打架:那边讲瓶颈外移,这边讲 Harness 内部怎么分层。

三层:执行 / 上下文 / 治理

解决什么例子
执行(Action)能动手读写文件、跑命令、代码解释器
上下文(Context)记得住、接得上KV Cache、Memory、窗口满时文档交接
治理(Orchestration)多人别打架任务分配、并行边界、权限谁能改代码

审查 Agent 只给只读工具;写码和测试 Agent 的权限要分开。两周搓浏览器那种活,靠的是:执行层给工具、上下文层用文档交接子任务、治理层拆写测角色。

Memory:半规则式是当下甜点

路线做法观感
全规则知识图谱 + 向量结构硬,不够活
半规则文件系统 + Markdown,Agent 增量改Claude Code 路线:结构与灵活折中
全模型模型自己决定存取方向对,还没收敛

CC 侧两个机制值得记:

  • Stop Hook:干完一轮,影子 Agent 决定写进哪些 Markdown
  • Auto-Dream:定期深整理,合并重复、纠错,类似「做梦整理记忆」

Skill 的经验提取和 Memory 更新哲学很近,别死磕名词边界,都算上下文工程。

上下文压缩不是「能删就删」

源码视角常见三招:

  1. 踢掉垃圾工具输出
  2. 窗口只用到约 80%,留 20% 余量
  3. 进展与目标写进文档,交给下一任 Agent

哪些留、哪些丢、下一棒要读什么,才是难点。好的管理常常是「少做多余管理」:别随意裁历史以至于弄坏 prompt caching。

Native vs Prompt Flow

Prompt FlowAgent Native
做法状态图 / 节点链卡死每一步给工具 + 上下文 + 权限,让模型自己走
代表气质LangGraph 一类编排Claude Code 一类
风险模型变强后编排反成枷锁更吃 Harness 与验收纪律

判断 Harness 好不好,看两件事:和当前自回归推理是否自洽;会不会挡住模型以后变强。每一步手把手指定「下一步干什么」,短期可控,长期往往是累赘。

相关阅读

素材来源:CSDN 原文

评论区

像发消息一样写就好:点工具栏插入表情 / 图片,表情会直接显示。插图 ≤5MB。