AI in Harness 第4篇

Harness 的本质：大语言模型工程化调用的核心

本质上，Harness 是一套面向大语言模型（LLM）的工程化方法论：让模型在反复交互中自主选择工具，并在严格受控的框架下执行任务。它解决的核心问题不再是“能否调用工具”，而是“如何安全、高效且可扩展地调用工具”。

如何理解 Harness 的各个模块？——智能工作台组件解析

我们可以将 Harness 视为一个完整的智能工作台，每个模块都针对 LLM 在实际落地中的具体痛点而设计。下面逐一拆解：

• 首先，LLM 需要清楚自身可用的工具集合。因此，工具管理模块负责维护工具清单，并将每个工具的名称及功能描述告知模型。
• 工具的使用必须受到约束，尤其是高风险操作（如删除文件、转账）。因此，权限管理模块确保关键操作需经用户确认。
• 除了工具本身，许多场景需要在工具调用前后添加额外逻辑——如记录日志、数据转换。因此，钩子（Hook）机制应运而生，类似于 Java 的 AOP 切面，能在工具执行前后扩展能力。
• 复杂任务需要分步骤执行，不应一次性全部交给模型。Harness 引入了 Todo Write 工具与任务系统，让 LLM 先制定计划，再逐步执行。
• 子任务应拥有独立的工作空间，避免污染主 Agent 的上下文。为此，Harness 设计了 SubAgent，每个子 Agent 具备干净的上下文环境。
• 某些场景需要多个工具按固定流程协同工作，例如“先查库存再下单”。Harness 将这类领域知识封装为 Skill 系统，相当于为 LLM 提供了一本“操作说明书”。
• 多轮对话导致上下文不断增长，容易使模型注意力分散。因此，Harness 提供了 上下文压缩 能力，定期“瘦身”以缓解注意力问题。
• LLM 有时需要记忆关键信息并在不同会话间共享，例如用户偏好或历史操作。Harness 通过 Memory 模块 实现这一功能。
• 工具列表、Skill 说明、Memory 内容等信息如何传递给 LLM？统一通过 System Prompt 系统 注入，确保模型启动时即获得所有必要背景。
• 大模型通常通过远程调用，网络波动、token 超限、返回格式异常等故障时有发生。Harness 专门设计了 异常处理与恢复机制，使 Agent 能在出错后自动恢复，避免彻底崩溃。
• 某些工具执行耗时较长（如生成 100 页报告）。Harness 支持将此类任务放入 后台任务 异步执行，不阻塞主 Agent 的响应。
• 结合后台任务与 定时触发器，即可实现 Cron 定时任务，让 Agent 按计划自动运行，例如每天早晨 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 能够像团队成员一样分工协作。
• 多个 Teammate 之间如何沟通？需要约定 交流协议，例如消息格式、任务指派方式，以确保顺畅配合。
• Teammate 完成任务后不会闲置等待，可前往 任务板 自主领取新任务，实现“流水线式”工作模式。
• 多个 Teammate 同时工作时容易出现冲突或相互干扰，因此引入了 Worktree Isolation，每个工作区彼此隔离，独立运行。