Skip to content
Agent、Harness 与 Graph

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 ​

  1. Agent 决定下一步做什么。
  2. Graph 规定状态如何流转、哪些路径被允许。
  3. Harness 为 Agent 建立安全、可验证、可恢复的执行轨道。
  4. 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。

text
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:

text
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:

text
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:

text
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:

text
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:

text
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 HarnessCode 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:

text
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:

text
                         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:

  1. 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。
  2. 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。
  3. 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:

text
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:

text
Context → Model → Tool → Result
    ↑                       │
    └────── Feedback ───────┘

它可以映射为 ReAct:

text
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:

text
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 ​

text
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:

http
POST /harness/v1/tasks
Content-Type: application/json

{
  "agentId": "...",
  "specRef": "spec:ORDER-2026-0825-1",
  "inputs": { ... },
  "permissions": [ ... ],
  "hooks": [ ... ]
}
json
{
  "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:

text
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:

  1. Agent 层:决策、执行和交互;
  2. 知识库层:私有数据和检索;
  3. 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:

text
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:

  1. 分工:研究、写码、测试分别由谁负责,谁先开始?
  2. 并行:哪些工作可以同时进行?
  3. 回退:测试失败该回到实现节点,还是回到研究节点?
  4. 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。

  1. **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。
  2. **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。
  3. **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:

  1. 任务能独立拆分成多个互不依赖、可并行的工作单元;
  2. 存在值得显式声明的分支或回退路径;
  3. 中间状态值得 Checkpoint,能停下、能恢复;
  4. 每个节点都有可自动检查的验收标准;
  5. 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:

text
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 ​

text
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 ​

  1. 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;
  2. 再建可追溯性:Trace、审计、任务状态、Checkpoint;
  3. 再建质量门:Schema、单测、集成测试、评估集和持续验收;
  4. 再提升准确率:上下文装载、Skills、Graph、计划和反馈;
  5. 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 ​

  1. 哪些步骤必须由代码固定?
  2. 哪些动作有外部副作用?
  3. 哪些工具是最小必要集合?
  4. Agent 的停止条件、预算和升级人工条件是什么?
  5. Graph 的状态、节点、边和异常路径是否显式?
  6. 如何验证结果,证据保存在哪里?
  7. 失败后是重试、换策略、暂停、转人工还是回滚?
  8. 哪些状态必须 Checkpoint,能否安全恢复?
  9. 如何回放一次完整轨迹并解释决策?
  10. 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:

text
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 ​

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。