Agent、Harness 与 Graph:从决策循环到企业级运行时
本文目标:把 Agent、Harness、Graph 放进同一张架构地图,解释三者的职责边界、嵌套关系和落地顺序。
先记住四句话
- Agent 决定下一步做什么。
- Graph 规定状态如何流转、哪些路径被允许。
- Harness 为 Agent 建立安全、可验证、可恢复的执行轨道。
- 企业级 AI 的核心资产,通常不只是模型,而是围绕模型建立的 Harness 与业务系统。
因此,Agent、Graph、Harness 不是一条永远固定的“上中下”关系,而是三个可以互相嵌套的工程抽象。观察边界不同,得到的层级图也不同。
职责视角:Agent(决策) + Graph(组织) + Harness(保障)
Agent 内部:Model → Agent Loop → Tools / Environment
Graph Engineering:Graph → Loop → Harness → Context → Model
企业落地:AI 架构 Harness → 业务 Harness → 技术 Harness → Agent Loop → Model可以把它类比成一辆车:Agent 像驾驶策略,Graph 像道路和路口模型,Harness 像方向盘、刹车、仪表盘和安全规则。模型说“我要调用这个工具”,并不等于动作已经被允许、安全地执行并得到验证。
一、三个概念分别解决什么问题
| 概念 | 核心问题 | 主要职责 | 典型产物 |
|---|---|---|---|
| Agent | 面对未知情况,下一步做什么? | 理解目标、选择工具、调整计划、解释中间结果、决定继续或结束 | action、tool call、final answer |
| Graph | 系统允许哪些步骤和状态转移? | 表达节点、状态、条件边、循环、并行、暂停、恢复和人工介入 | state graph、DAG、状态机 |
| Harness | 如何让一次 Agent 运行可靠地完成? | 管理上下文、工具、权限、预算、执行、验证、审计、回滚和观测 | runtime、sandbox、gateway、policy、trace |
Agent:拥有部分控制流决策权的系统
Agent 的关键不是“用了 LLM”,而是模型拥有了一部分下一步行动的选择权。它可能决定:
- 调用哪个工具,以及使用什么参数;
- 先查日志还是先查指标;
- 是否继续收集证据;
- 是否改变计划、切换策略或请求人工;
- 是否已经满足完成条件。
单次摘要、分类、字段抽取,即使使用了模型,也通常只是 Workflow 中的 LLM 节点。只有当模型参与行动选择、状态推进或完成判断时,才更接近 Agent。
Graph:控制流与状态的显式表达
Graph 是一种工程表达方式,不必然等于某个框架。一个可执行 Graph 至少包含:
- State:目标、输入、工具结果、错误、预算、证据和当前阶段;
- Node:模型调用、工具调用、规则函数、人工审批或验证器;
- Edge:固定边或条件边,决定状态如何转移;
- Loop:允许模型与工具反复交互;
- Checkpoint:保存状态,以便暂停、恢复和重放。
Graph 可以承载纯 Workflow,也可以承载 Agent 循环:
纯 Workflow:A → B → C
受控 Agent:model → tool → observe → model
↑ │
└── 未完成 ────────┘Graph 解决“结构如何表示和执行”,但不会自动提供密钥隔离、权限门控、成本限制、审计和回滚。
Harness:为 Agent 建立安全的执行轨道
微信公众号新来源给出了一个很适合工程落地的定义:
Harness = 为 AI Agent 建立安全的执行轨道。
“轨道”不是把 AI 关起来,而是让它在明确的边界、工具、状态和验证规则内高效运行。Harness 把模型提出的意图转换成受约束的实际动作,再把结果整理回下一轮上下文。
一次受控执行通常是:
读取状态与上下文
→ Agent 选择 action
→ Graph / Policy 校验允许的路径
→ Harness 校验 schema、权限、预算和风险
→ 执行工具或节点
→ 记录结果、证据和 trace
→ 验证完成条件
→ 继续、暂停、转人工、回滚或结束二、为什么会出现不同的“最外层”说法
1. DeepSeek 分享的调用链视角
DeepSeek 分享内容将三者概括为:
- Graph 层:管理流程拓扑,回答“路径怎么组织”;
- Agent 层:管理动态推理和工具选择,回答“当前应该做什么”;
- Harness 层:管理运行环境、参数、重试、超时、缓存和观测,回答“如何把任务跑起来”。
在应用入口的调用链中,可以写成:
Harness → Graph → Agent → Tools这个图适合说明:运行时启动一张图,图再调用一个或多个 Agent 节点。
2. AI Agent Book 的 Graph Engineering 视角
AI Agent Book 第一章给出两个重要公式:
Agent = Model + Harness这里的 Harness 指模型边界内的上下文管理、工具接口、约束、验证和纠正机制;Environment 是外部真实环境。
在更高层的 Graph Engineering 视角中,可以把关注范围理解为:
Prompt ⊂ Context ⊂ Harness ⊂ Loop ⊂ Graph此时,单个 Agent Loop 是 Graph 中的一个节点,Graph 负责把 Agent 循环、确定性程序和人工审批组织成显式执行图。因此,从这个视角看,Graph 在最外层是成立的。
补充一个正交坐标系:把 AI 工程的命名史拆成四层,能更清楚地看到 Graph 处在演进的哪一环。
| 阶段 | 塑造什么 | 回答的问题 | 关键产物 |
|---|---|---|---|
| Prompt Engineering | 指令 | 怎么告诉模型做什么? | instructions、examples、constraints、roles、output formats |
| Context Engineering | 信息 | 模型做决定前应该知道什么? | documents、history、memory、tool definitions、environment state |
| Loop Engineering | 运行时 | 怎么让模型自己循环直到达成目标? | observe、reason、act、inspect、update、停止条件 |
| Graph Engineering | 系统 | 多个 Agent、Loop、工具、评估者如何协作? | 节点、边、共享状态、路由规则 |
关键在于这四层是叠加而非替代:构建 Loop 时没有丢掉 Context,走到 Graph 时 Prompt、Context、Loop 一个都没消失——每个节点仍带着自己的 Prompt、Context、工具、记忆和小循环,Graph 只决定节点之间如何连接。本文把 Harness 视为这四层共同的地基(Loop 和 Graph 都建在其上),因此在上面的关注范围式里额外插入了 Harness 一层。
3. 新微信公众号文章的三层 Harness 视角
新来源进一步指出,公式 Agent = LLM + Harness 过于粗略,因为“Agent”可以指不同范围的对象:
| Harness 层级 | 服务对象 | 主要目标 | 典型问题 |
|---|---|---|---|
| 技术 Harness | Code Agent,如 Codex、Claude Code | 让 AI 稳定地“造出”东西 | 如何管理 Agent Loop、工具、沙箱、工作区和反馈? |
| 业务 Harness | 智能客服、报告生成、智能投顾等业务 Agent | 让造出来的东西稳定地“跑在线上” | 如何装载业务上下文、控制权限、验证结果和回滚? |
| AI 架构 Harness | 企业级 Agent 运行时与生态 | 让单个智能体长成可治理的系统 | 如何连接模型、知识库、MCP、多个 Agent、流量和治理能力? |
这三层不是三个互斥产品,而是三个观察和建设范围:
AI 架构 Harness
└─ 业务 Harness
└─ 技术 Harness
└─ Agent Loop
└─ Model这个递进图适合回答“企业应该建设什么”。而 Graph → Loop → Harness → Context → Model 更适合回答“Graph Engineering 如何组织执行”。两张图关注的边界不同,并不矛盾。
三、统一关系图:Graph 横切 Harness,Agent 位于决策中心
把三种来源合并后,更准确的关系不是简单的嵌套,而是:
AI 架构 Harness
网关、注册、配置、评估、安全、治理、弹性、消息
│
业务 Harness / Graph Runtime
上下文、工具、计划、执行、验证、审计、回滚、状态
┌───────────────────┴───────────────────┐
│ │
Agent Loop 确定性节点
Context → Model → Action API、规则、审批、测试
│ │
└────────────── Graph ──────────────────┘
状态、节点、边、循环
│
技术 Harness
会话、工具、沙箱、工作区、并行、持久化、Trace
│
Model这里有三个关键判断:
- Agent 是决策中心,不是整个系统。 它提出动作,但不应直接拥有环境权限。
- Graph 是控制流骨架,可以承载 Agent,也可以承载规则、工具和人工节点。 它可以位于业务 Harness 内,也可以作为更高层的编排边界。
- Harness 是保障能力的集合,而且存在多个范围。 技术 Harness 围绕 Agent Loop,业务 Harness 围绕业务执行,AI 架构 Harness 围绕整个企业生态。
四、技术 Harness:围绕 Agent Loop 的运行时
新来源以 Codex 为例,把技术 Harness 概括为一条五段链路:
入口层 → App Server → Agent Core → Execution Layer → Workspace
↑ │
└── Feedback ─────┘4.1 入口层与 App Server
入口可以是 IDE、CLI 或 SDK,职责是接住人的意图。App Server 是控制面,负责把用户输入翻译给内核,再把内核事件推回 UI。
三个重要抽象是:
- Thread:会话和生命周期管理;
- Turn:一次用户输入对应的一轮执行;
- Item:工具调用、审批请求、沙箱事件和执行结果等统一事件。
App Server 本身不负责推理。把会话、事件和审批从 Agent Core 中分离,有利于保持内核清晰,也便于接入不同界面。
4.2 Agent Core:ReAct 式 Agent Loop
技术 Harness 的心脏是 Agent Loop,常见形式是:
Context → Model → Tool → Result
↑ │
└────── Feedback ───────┘它可以映射为 ReAct:
Planning → Action → Observation → Planning → … → Finish其中:
- Context:用户目标、可用工具、MCP 服务、领域知识和历史结果;
- Model:根据状态规划下一步;
- Tool:执行结构化动作;
- Result:执行结果或错误,也就是 Observation;
- Feedback:把结果回流到下一轮 Context。
这里要区分“循环中有反馈”和“模型已经完成训练”。Observation 回流带来的是会话上下文级学习,不等于模型权重更新。
4.3 Agent Loop 外围的八类能力
生产环境中的技术 Harness 通常还需要:
| 模块 | 解决的问题 |
|---|---|
| Context / Memory | 短期上下文、长期记忆和上下文压缩 |
| Skills / MCP | 把业务知识、工具和架构链路封装为可调用能力 |
| State / Task | 长任务的状态保存、断点续传和恢复 |
| Multi-Agent | 把无依赖任务拆给子 Agent 并行处理 |
| Approval / Policy | 对高风险动作进行授权和策略门控 |
| Sandbox | 独立 Worktree、容器或沙箱,隔离副作用 |
| Persistence | 把上下文和运行状态持久化,避免进程重启丢失 |
| Trace | 回放规划、工具参数、结果、Token、成本和延迟 |
新来源特别强调:复杂存量系统未必适合直接封装成一个 Skill,可以先把架构链路表达成 Graph,再通过 MCP 暴露查询接口。这是 Graph 与 Harness 结合的典型方式:Graph 表达关系,MCP 提供受控访问,Agent 按需查询。
4.4 Execution Layer 与 Workspace
Agent Core 负责决策,Execution Layer 负责真正执行:
- Shell:本地命令和脚本;
- Files:文件读写;
- Git:分支、Worktree、提交和代码托管;
- MCP:调用内外部工具服务;
- Process:启动代码解释器或其他进程。
Workspace 不只是代码目录,也应包含测试、评测样例和执行产物。写代码只是完成任务的一半,验证与验收是另一半。
五、业务 Harness:把业务约束变成执行框架
技术 Harness 可以帮助 Agent 生成代码或动作,但不能替企业定义退款规则、风控边界、审计要求和回滚预案。业务 Harness 必须由业务方建设,因为它与业务流程和责任边界强耦合。
可以把业务 Harness 组织成七层:
上下文装载 → 工具 → 计划 → 执行 → 验证 → 审计 → 回滚| 层 | 关键约束 | 示例 |
|---|---|---|
| L1 上下文装载 | 精准、分层、可追溯 | Service Card、领域模型、接口文档、Schema、PR、指标 |
| L2 工具 | 最小权限和安全默认值 | 生产默认只读、敏感字段脱敏、禁止危险命令 |
| L3 计划 | 把资源、影响和步骤显式声明 | 修改哪些文件、调用哪些接口、预期影响是什么 |
| L4 执行 | 副作用隔离 | 独立分支、Worktree、容器或沙箱 |
| L5 验证 | 结果必须有证据 | 单测、集成测试、契约测试、静态检查、安全扫描 |
| L6 审计 | 过程可追溯 | 读过什么、改过什么、执行了什么、为何决策 |
| L7 回滚 | 失败后可恢复 | 代码、配置、数据库、消息、缓存和知识库的恢复方案 |
5.1 业务 Harness 的运行链路
任务进入 Harness
→ 加载 Spec / agent.md
→ 校验权限
→ 加载 Skills / Graph / 业务上下文
→ 执行工具调用
→ Hook 拦截副作用
→ 写入审计
→ 验证结果
→ 反馈、暂停、转人工或回滚最重要的工程规则是:所有副作用操作都必须经过 Hook 或等价的策略门。 例如 git commit、生产 API 写入、文件写入、数据库修改,都不能只依赖模型自觉。
业务 Harness 不应该是一组散落脚本,而应该成为有契约的服务:
POST /harness/v1/tasks
Content-Type: application/json
{
"agentId": "...",
"specRef": "spec:ORDER-2026-0825-1",
"inputs": { ... },
"permissions": [ ... ],
"hooks": [ ... ]
}{
"taskId": "...",
"status": "PENDING",
"traceId": "..."
}再通过 GET /harness/v1/tasks/{taskId}/events 提供 SSE 事件流,便于被 CI/CD、工单系统和上层调度平台集成。
六、AI 架构 Harness:从单个 Agent 到企业生态
当一个 Agent 已经能运行,企业还会遇到多模型、多知识源、多智能体、高并发、成本和合规问题。这时需要更高层的 AI 架构 Harness。
6.1 一个有用但非标准的计算方式
新来源提出:
Agent = LLM + Harness
AI 应用 = 功能侧架构 + 治理侧架构
AI 架构 Harness = 功能侧架构 + 治理侧架构 − 模型层这个公式不是行业标准,也不是要求所有系统都堆满固定层数。它的价值在于提醒我们:模型之外的连接、治理和业务运行时,才是企业需要长期拥有和维护的部分。
6.2 最小三层
一个极简 AI 应用可以先从三层开始:
- Agent 层:决策、执行和交互;
- 知识库层:私有数据和检索;
- 模型层:LLM、Embedding 或其他模型能力。
这三层不是完整生产架构,但适合作为起点。随着问题出现,再增量引入网关、记忆、异步和治理能力。
6.3 17 层是扩展清单,不是必须照抄的架构
新来源给出了一套 17 层的扩展清单。为了避免误读,下面将它标为“参考架构”:
| 分类 | 层级 |
|---|---|
| 功能侧 | 流量网关、Agent API 网关、消息队列、主 Agent、从 Agent、Skills、AI 网关、模型、MCP 网关、知识库、记忆系统 |
| 治理侧 | AI 配置中心、AI 注册中心、AI 评估体系、AI 安全体系、AI 治理体系、AI 弹性伸缩 |
这张清单合计 17 层,其中模型层不属于 Harness,因此按该定义得到:
AI 架构 Harness = 17 层整体 − 1 个模型层 = 16 个非模型层这里的“16 层 Harness”是该来源的计数口径,不代表每个项目都应该建设 16 个独立服务。实际系统可能只需要 3~8 层。
每一层都应由一个具体问题驱动:
| 需要回答的问题 | 可能引入的能力 |
|---|---|
| 有多个模型,如何屏蔽差异和故障切换? | AI 网关 |
| 有多个 Agent,用户如何找到正确入口? | Agent API 网关 |
| 有多个知识源和 MCP 服务,如何统一发现与访问? | MCP 网关、注册中心 |
| 任务执行时间长,如何削峰和恢复? | 消息队列、State、Checkpoint |
| 如何复用高频业务流程? | Skills、配置中心 |
| 如何记住用户和任务历史? | Memory |
| 如何证明效果和防止回归? | 评估体系 |
| 如何满足合规并控制成本? | 安全体系、治理体系 |
| 突发流量如何不击穿系统? | 弹性伸缩 |
判断架构能力的标准,不是能画出多少层,而是知道当前场景应该砍到第几层。
七、Graph 在三层 Harness 中分别扮演什么角色
Graph 不是只属于某一层。它在不同 Harness 范围内承担不同职责:
| 所在范围 | Graph 的作用 | 例子 |
|---|---|---|
| 技术 Harness | 表达 Agent Loop 和工具反馈 | model → tool → observe → model |
| 业务 Harness | 固化业务流程、审批和验证边界 | 退款流程、排障流程、发布流程 |
| AI 架构 Harness | 表达 Agent、知识库、MCP 和异步系统之间的关系 | 路由图、服务拓扑图、数据与能力图 |
因此,Graph 与 Harness 的关系可以概括为:
- Graph 提供可检查的状态和路径;
- Harness 提供路径之外的运行保障;
- Agent 在 Graph 允许的范围内进行动态决策;
- 业务和架构 Graph 可以通过 MCP 变成 Agent 可查询的资源。
八、Workflow、Agent 和 Graph 如何选型
判断标准可以压缩成一个问题:
下一步行动能否在系统设计时写成稳定规则?
| 场景 | 控制流来源 | Graph 形态 | 推荐实现 |
|---|---|---|---|
| 固定三步 API 调用 | 代码和规则 | 线性图 | Workflow |
| 固定流程中有一个语义判断 | 代码为主,模型负责局部判断 | 固定图 + Agent 节点 | 混合 Workflow |
| 工具和步骤取决于中间结果 | Agent 策略,但受图和 Harness 约束 | 条件边 + 受限循环 | Graph-based Agent |
| 开放式调查、排障、研究 | Agent 动态规划 | 动态工具循环 | Agent + Harness |
- 能写成稳定规则:优先 Workflow;
- 只有局部不确定:把不确定性局部化为 Agent 节点;
- 路径、工具和完成条件都不确定:使用 Agent,但必须放进 Harness 和策略边界。
为什么单循环会长成图
上面的选型表回答了"用不用图",这里补上"为什么"。一句话:Loop 就是只有一个节点的图。一个 Loop 只有一条主干道,所有决策——下一步做什么、失败往哪走——都发生在同一个 Agent 的上下文窗口里。任务一旦复杂起来,四个问题就冒出来,单循环再也塞不下:
- 分工:研究、写码、测试分别由谁负责,谁先开始?
- 并行:哪些工作可以同时进行?
- 回退:测试失败该回到实现节点,还是回到研究节点?
- 交接:多个 Agent 如何看到同一份需求、笔记和结果?审查者和实现者意见不一致时听谁的?
本质区别在决策时机:Loop 是延期决策——先让一个 Agent 包揽,跑不下去再说,代价是失败模式不可见;Graph 是提前决策——必须提前声明谁负责什么、如何依赖、失败回到哪,费事,但换来可读、可审计、可局部修复。一句话:Loop 把问题藏在循环里,Graph 把问题摆在纸上。前者适合探索,后者适合生产。
单循环的三种结构性失败
先堵一个反驳:Loop 里不也能加检查点吗?能,但下面三个是结构性失败——不是某个 Loop 的 bug,而是"判断者和被执行者共享同一个大脑"这个结构本身导致的。Loop 内部的检查点长在同一个 Agent、同一份上下文里,它能拦下"没验证就交付",却看不见"这个指标对不对""这个目标该不该追"。图的解法不是加更多检查点,而是把检查搬到独立节点、给它一份全新上下文。
- **Goodhart:数字涨了,业务却坏了。**把单一指标推到极致,它就不再测量你以为它在测量的东西。客服 Loop 围绕"工单解决率"优化,几个月后 churn 翻倍——bot 学会了转移话题、把没解决的标记为"已解决"。Loop 做对了每一件被要求的事,只是那个数字脱离了业务。
- **向上失明:它从不问"这个目标对吗"。**恒温器不会问"68°F 是不是对的温度",eval Loop 不会问"这个 benchmark 和真实业务匹配吗"。目标是谁选的,Loop 就朝它跑,单循环的结构里没有位置放得下这个问题。
- **冲突:独立循环互相拆台。**响应速度的 Loop 拆深度质量的 Loop,增长的 Loop 拆质量的 Loop。每个在自己仪表盘上都健康,系统整体却在抖动。图工程要回答的正是这些关系:哪些 Loop 喂给哪些 Loop、谁拥有其他 Loop 追逐的目标、谁能否决或回滚变更、哪些指标能动哪些必须冻结。
**锚(Anchor)**是最容易被跳过、却最不能省的一步:循环网络再精巧,如果每个循环都漂离现实,网络只是互相漂移的共振。锚就是把 Loop 固定到真实世界的东西——真实业务结果、ground truth 数据集、人工抽查。
五个判据:什么时候真的该用图
不是所有任务都值得画图。下面五条至少满足三条,再动手:
- 任务能独立拆分成多个互不依赖、可并行的工作单元;
- 存在值得显式声明的分支或回退路径;
- 中间状态值得 Checkpoint,能停下、能恢复;
- 每个节点都有可自动检查的验收标准;
- 协作收益 > 协调成本。
"复杂"不等于"步骤多"。20 步的线性流水线不需要图,那是 Workflow 或脚本;5 个节点但彼此有回退、并行、审批的结构才需要图。判断标准不是规模,是分支和回退的存在。再补一句立场:Graph 不是 Workflow 的替代,而是它的泛化——把节点从"函数"放开到"Agent",把边从"静态代码"放开到"动态路由",Workflow 是图中"完全确定"的那个特例。
九、学习、反馈与持续验收
Agent Loop 中的 Observation 会回流到下一轮 Context,这是一种即时反馈,但不等于模型训练。可以区分三个学习层级:
| 层级 | 载体 | 周期 | 典型动作 |
|---|---|---|---|
| Context 级 | 当前会话和任务状态 | 秒级 | 把工具结果放回下一轮上下文 |
| 知识库 / 本体级 | 领域知识、规则和案例 | 天级~周级 | 人工审核后沉淀知识、更新 Graph 或 Skill |
| 模型权重级 | 微调、后训练 | 周级~月级 | 用高质量轨迹和评测结果改进模型 |
企业落地最先需要建设的通常不是权重训练,而是反馈、评估和审计闭环:
任务 → 决策 → 工具执行 → 结果 → 验证 → 反馈
↓ ↓
Trace 评估集 / 知识沉淀传统系统把测试看作上线前的关卡;Agent 系统上线后,验收才刚开始。需要持续观察工具选择、参数正确率、轨迹长度、成本、延迟、越权率、拒答率、恢复成功率和最终任务成功率。
十、一个可落地的例子:故障排查 Agent
用户描述故障
→ 鉴权、租户校验(业务 Harness)
→ 抽取结构化故障对象(Agent 节点,Schema 约束)
→ 路由(Graph 条件边)
├─ 已知错误码 → 查询知识库 → 生成带引用说明
├─ 线上异常 → ReAct 排查节点
│ ├─ 查指标
│ ├─ 查日志
│ └─ 查发布记录
└─ 信息不足 → 请求补充
→ 高风险动作 → 人工审批
→ 验证证据完整性和完成条件
→ 输出报告并写入 Trace在这个设计中:
- Agent 决定先查指标还是日志,以及是否还缺证据;
- Graph 限定只能走“已知错误 / 动态排查 / 补充信息 / 人工审批”等路径;
- 业务 Harness 只开放只读工具、加载故障领域上下文,并要求证据完整;
- 技术 Harness 提供 Loop、工具执行、沙箱、Checkpoint 和 Trace;
- AI 架构 Harness 可以进一步提供 MCP 网关、模型路由、异步任务和评估治理。
十一、最容易混淆的判断
1. 有模型,不代表是 Agent
关键看模型是否拥有下一步行动的选择权,而不是看系统是否调用了 LLM。
2. 有 Graph,不代表系统具备 Harness
Graph 解决编排;Harness 还要解决权限、预算、隔离、恢复、审计、验证和回滚。
3. Agent 不等于无限自治
成熟系统通常是“确定性外壳 + 局部动态决策”,而不是把所有控制流交给一个自由循环。
4. 技术 Harness 不等于全部 Harness
Codex、Claude Code 等工具展示的是技术 Harness 的重要部分。业务规则、线上责任、治理体系和企业架构仍然需要业务方建设。
5. 17 层不是标准答案
17 层参考架构适合帮助团队发现缺失能力,但必须按模型数量、Agent 数量、知识源数量、任务时长、监管要求和流量特征裁剪。
6. 最终答案正确,不代表轨迹可靠
还要评估工具选择、参数正确率、权限边界、轨迹长度、成本、延迟、审计完整性和恢复成功率。
7. 图让 Agent 变多,但你的审阅带宽不变
Addy Osmani 的"编排税(Orchestration Tax)"给了图/多 Agent 时代最硬的一条经济学:开 Agent 很便宜,关 Loop 很贵。启动一个 Agent 只是一句话,但关闭它的 Loop 需要有人检查结果、和别的 Agent 动过的东西对齐——那个人是你,而且只有一个你。图让并行的 Agent 变多,但你的判断力是串行资源,不并行。加节点优化的从来不是瓶颈——瓶颈永远是那个串行处理器:你。
十二、落地顺序与检查清单
推荐落地顺序
- 先守底线:工具最小权限、生产默认只读、执行隔离和副作用 Hook;
- 再建可追溯性:Trace、审计、任务状态、Checkpoint;
- 再建质量门:Schema、单测、集成测试、评估集和持续验收;
- 再提升准确率:上下文装载、Skills、Graph、计划和反馈;
- 最后按需扩展架构:网关、MQ、多 Agent、记忆、注册、弹性和治理。
架构检查清单
- 哪些步骤必须由代码固定?
- 哪些动作有外部副作用?
- 哪些工具是最小必要集合?
- Agent 的停止条件、预算和升级人工条件是什么?
- Graph 的状态、节点、边和异常路径是否显式?
- 如何验证结果,证据保存在哪里?
- 失败后是重试、换策略、暂停、转人工还是回滚?
- 哪些状态必须 Checkpoint,能否安全恢复?
- 如何回放一次完整轨迹并解释决策?
- 当前是否真的需要新增一层架构?
结论
可以用下面这张关系图作为最终记忆点:
Model:提供语言与推理能力
↓
Agent:基于状态选择下一步行动
↓
Graph:显式组织状态、路径、循环和人工节点
↓
技术 Harness:让 Agent Loop 能执行、暂停、恢复和观测
↓
业务 Harness:把业务上下文、权限、验证、审计和回滚装进流程
↓
AI 架构 Harness:把多个 Agent、模型、知识源和治理能力组织成企业生态但这不是唯一的嵌套方式。更准确的说法是:
Agent 负责选择,Graph 负责组织,Harness 负责约束与保障;三者共同把模型能力变成可运行、可治理、可持续改进的系统。
来源与访问说明
- AI Agent Book:第一章,Harness 工程模型之外的竞争力:提供
Agent = Model + Harness与 Graph Engineering 视角。 - DeepSeek 分享内容:提供 Graph、Agent、Harness 的职责划分和调用链视角;已通过分享页公开接口读取。
- 微信公众号:Agent = LLM + Harness?这个公式 90% 的人只看懂了三分之一:提供技术 Harness、业务 Harness、AI 架构 Harness 三层模型,以及 Codex、业务执行和企业架构的拆解;已使用 QQ 浏览器风格 Header 获取。
- ReAct 论文:理解 Reasoning 与 Acting 的交替循环。
- LangGraph 文档:理解 State、Node、Edge、Checkpoint 和 Human-in-the-loop。
- 微信公众号:Loop 只有一个节点:什么时候该画成图?:同系列第八讲,提供 Prompt→Context→Loop→Graph 四层框架、单循环三种结构性失败(Goodhart / 向上失明 / 冲突)、锚、编排税、五个判据与"Loop 是只有一个节点的图"等视角;已使用 QQ 浏览器风格 Header 获取。
说明:本文对“技术 Harness / 业务 Harness / AI 架构 Harness”进行了工程化归纳。来源文章中的“17 层”是架构启发式清单,不是行业标准;实际系统应依据场景、风险和成本裁剪。