深度拆解：AI Agent Harness 的 12 個核心組件 (The Anatomy of an Agent Harness)

原始來源與檔名：20260512_2026-05-12T093114+0800-深度拆解：AI Agent Harness 的构造【译】.md

來源：[[@dotey]] (原作者 [[@akshay_pachaar]]) / X (Twitter) — 2026-04-06 原始檔名：2026-05-12T093114+0800-深度拆解：AI Agent Harness 的构造【译】.md

NAPKIN | 餐巾紙

餐巾紙公式

AI Agent ≠ LLM Agent = LLM (CPU) + Context (RAM) + Tools (I/O Drivers) + Harness (Operating System) Harness = Orchestration Loop + Memory + State + Safety Guardrails

為什麼你在本地跑的 LangChain Demo 很酷，放進生產環境卻總是崩潰？因為模型沒有變，是你外圍的「腳手架 (Harness)」太脆弱。Harness 是包裹在模型外的一套作業系統，負責管理上下文、處理錯誤、驗證結果與調用工具。它解決了模型的失憶、幻覺與執行中斷。隨著模型變強，Harness 會變薄，但它永遠不會消失。

一句話

本文深度解剖了Anthropic, OpenAI, LangChain 都在建構的底層架構：AI Agent Harness（腳手架/治理框架）。文章將 Harness 拆解為 12 個核心模塊（編排循環、工具、記憶、上下文管理、錯誤處理、護欄等），並對比了 Claude Code, LangGraph, CrewAI 等框架的設計哲學。作者指出，「如果你不是模型本身，那你就是 Harness」，且強大的 Harness 設計能讓相同模型在基準測試中的排名產生 20 名以上的巨大差異。

餐巾紙草圖

[The 12-Component Agent Harness Architecture]

[ User Input ]
      |
[ Prompt Construction ] <--- [ Context Management (Compression/JIT) ] <--- [ Memory (L1/L2/L3) ]
      |
[ Orchestration Loop (ReAct) ] <--- [ Guardrails & Safety ]
      |
[ LLM Inference ] -> Output Parsing
      |
[ Tool Execution (Sandbox) ] ---> [ State Management / Error Handling ]
      |
[ Verification Loops (LLM-as-judge) ] ---> Loop back to Orchestration

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

  1. 模型只是運算單元，Harness 決定了生產力: 作者引用 TerminalBench 2.0 的數據，證明相同模型在更換 Harness 架構後，排名能狂升 25 名。這徹底粉碎了「只要模型夠強，一切都能解決」的迷思。大語言模型本質上是「無狀態」的，必須靠 Harness 來維持其時間連續性與執行連貫性。
  2. 對抗「上下文腐爛 (Context Rot)」是核心挑戰: 模型存在「Lost in the Middle」的物理缺陷。優秀的 Harness 不會無腦地把歷史記錄全塞進 Prompt，而是採用 Observation masking (隱藏舊輸出) 或 即時檢索 (如使用 grep 代替加載全文)。這是區分「玩具」與「生產級 Agent」的分水嶺。
  3. 驗證與護欄的物理隔離: Anthropic 的設計哲學非常精闢：「模型決定想做什麼，但 Harness 決定允許做什麼」。把權限檢查硬編碼在 Harness 層（例如攔截特定的 Bash 命令），遠比在 Prompt 裡懇求模型「請不要刪除檔案」要可靠一萬倍。

關鍵證據

邊界條件

ROUND 3: SOUL | 靈魂提取

“還能怎么用”