生产级 AI Agent Harness 实战：6 大核心组件与完整 Python 实现

大多数 AI agent 问题并不是模型问题而是 harness 问题。你的 demo 能跑。agent 找到了正确的文件调用了正确的工具产出了让所有人点头认可的东西。你把它上线了。然后它在生产环境跑到第 10 步时出问题了。模型忘记了三步之前自己做过什么。一次 tool call 静默失败而 agent 还是继续往下走。context 里塞满了噪声。整个系统崩了。你切换了模型。GPT-5然后 Claude再到 Gemini。根本没有发生本质变化。因为模型从来都不是瓶颈。包裹在它外面的基础设施才是。LangChain 在 Terminal Bench 2.0 上直接证明了这一点。Terminal Bench 2.0 是一个包含 89 个任务的 benchmark覆盖软件工程、debugging、machine learning 和 security。起始分数52.8%排在前 30 名之外。他们没有做任何模型改动。全程使用同一套 weights。改变的是围绕模型的基础设施orchestration loop、context management、verification middleware 和 reasoning budget allocation。结果66.5%提升 13.7 分进入排行榜前 5。仅靠基础设施决策就提升了 25 个名次。这种基础设施有一个名字agent harness。有意识地工程化构建它也有一个名字harness engineering。公式是Agent Model Harness。模型正在越来越商品化。Harness engineering 才是真正构建产品的地方。它决定了一个 agent 是只能在 demo 中工作还是能够可靠处理 50 步生产任务。继续读下去你将准确理解 harness 是什么、六个基础组件如何工作以及每个组件背后的 Python 代码。Agent Harness 到底是什么agent harness 是除模型本身之外的所有代码、配置和执行逻辑。这是一个干净的定义。但要真正理解它的含义用操作系统类比会更合适。一个原始 LLM 就像一颗没有操作系统的 CPU。CPU 可以计算可以处理指令。但它不能自己从磁盘读取数据不能在屏幕上绘制窗口也不能直接与网络接口通信。你需要 OS 来管理这些资源、调度任务、处理 I/O并保护内存边界。harness 就是你的语言模型的 OSContext window RAM。快速、有限、昂贵。放进去的内容决定了模型能推理什么。External databases disk。容量大、速度慢、持久化。模型可以读写但需要一个系统来管理访问。Tools device drivers。模型与外部系统交互所通过的接口。Harness operating system。管理什么进入 context、持久化 memory、路由 tool calls、从错误中恢复并执行安全约束。没有 harness模型无法在多次交互之间维护状态无法执行代码无法访问实时知识无法安装 packages无法在失败后恢复也无法与其他 agents 协作。我们认为“强大 agent”具备的每一种能力都来自 harness而不是模型。Beren Millidge 在 2023 年将 scaffolded LLMs 称为“natural language computers”从而形式化了这一点。计算的基本单位是 NLOPNatural Language Operation大致相当于生成 100 个 tokens。当前 frontier models 的运行速度约为每秒 1–10 NLOPs比 CPU 指令慢几个数量级但每次操作的表达能力要强得多。agent harness 是一整套软件基础设施它把无状态的语言模型转变为能够执行多步骤任务的 autonomous agent。它管理 orchestration loop、tool execution、context window、memory persistence、error recovery、safety enforcement 和 output verification。没有 harnessLLM 可以回答问题但不能采取行动、维护状态或从失败中恢复。第 1 部分和第 2 部分覆盖的 11 个组件代表了 production-grade agent harness 的完整结构并为每个组件提供 Python 实现。Cursor、Claude Code、Codex 和 Windsurf 都是围绕 large language models 构建的 agent harness 示例。Harness vs Framework一个值得区分的概念在继续之前先澄清一个词因为这两个术语经常被混用但它们不应该被混用。Frameworks比如 LangChain、LangGraph、AutoGen 和 CrewAI给你的是抽象state graphs、chains、memory containers、retrievers。你这个人类架构师需要把它们连接起来。它们的基本假设是开发者会把这些组件配置成一个 agent。harness则来自相反方向。没有组装步骤。它交付的是一个可工作的 agent。其核心是一个带有 tool registry 和 permission layer 的 while loop所有东西都已经连接好。你提供目标harness 处理剩下的事情。framework 是为人类组装 agent 而构建的。harness 是为 agent 自己完成任务而构建的。这个区别很重要因为其收敛模式非常醒目。Cursor、Codex、Claude Code 和 Windsurf 都从一个具体问题出发让模型在真实 repository 中编写和编辑代码并且各自独立地收敛到非常相似的 harness 架构。这种收敛说明了架构真正需要什么无论你是否使用了某个 framework 来构建它。围绕模型的三层工程可以把它想象成同心圆Prompt Engineering 在中心模型读取什么Context Engineering 在中间什么内容在什么时候进入窗口Harness Engineering 在外层完整的应用基础设施tool execution、state persistence、error recovery、verification、safety 和 multi-agent coordination。大多数团队几乎把全部投入都放在最内层。这就是为什么无论换什么模型他们的 agents 都以同样的方式失败。那句正在流传的 harness 引言是“If you’re not the model, you’re the harness.” 让 agent 变得有用的一切都在那里。Harness 才是产品的证据Terminal Bench 的结果很惊人但并非个例。看看还有哪些内容已经被公开记录。Meta-Harness 发现。一个研究团队构建了一个自动化 harness optimizer使用 LLM 自身在 harness configurations 空间中搜索。在 Claude Opus 4.6 上运行且没有模型改动的情况下它在 Terminal Bench 2.0 上达到 76.4%在所有 Opus 4.6 agents 中排名第二。同一个 meta-harness 运行 Claude Haiku 4.5在所有 Haiku 4.5 agents 中排名第一。harness 比模型层级更重要。Vercel 工具削减。Vercel 的 text-to-SQL agent 最初有 15 个专用工具。他们移除了其中 80%只留下一个 bash command execution tool。成功率从 80% 提升到 100%。执行时间下降 3.5 倍。Token usage 下降 37%。关键洞察是他们因为不信任模型自由推理反而限制了模型的 reasoning。复合失败数学。如果单个 agent step 有 99% 的可靠性而一个任务需要 10 个连续步骤端到端成功率是 90.4%。到了 50 步60.5%。即使单步“99% reliable”10 个任务中也会有 4 个失败。真实生产任务经常跨越 30–60 次 tool calls。在这个尺度上你衡量的是 error handling 有多好而不是模型有多聪明。Credit: OpenAIContext rot。Chroma 测试了 18 个 frontier models包括 Claude Opus 4、GPT-4.1 和 Gemini 2.5 Pro。每一个模型都会随着 context 增长而退化远早于达到 token limits。Stanford 的 “Lost in the Middle” 研究显示放在 context window 中间的内容准确率下降超过 30%。管理 context 完全是 harness 的责任。Manus 的五次重写。Manus 是 2025 年爆火并以约 20 亿美元被收购的 autonomous agent它在六个月内重建了自己的 agent framework 五次。每次重写都是移除复杂性而不是增加复杂性。随着模型变得更好harness 变得更薄。Claude Code 的 512,000 行 harness。当 Anthropic 在 2026 年 3 月意外暴露 Claude Code 的源代码时泄露内容显示有 1,906 个文件、513,000 行 TypeScript。那就是 harness。模型 weights 并不在那里。竞争护城河完全在周围的工程里。两个产品同一个模型结果天差地别。harness 才是差异化因素。机器内部前六个组件harness 不是单一事物。它是由 11 个相互联锁的组件组成的系统。这里是六个基础组件控制 agent 如何运行的组件。(Harness layer components) Credits: OpenAI组件 1编排循环orchestration loop 实现 Thought-Action-ObservationTAO循环也被称为 ReAct loopReason Act。循环本身并不智能智能存在于模型中harness 管理这个循环。终止会在以下情况下触发输出中没有 tool calls任务完成、达到 turn limit、token budget 耗尽、guardrail tripwire 被触发或用户中断。import anthropicfrom typing importAnyclient anthropic.Anthropic()defrun_agent( system_prompt: str, user_message: str, tools: list[dict], max_turns: int 20,) - str: messages [{role: user, content: user_message}] for turn inrange(max_turns): response client.messages.create( modelclaude-opus-4-7, max_tokens4096, systemsystem_prompt, toolstools, messagesmessages, ) # Append model response to history messages.append({role: assistant, content: response.content}) # Check termination: no tool calls means task is complete tool_calls [b for b in response.content if b.type tool_use] ifnot tool_calls: # Extract final text response text_blocks [b.text for b in response.content ifhasattr(b, text)] return\n.join(text_blocks) # Execute tools and collect results tool_results [] for call in tool_calls: result execute_tool(call.name, call.input) tool_results.append({ type: tool_result, tool_use_id: call.id, content: str(result), }) messages.append({role: user, content: tool_results}) returnMax turns reached without completion.一个关键细节循环的终止条件应该在 harness 中检查而不是委托给模型。模型经常“想要”继续。harness 负责强制停止。组件 2工具层tools 并不神秘。从 harness 的视角看一个 tool 就是描述模型可以调用什么的 JSON schema再配上一段在被调用时实际运行的可执行代码。tool layer 管理 registration、validation、sandboxed execution 和 result formatting。工具数量悖论是真实存在的更多 tools 会降低性能。每个 tool schema 都会消耗 context tokens并增加模型的决策空间。Vercel 的案例表明移除 80% 的 tools 改善了结果。设计时应追求最小可行工具集。import functoolsimport inspectimport jsonfrom typing importCallable, AnyTOOL_REGISTRY: dict[str, dict] {}deftool(name: str None, description: str ): Decorator that registers a function as an agent tool. defdecorator(fn: Callable) - Callable: tool_name name or fn.__name__ schema _infer_schema(fn) TOOL_REGISTRY[tool_name] { name: tool_name, description: description or fn.__doc__ or, input_schema: schema, fn: fn, } functools.wraps(fn) defwrapper(*args, **kwargs): return fn(*args, **kwargs) return wrapper return decoratordefexecute_tool(name: str, args: dict) - Any: Validate and execute a tool call in a sandboxed context. if name notin TOOL_REGISTRY: returnfError: Unknown tool {name} entry TOOL_REGISTRY[name] # Validate required arguments exist required entry[input_schema].get(required, []) missing [r for r in required if r notin args] if missing: returnfError: Missing required arguments: {missing} try: return entry[fn](**args) except Exception as e: returnfError executing {name}: {str(e)}defget_tool_schemas() - list[dict]: Return tool schemas in Anthropic API format. return [ { name: v[name], description: v[description], input_schema: v[input_schema], } for v in TOOL_REGISTRY.values() ]# Example usagetool(descriptionRead a file from the workspace)defread_file(path: str) - str: Read and return file contents. withopen(path) as f: return f.read()tool(descriptionWrite content to a file)defwrite_file(path: str, content: str) - str: Write content to a file and return confirmation. withopen(path, w) as f: f.write(content) returnfWritten {len(content)} characters to {path}_infer_schema函数使用 Python 的inspectmodule 根据 type annotations 自动构建 JSON schema从而让 tool schemas 与 implementation 保持同步。Tools vs Skills。Tools 是通用原语读取文件、运行 bash、调用 API。Skills 是编码为 Markdown 文件AGENTS.md、CLAUDE.md的组织知识并被注入 system prompt。Skills 是团队特定的commit message conventions、branching rules、如何解读你的测试失败。每个 harness 都会内置 tools。Skills 则是让通用 harness 适配你的 workflow 的方式。内置 skills。每个生产级 harness 还会提供一套不可协商的高级能力基线而不只是原始 primitives。不只是“read a file”而是“make a git commit with a proper message”、“open a pull request”、“run the test suite and interpret what the failures mean”。这些内置 skills 正是将通用 LLM wrapper 与 coding harness 区分开来的东西。Claude Code、Cursor、Codex 都开箱即带这些能力。如果你的 agent 不能在你每次手写 instructions 的情况下自己 commit code 或 run tests那它还不能算是真正的 harness。一个重要的实现注意事项内置 primitives 应该使用纯 standard library code不依赖任何 framework。agent 需要能够在它落地的任何环境中执行它们。Lifecycle Hooks。pre-tool hook 在执行前触发可以 allow、deny 或 modify 调用。post-tool hook 在执行后触发用于 logging 和 auditing。Hooks 是 extensibility seam无需触碰 harness internals就能围绕 tool execution 添加自定义逻辑。企业安全采用 third-party harnesses 时就是通过 hooks 在边界处注入 approval workflows 或 audit logging。from typing importCallable, OptionalclassHookResult: def__init__(self, allowed: bool, modified_args: dict None, reason: str ): self.allowed allowed self.modified_args modified_args self.reason reasonclassHookRegistry: def__init__(self): self._pre_hooks: list[Callable] [] self._post_hooks: list[Callable] [] defregister_pre(self, fn: Callable): self._pre_hooks.append(fn) defregister_post(self, fn: Callable): self._post_hooks.append(fn) defrun_pre(self, tool_name: str, args: dict) - HookResult: Run all pre-tool hooks. First deny wins. for hook inself._pre_hooks: result hook(tool_name, args) ifnot result.allowed: return result if result.modified_args: args result.modified_args return HookResult(allowedTrue, modified_argsargs) defrun_post(self, tool_name: str, result: str): Run all post-tool hooks (audit/logging only, cannot block). for hook inself._post_hooks: hook(tool_name, result)# Example: audit hook that logs every tool callhook_registry HookRegistry()hook_registry.register_post( lambda name, result: print(f[AUDIT] {name} - {result[:80]}))组件 3记忆系统语言模型是无状态的。memory systems 让 agents 能够跨 turns 和 sessions 持久化。三种实用类型短期存在于 context window 中。当前任务、最近的 tool outputs、活跃对话。速度快但临时。长期外部存储vector database 或 filesystem。事实、偏好、过去的决策。通过 semantic search 检索。情景式记录特定过去交互的完整 context情境、采取的方法、是否有效。episodic memory 让 agent 能够说出“上次我尝试 X 失败了因为 Y”。Claude Code 的三层层级结构是一个实用的生产模式always-loaded index轻量 memory pointers、on-demand topic files相关时获取以及 raw search 作为 fallback。import jsonimport osfrom pathlib import Pathfrom datetime import datetimeimport anthropicMEMORY_DIR Path(.agent_memory)MEMORY_INDEX MEMORY_DIR / MEMORY.mdEPISODES_DIR MEMORY_DIR / episodesdefinit_memory(): MEMORY_DIR.mkdir(exist_okTrue) EPISODES_DIR.mkdir(exist_okTrue) ifnot MEMORY_INDEX.exists(): MEMORY_INDEX.write_text(# Agent Memory Index\n\n)defsave_fact(key: str, content: str, topic: str general): Save a fact to long-term memory. topic_file MEMORY_DIR / f{topic}.md # Append to topic file withopen(topic_file, a) as f: f.write(f\n## {key}\n{content}\n) # Update index withopen(MEMORY_INDEX, a) as f: f.write(f- [{key}]({topic}.md): {topic}\n)defsave_episode(task: str, outcome: str, approach: str): Save an episodic memory of what worked (or didnt). episode_id datetime.now().strftime(%Y%m%d_%H%M%S) episode_file EPISODES_DIR / f{episode_id}.md episode_file.write_text( f# Episode {episode_id}\n\n f**Task:** {task}\n\n f**Approach:** {approach}\n\n f**Outcome:** {outcome}\n\n f**Date:** {datetime.now().isoformat()}\n )defretrieve_relevant_memory(query: str, max_results: int 3) - str: Retrieve relevant memory using Claude as the retriever. ifnot MEMORY_INDEX.exists(): return index_content MEMORY_INDEX.read_text() # Lazy-load: only read index first, fetch topic files on demand client anthropic.Anthropic() response client.messages.create( modelclaude-haiku-4-5-20251001, max_tokens512, messages[{ role: user, content: ( fGiven this memory index:\n{index_content}\n\n fFor query: {query}\n fList up to {max_results} most relevant memory file names. ) }] ) # In production, parse response and load the named files return response.content[0].text关键设计洞察是index 始终加载轻量 pointers但实际 memory files 只有在 query 使其相关时才加载。这就是 Claude Code 通过 just-in-time retrieval 实现高达 95% context reduction 的方式。组件 4上下文管理Context rot 是真实且可测量的。随着输入长度增长所有被测试模型在每个长度增量上都会退化远早于达到 token limits。Stanford 的 “Lost in the Middle” 研究是标志性发现在 20-document context 中放在第 5 到第 15 位的信息相比放在第 1 位或第 20 位准确率下降超过 30%。管理它的五种生产策略Compaction总结旧的 conversation turns用高密度 summaries 替代冗长历史。Observation masking隐藏旧的 tool outputs同时保留 tool calls 本身JetBrains 的 Junie 使用这种方式。JIT retrieval只在需要时获取信息而不是 upfront 加载全部内容。Sub-agent delegation将重型探索工作卸载给隔离的 subagents由它们返回压缩 summaries。Structured note-taking让 agent 维护一个持续更新的todo.md每一步都更新把当前目标推入 recency bias zone。import tiktokenfrom typing importAnyCONTEXT_BUDGET 100_000# tokensCOMPACTION_THRESHOLD 0.75# compact when 75% fulldefestimate_tokens(text: str) - int: Fast token estimation without API call. enc tiktoken.get_encoding(cl100k_base) returnlen(enc.encode(text))defformat_messages_for_context(messages: list[dict]) - int: Estimate total tokens in message history. total 0 for msg in messages: content msg.get(content, ) ifisinstance(content, list): content .join( block.get(text, ) orstr(block.get(content, )) for block in content ) total estimate_tokens(str(content)) return totaldefcompact_messages( messages: list[dict], system_prompt: str, keep_recent: int 6,) - list[dict]: Compress old message history while preserving recent context. Summarizes everything except the last keep_recent turns. iflen(messages) return messages old_messages messages[:-keep_recent] recent_messages messages[-keep_recent:] # Build a summary of old context old_text \n.join( f{m[role].upper()}: {m[content]} for m in old_messages ifisinstance(m.get(content), str) ) import anthropic client anthropic.Anthropic() summary_response client.messages.create( modelclaude-haiku-4-5-20251001, max_tokens1024, messages[{ role: user, content: ( fSummarize this agent conversation history in 3-5 key points. fFocus on decisions made and important findings:\n\n{old_text[:8000]} ) }] ) summary summary_response.content[0].text # Replace old messages with compact summary summary_message { role: user, content: f[CONTEXT SUMMARY - earlier conversation]\n{summary} } return [summary_message] recent_messagesdefinject_with_position_awareness( context_items: list[dict], token_budget: int,) - list[dict]: Inject context items with awareness of the lost-in-the-middle effect. Most critical items go at start and end; secondary items fill the middle. critical [item for item in context_items if item.get(priority) high] secondary [item for item in context_items if item.get(priority) ! high] # Critical items at the boundary (start and end), secondary in middle ordered ( critical[:len(critical)//2] secondary critical[len(critical)//2:] ) return orderedACON framework2025显示它能在保持 95% accuracy 的同时将 peak token usage 降低 26–54%。这可能就是任务完成与撞上 context wall 之间的区别。组件 5Prompt 构建system prompt 不是一个静态字符串。它是一条 pipeline。启动时harness 会沿 ancestor directory tree 查找 instruction filesCLAUDE.md、AGENTS.md、.cursorrules或你的 harness convention 使用的任何文件。它按从 root 到 current directory 的顺序读取这些文件让更本地的文件具有更高 specificity。project-level AGENTS.md 会添加到 global one而不是替换它。每个文件都贡献一层。这里有一条关键排序规则static content 先放dynamic content 后放。static prefixsafety rules、agent identity、tool descriptions需要在各 turns 之间保持一致这样模型的 KV cache 才能保持 warm。把 dynamic memory files 插到 prompt 前面会破坏 prefix caching并可能让 inference cost 增加 10 倍。OpenAI 的 Codex 使用五级 priority stack 进行 conflict resolution。Claude Code 的 AGENTS.md cascade 通过 directory hierarchy 实现了同样的效果。关键原则当 layers 冲突时harness 需要一个明确的 resolution order。没有显式 priority模型会做出任意选择。from dataclasses import dataclass, fieldfrom typing importOptionaldataclassclassPromptLayer: priority: int # Lower number higher priority source: str # Where this came from (e.g., system, agent_md, user) content: str token_estimate: int 0classHierarchicalPromptBuilder: def__init__(self, token_budget: int 8000): self.token_budget token_budget self.layers: list[PromptLayer] [] defadd_layer(self, priority: int, source: str, content: str): Add a prompt layer with explicit priority. tokens estimate_tokens(content) self.layers.append(PromptLayer(priority, source, content, tokens)) defbuild(self) - str: Assemble the final system prompt respecting priority and budget. Higher priority layers always included; lower priority layers dropped if over budget. # Sort by priority (ascending highest priority first) sorted_layers sorted(self.layers, keylambda l: l.priority) included [] tokens_used 0 for layer in sorted_layers: if tokens_used layer.token_estimate included.append(layer) tokens_used layer.token_estimate else: # Skip lower priority content that wont fit print(fDropped layer {layer.source} (budget exceeded)) # Build the actual prompt, with conflict resolution comment parts [] for layer in included: parts.append(f# From: {layer.source} (priority {layer.priority})\n{layer.content}) return\n\n---\n\n.join(parts)# Usagebuilder HierarchicalPromptBuilder(token_budget8000)builder.add_layer(1, safety_system, Never execute destructive operations without confirmation.)builder.add_layer(2, agent_identity, You are a software engineering assistant.)builder.add_layer(3, project_context, load_agents_md()) # From AGENTS.md filebuilder.add_layer(4, task_instructions, task_prompt)builder.add_layer(5, user_preferences, user_config)system_prompt builder.build()AGENTS.md cascading pattern 意味着每个 subdirectory 都可以添加 local context而不会覆盖 global rules。/project/AGENTS.md中的文件会添加到来自/AGENTS.md的 context而不是替换它。Priority ordering 保证 global safety rules 不会被 local task instructions 覆盖。组件 6输出解析现代 harnesses 使用原生 tool calling APIs而不是对 free text 做 regex parsing。API responses 中结构化的tool_callsfield 包含经过验证的 JSONharness 可以不做任何字符串操作就进行路由。决策树很简单存在 tool calls 表示 loop 继续没有 tool calls 表示 final answerhandoff marker 表示切换 agents。from pydantic import BaseModel, ValidationErrorfrom typing importUnionimport jsonclassFinalAnswer(BaseModel): content: str confidence: str highclassToolCall(BaseModel): name: str arguments: dictclassParsedOutput(BaseModel): output_type: str # tool_calls, final_answer, handoff tool_calls: list[ToolCall] [] final_answer: Optional[FinalAnswer] None handoff_target: Optional[str] Nonedefparse_model_output(response) - ParsedOutput: Parse model response into structured routing decision. Falls back gracefully rather than crashing on unexpected formats. tool_calls [ block for block in response.content ifhasattr(block, type) and block.type tool_use ] if tool_calls: parsed_calls [ ToolCall(namecall.name, argumentscall.input) for call in tool_calls ] return ParsedOutput(output_typetool_calls, tool_callsparsed_calls) # Check for handoff marker in text text_blocks [ block.text for block in response.content ifhasattr(block, text) ] full_text \n.join(text_blocks) ifin full_text: target extract_between(full_text, , ) return ParsedOutput(output_typehandoff, handoff_targettarget.strip()) return ParsedOutput( output_typefinal_answer, final_answerFinalAnswer(contentfull_text) )defparse_with_retry( model_fn, prompt: str, output_schema: type[BaseModel], max_retries: int 2,) - BaseModel: Parse structured output with retry-and-error-feedback pattern. On failure, sends the error back to the model for self-correction. messages [{role: user, content: prompt}] for attempt inrange(max_retries 1): raw_response model_fn(messages) try: data json.loads(extract_json(raw_response)) return output_schema(**data) except (json.JSONDecodeError, ValidationError) as e: if attempt max_retries: raise # Feed the error back: model gets to correct itself messages.append({role: assistant, content: raw_response}) messages.append({ role: user, content: fThe output failed validation: {e}. Please fix it and return valid JSON. })把 validation error 发回给模型让它能够 self-correct这通常比盲目 retry 更容易成功。Harness 还没有完成六个组件已经讲完。还有五个。而剩下的五个正是大多数生产 agents 崩溃的地方。前六个组件描述的是当事情顺利时 agent 如何运行。接下来的五个决定的是当事情不顺利时它能否存活。组件 7State Management。当你的 agent 在一个 60-turn task 的第 47 轮崩溃时checkpointing 决定了你是失去一切还是几秒内恢复。Append-only event logs、crash recovery 和 time-travel debugging。组件 8Error Handling。这就是改变一切的数学单步 99% 可靠性跨 50 个连续步骤端到端成功率只有 60.5%。即使单个步骤几乎完美10 个生产任务中也有 4 个会失败。改变这个数字的是 harness而不是模型。组件 9Guardrails and Safety。模型决定尝试什么。tool system 决定什么被允许。立即停止的 tripwires。Dynamic bash classification其中ls是 read-only而rm -rf被完全阻止。组件 10Verification Loops。领导 Claude Code 开发的 Boris Cherny 记录过给 agent 一种验证自己工作的方式可以让最终输出质量提升 2–3 倍。不是靠更好的 prompting而是靠运行真实测试并把 failures 作为具体、可执行的输入反馈回去。组件 11Subagent Orchestration。agents 之间的每一次 handoff 都是有损压缩。三种执行模型、parallel agent coordination以及如何围绕每次 handoff 都会产生的信息损失进行设计。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】