模型差距缩小,Harness 差距拉大!Coding Agent 工程化落地全攻略(非常硬核),收藏这一篇就够了!

Harness Engineering:从理论到落地的全流程手册 在云原生、微服务、AI驱动开发的今天,软件交付的复杂度已经呈指数级增长,传统的“瀑布式开发→手动测试→手动部署→事后救火”的流程,甚至是“人工缝合的开源工具链补丁”流程,都已经无法满足现代企业对软件交付的四大核心要求部署频率(Deployment Frequency):将代码部署到生产环境的频率,越高越好(代表业务迭代速度快)变更前置时间(Lead Time for Changes):从代码提交到代码部署到生产环境的时间,越短越好(代表交付效率高)变更失败率(Change Failure Rate) 阅读详情

Sebastian 做的事不太一样——他把这些散落的问题,重新收回到一张总图里。

他关心的问题是:

为什么同样是强模型,进了 Codex、Claude Code 之后,做代码任务会显得更像一个能协作的同事。

答案说出来其实很朴素。

不是因为聊天框里的模型突然不行了。
而是因为真实可用的 Coding Agent,外面多了一整层系统。

这层系统,原文叫 Harness。

可以把它理解成:把模型接进真实工程世界的协作系统。

Coding Agent 协作系统图


太长不看版

  • • Coding Agent 不是“会写代码的聊天机器人”,它更像 模型 + 控制循环 + 运行时系统 的组合。
  • • LLM、推理模型、Agent、Harness 不是一个东西。很多讨论之所以混乱,就是把这几层混在了一起。
  • • Sebastian 把 Coding Agent 拆成了 6 个核心组件:Repo Context、提示词形态与缓存、结构化工具、上下文管理、会话记忆、子智能体委托。
  • • 这 6 个组件里,最容易被低估的,往往是上下文压缩和工作记忆。它们不显眼,但很影响长任务稳定性
  • • 结合最近一批 Agent 实践来看,一个感觉会更明显:很多体感差距,不只来自模型本身,也来自系统能不能把任务稳稳带下去。

先把几个词放回原位

文章开头先做了一件我觉得很有必要的事:把 LLM、Reasoning Model、Agent、Harness 这几层拆开。

  • • LLM 是最底层的引擎。核心能力还是预测下一个 token。
  • • Reasoning Model 还是 LLM,只是它更愿意花 test-time compute,多做一点推理、搜索和自我校验。
  • • Agent 是围绕模型运转的控制循环。你给它一个目标,它决定下一步看什么、做什么、什么时候停。
  • • Harness 是包在外面的工程系统。负责上下文、工具、状态、权限、执行和恢复。

这个区分其实很关键。

因为我们太容易说一句“这个模型写代码很强”了,但真实情况通常更复杂。

你在聊天框里看到的,是模型裸输出。
你在 Codex、Claude Code 里看到的,是模型加上一整套外围工程。

所以很多时候“同款模型”进了不同产品,体感会像换了一套工作方式。

如果再口语一点,大概是这样:

  • • LLM 像一个会写代码、会解释问题的人
  • • Agent Loop 像他处理任务时的工作节奏
  • • Harness 像团队给他配的工位、规范、工具链、权限和验收机制

只给一个很能干的人,不给仓库上下文,不告诉他规则,不接测试和日志,他也能写点东西。

但很难稳定协作。

图 1:从模型到 Harness,能力是怎么一层层叠起来的


为什么聊天框里的同款模型,没有那么能打

有一个意思我觉得很值得留意。

真实的软件开发,只有一部分是在“生成下一段代码”。更多精力,其实花在这些地方:

  • • 仓库导航
  • • 搜索文档
  • • 查找函数和文件
  • • 应用 diff
  • • 运行测试
  • • 检查报错
  • • 维持上下文连续性

这些事,人类工程师很熟。

所以我们常觉得“写代码很累”,不完全是因为要想算法。还有很多很碎、很脏、但绕不过去的脑力劳动。

说到底其实不复杂:

一个好的 Coding Harness,会把这些脏活累活接过去。

所以同一个模型,放在普通聊天界面里,和放在一个做过上下文管理、工具编排、状态恢复的系统里,表现很难一样。

原文里有一个带点推测的判断,挺有意思的:如果把今天最强的开源模型(比如 GLM-5),放进跟 Codex 或 Claude Code 同等成熟的 Harness 里,最终体验未必会跟 GPT-5.4 或 Opus 4.6 差得特别夸张。Sebastian 也提到,OpenAI 一直有专门的 Codex 变体做过针对性训练,但大框架上,Harness 的工程质量可能比模型选型更决定体感。

当然这个判断未必能一概而论。但方向大体没问题——这几年不少真实进步,确实发生在模型外面的系统层。


一个 Coding Agent,不只是模型外面包了一层壳

一个 Coding Harness,通常是三层叠起来的:

  1. 模型层:提供“引擎”
  2. Agent 循环:在循环中不断地观察(observe)→ 检查(inspect)→ 选择(choose)→ 执行(act)
  3. 运行时支撑:提供上下文、工具、状态、权限、反馈

模型、循环和运行时系统,不是一个层面的东西。

如果只看这三层,会发现一个挺有意思的点:

真正变化快的,常常不是那个最小的循环。
很多系统的主循环其实都差不多。

更容易拉开差距的,往往是循环外面越来越厚的那层工程设施:

  • • 仓库事实怎么收
  • • 状态怎么存
  • • 工具怎么卡边界
  • • 测试和日志怎么回流
  • • 长上下文怎么压缩
  • • 子智能体怎么约束

也就是说,Harness 不是给模型套上的一层外壳。

它更像一套把模型接进工程协作的工作系统。

顺着 Claude Code 的源码往里看时,这种感觉会更强。启动怎么做预热,Prompt 怎么装配,权限怎么介入,长任务怎么做 compact 和 memory——看起来像是几条散线,其实都能落回同一组问题。

图 2:一次典型 Coding Agent 任务,通常是怎么跑起来的


六个组件,决定它是不是一个能协作的 Coding Agent

原文用一个纯 Python 写的 Mini Coding Agent 做例子,把这层系统拆成了 6 个模块。我觉得这个拆法很适合对照自己的实现看。

先放一张简表。

组件它解决什么问题更像团队里的什么
Live Repo Context避免模型盲启动入组先读项目和规则
Prompt Shape & Cache稳定前缀和动态信息分层长期规则和当前任务分开
Structured Tools工具调用可验证、可约束受控工具链和权限系统
Context Management避免上下文膨胀只保留当下真正相关的信息
Session Memory长任务不断线会议纪要 + 当前行动清单
Delegation & Subagents支线任务拆分有边界的协作分工

下面逐个看。

1. Live Repo Context:先拿稳定事实,再开始推理

用户说一句“修一下测试”,对模型来说远远不够。

它得先知道:

  • • 当前是不是 Git 仓库
  • • 现在在哪个分支
  • • 目录结构长什么样
  • • README 或 AGENTS.md 里有没有规则
  • • 哪些脚本才是标准入口

核心就一个意思:模型不能两眼一抹黑地开工。

如果它能看到 AGENTS.md,就更可能知道应该跑哪条测试命令。
如果它知道仓库根目录和文件结构,就更可能去对的地方找代码,而不是瞎猜。

就像新同事入组第一天——先看项目文档,先摸清目录,先知道团队怎么做事。不是一坐下就开始改文件。

一个成熟一点的 Agent,通常会先把这些稳定事实收集出来,整理成一个工作区摘要,每轮任务都带着它出发。

看起来不花哨。但它经常决定后面是不是一路都在猜。

2. Prompt Shape & Cache Reuse:稳定的东西要稳定下来

Agent 摸清仓库之后,下一个问题是:怎么把这些信息喂给模型。

一个不太聪明的做法,是每轮都把整份上下文重新拼一遍,再让模型从头读一遍。

这样当然也能跑。
但很浪费。

因为写代码是一个反复拉扯的过程。在这个过程中:

  • • 系统指令通常不变
  • • 工具定义通常不变
  • • 仓库摘要大多数时间也基本不变

真正高频变化的,其实是:

  • • 用户最新请求
  • • 最近几轮对话
  • • 刚返回的工具结果
  • • 短期工作记忆

所以更好的做法,是把提示词拆成两部分:

  • • 稳定前缀:系统指令、工具定义、工作区摘要
  • • 动态部分:当前请求、近期历史、短期记忆

这样做有两个现实好处。

一是更容易命中,成本更低,速度更稳。
二是结构更清楚,长任务里也更不容易漂。

放到团队协作里也一样。长期规则和你今天手头这个 bug,本来就不该揉在一起。
前者决定边界。后者决定当前动作。

3. Structured Tools:真正危险的,不是工具少,而是边界不清

很多人会把“会不会调工具”理解成模型能力。

但工具层的大头其实在 Harness。

模型能做的,只是输出一个结构化动作。
真正让这个动作安全、可控、能落地的,是外层系统继续做的几件事:

  • • 校验参数
  • • 检查路径
  • • 判断是否需要批准
  • • 执行动作
  • • 把受控结果再喂回循环

流程其实很清楚:模型先输出动作 → Harness 验证 → 必要时请求人工批准 → 执行 → 结果传回系统。

所以工具设计里最重要的判断,可能不是“多不多”。

而是:

  • • 是不是白名单
  • • 描述是不是清楚
  • • 输入是不是可验证
  • • 出错时能不能明确失败
  • • 路径和权限有没有边界

最近很多 Agent 实践也在说同一件事:如果工具设计不对,模型选错工具时,你表面上以为是模型笨,实际上常常是工具本身不适合模型来用。

一个能在错误方向上高速乱跑的 Agent,通常比一个稍慢一点、但动作受控的 Agent 更危险。

4. Context Management:长任务的真正难点,很多时候不是推理,是别吃撑

这一节讲的不是“更聪明”,而是“别失真”。

写代码这种任务,天生会制造大量脏上下文:

  • • 文件很多
  • • 日志很长
  • • 工具输出很臭很长
  • • 同一个文件会被反复读取
  • • 历史对话会不断累积

如果 Harness 老老实实把这些东西一股脑全塞回去,上下文窗口很快就满了。

所以一个好的 Coding Agent,核心能力之一其实是“会忘”。

至少有三种常见的压缩动作:

  • • Clipping:超长输出直接截断
  • • Transcript reduction / summarization:把完整历史压成更轻的近期摘要
  • • Deduplication:早先读过的重复文件别一遍遍喂

这里还有一个原则,也很实用:

近的事保留更多细节。远的事压得更狠。

因为离当前决策越近,通常越重要。

这一段看起来很像脏工程,很少拿来当卖点。

但 Sebastian 有句话说得好:很多表面上的“模型质量”,其实是上下文质量。 很多系统最终稳不稳,真的就死在这里。

5. Session Memory:完整记录和工作记忆,不是一回事

Coding Agent 至少应该有两层状态:

  • • Full Transcript:完整记录。保存所有用户请求、工具输出和模型回复。目标是可恢复、可审计。
  • • Working Memory:工作记忆。只保留当下任务最需要的精炼状态。目标是让任务不断线。

这个区分很重要。

因为很多人会把“压缩后的近期历史”和“工作记忆”混在一起。

但两者不是一回事。

  • • 压缩后的对话,是为了重建提示词
  • • 工作记忆,是为了维护任务连续性

前者更像近期上下文的浓缩包。
后者更像一份手动维护的小备忘录。

里面可能只有这些信息:

  • • 当前最重要的任务是什么
  • • 哪些文件最关键
  • • 最近做过什么
  • • 还有哪些待办没收尾

这层设计,在长任务里特别有用。

因为很多时候,模型不是突然变笨了。
而是系统没有把“完整历史”和“当前重点”分开。

图 3:完整记录和工作记忆,各自服务什么

6. Delegation & Subagents:子智能体不是越多越好,关键是怎么绑住

当 Agent 有了工具,也有了状态,下一步很自然就会想到委托。

主智能体正在干主线任务时,常常会冒出来一些适合拆出去的支线问题:

  • • 这个符号在哪个文件定义
  • • 这个测试为什么挂
  • • 这个配置到底写了什么

这种时候,子智能体就很有价值。

它能把辅助问题剥离出去,减轻主循环负担。
也能在理想情况下做并行。

但子智能体最危险的地方有两个:

  • • 给它的上下文不够,它出去一趟什么也做不了
  • • 给它的边界太松,它回来前已经把系统搞乱了

所以真正难的,不是“会不会 spawn subagent”。

而是:

  • • 给它多少上下文才够
  • • 它能不能写文件
  • • 能不能继续往下再生子智能体
  • • 它和主智能体是不是会重复劳动
  • • 它的任务范围是不是足够清楚

还有一个有意思的现实细节。

Claude Code 很早就支持子智能体。Codex 是后来补上的。
而 Codex 通常也不是一刀切地强制子智能体只读。更多时候,它们会继承主智能体的大部分沙箱和批准设置。

也就是说,边界不一定只靠“只读”来做。
很多时候更依赖任务范围、上下文大小和深度控制。


不只是列了 6 个点

如果只当成一份“组件综述”来读,有点可惜。

更值得留意的是,一个这段时间越来越明显的感觉被说得更清楚了:

很多时候,真正拉开体感的,不只是“模型会不会回答”,还有“系统能不能带着模型把任务走对”。

最近不少 Agent 实践,也在印证同一个方向。

不是每个问题都要上更复杂的 Agent。
很多时候,先把任务推到“目标清楚、反馈可验证”的区域,系统就会稳很多。

换个角度看,很多团队后来卡住的,也不一定是想法不够。
更常见的情况是,任务还没有被翻译成系统真能执行的结构。

放到 Coding Agent 上,其实是同一个问题的工程版:

  • • 仓库事实有没有翻清楚
  • • 规则有没有翻清楚
  • • 工具边界有没有翻清楚
  • • 完成标准有没有翻清楚

这些东西一旦没翻好,模型再强,也还是容易各干各的。

所以现在越来越容易把 Harness 看成一套协作系统。

它不只是给模型加工具。
它是在替模型补上这些东西:

  • • 共享事实
  • • 共享规则
  • • 共享状态
  • • 错误反馈
  • • 验收标准
  • • 分工边界

这几样凑在一起,Agent 才比较像“同事”。


对照自己的系统,可以先看什么

如果顺着一个比较现实的排查顺序往下看,通常可以先看这几件事:

  1. 模型是不是在零上下文里盲启动
  2. 长期规则和当前请求是不是混在一起
  3. 工具是不是太多、太散、描述太工程师视角
  4. 日志和历史是不是在吞掉注意力
  5. 工作记忆和完整记录是不是混成一坨
  6. 子智能体是不是已经比主智能体还难控

如果这些地方有明显问题,可能不必急着上更多 Agent。

先把单 Agent 的协作基础设施补稳,通常更划算。因为单个 Agent 如果连规则、上下文、工具、记忆和验证都还没站稳,多开几个往往不是在提效,更像是把混乱并行化了。

不是说多 Agent 没价值。只是很多系统还没到那一步。


它和 OpenClaw 像吗?像,但不完全是一类东西

Sebastian 在结尾还提了一下 OpenClaw,这个对比挺有意思。

大致的看法是:

  • • Coding Harness 更像终端里的专用编码助手
  • • OpenClaw 更像本地通用智能体平台,编码只是其中一种工作负载

两者也确实有不少重叠:

  • • 都会利用工作区里的指令文件,比如 AGENTS.md
  • • 都会保留会话文件
  • • 都会做记录压缩和状态管理
  • • 都支持辅助会话或子智能体

但它们的优化方向并不一样。

Coding Agent 更关心的是:
怎么在仓库里高效地读文件、改代码、跑工具、接反馈。

OpenClaw 更关心的是:
怎么在多个聊天、频道、工作区里养长期运行的本地智能体。

这个边界值得留意。我们现在聊 Agent,很容易一股脑都叫 Agent,但产品目标不同,最后补的系统层也会很不一样。


如果还想往实现层多走一步

这两天刷到一个可视化的 Claude Code 源码分析地图,把运行时流程、权限治理、记忆系统、Coordinator、MCP 这些线索都用可视化的方式表现了出来,方便理解和进一步的研究,可以对比来看。

Claude Code 源码分析地图 : https://code.claudecn.com

跟 Sebastian 写的内容,更像前后两步:先把 Harness 的大框架立住,再回头看 Claude Code 的具体实现,很多原本零散的模块就比较容易找到位置了。

如果最近正好也在看 Claude Code代码,或者想自己搭一套 Agent runtime,先有总体框架视觉,再回去看实现,通常会省力一些。


写在最后

读完之后一个很直接的感受:

“Coding Agent 为什么强”这件事,被从模糊的产品印象,重新落回了一组能实现、能拆分、也能检查的工程问题。

这个收束本身就挺有价值的。

因为最近围绕 Agent 的讨论太多了——讲模型的、讲工作流的、讲工具的、讲多智能体的。Sebastian 做的,是把这些东西收到一条主线上:

模型还是重要的。只是任务一旦进入真实仓库,很多差距会慢慢转移到模型外面的那套系统工程。

如果最近也在看 Codex、Claude Code、OpenClaw、Cursor 这些产品,或许可以拿来当一张对照表,看看自己缺的到底是更强一点的模型,还是一套还没补齐的 Harness。

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🔋

在这里插入图片描述

📝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 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

第11章 企业级平台落地实战《从理论到实践》《使用Claude Code 从0到1手把手带你实现一个企业级 harness 平台》 本章将深入探讨 Harness 平台的企业级落地实践。前面的章节介绍了 Harness 的各个组件,本章将把这些组件整合起来,展示如何在企业环境中落地实施。企业级平台落地不仅仅是技术问题,更是一项涉及组织架构、流程管理、文化建设的系统工程。据统计,超过60%的企业级平台项目因为缺乏系统性的落地方法论而未能达到预期效果。本章将从实战角度出发,提供一套经过验证的落地框架和丰富的代码实现,帮助读者真正将 Harness 平台从蓝图转化为生产力。本章学习目标:企业级平台落地需要组织层面的全面准备。组织准备是项目成功 阅读详情

相关推荐

Learn Harness Engineering 教你构建完整的"harness"环境,让AI代理可靠完成真实工程任务,从0到1官方风格入门教程

使用AI编程助手时,常常遇到模型聪明却不靠谱的问题:代码写得飞起,却跳步、坏测试、早早喊"done",结果一堆烂摊子需要手动修。 Learn Harness Engineering 教你构建完整的"harness"环境,让AI代理可靠完成真实工程任务,从0到1官方风格入门教程。 不仅有12节沉浸式讲解+6个实战项目,还提供现成模板(AGENTS.md、feature_list.json、init.sh等),直接拷进项目就能提升稳定性。 主要功能: - 5大核心子系统:指令、状态、验证、范围、会话生命周期; - 实战演进Electron知识库桌面应用,从prompt-only到完整harness; - 资源库模板,支持Claude Code、Codex等多代理工具; - PDF课程手册+可视化文档网站,中英文双语; - 快速上手skills/harness-creator/,几分钟生成生产级工作环境。 支持本地运行(npm install && npm run docs:dev),适合工程师、研究者和技术负责人使用。

谁的缰绳更好:Harness 生态竞争全景

Harness 生态已经远不止几个 coding agent 在打擂台了。终端、IDE、个人助理、通用平台——不同形态的 harness 正在沿着多个维度同时竞争。这篇试着画一张竞争地图。

Trashwbin的博客 839

优化问题-半正定规划(Semi-Definite Program, SDP)

半正定规划(Semi-Definite Program, SDP)在MIMO无线通信相关的信号处理中具有广泛的应用,在某些场景可以分析证明SDP的得到的解释原问题的全局最优化或者次优解。

qq_33668008的博客 1万+

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

comsol-声学

COMSOL多物理场仿真软件以高效的计算性能和杰出的多场耦合分析能力实现了精确的数值仿真,已被广泛应用于各个领域的科学研究以及工程计算,为工程界和科学界解决了复杂的多物理场建模问题。COMSOL内嵌的声学模块可以方便地进行多孔声学和粘热声学的模拟仿真。软件数值计算得到的云图,可以将声压、速度、声强以及声能耗散等结果可视化,十分有利于学生对声学的学习和理解。将COMSOL仿真引入实验当中,通过软件的可视化处理有效直观的展示复杂物理场和集合模型仿真的流程,与实验数据结合,使得文章内容具有说服力、预见性和新颖性。

y2715163545的博客 2376

嵌入式状态机编程-QP状态机框架与常见状态机方法

状态机基本术语 现态:是指当前所处的状态。 条件:又称为“事件”,当一个条件被满足,将会触发一个动作,或者执行一次状态的迁移。 动作:条件满足后执行的动作。动作执行完毕后,可以迁移到新的状态,也可以仍旧保持原状态。动作不是必需的,当条件满足后,也可以不执行任何动作,直接迁移到新状态。 次态:条件满足后要迁往的新状态。“次态”是相对于“现态”而言的,“次态”一旦被激活,就转变成新的“现态”了。 传统有限状态机Fsm实现方法 如图,是一个定时计数器,计数器存在两种状态,一种为设置状态,一种为计时状态 设

qq_36969440的博客 9667

AI编程Harness Coding行业深度研究报告

摘要 AI编程领域正经历从辅助工具到自主智能体的范式转变,Harness Engineering(挽具工程)成为关键突破点。报告系统梳理了AI编程从早期代码补全(2016-2020)到大语言模型时代(2022-2024)再到智能体时代(2024-2026)的演进历程,揭示了Vibe Coding理念的局限性及Harness Engineering的必要性。研究表明,优化Harness系统可使编程基准测试成功率从42%提升至78%,OpenAI Codex团队已实现百万行代码零人工编写的里程碑。报告深入分析了

后端研发工程师Marion的博客 892

HR效率翻倍!用Dify+飞书AI表格打造自动化简历处理流水线(附完整代码)

本文详细介绍了如何利用Dify工作流和飞书多维表格构建自动化简历处理系统,实现简历上传、AI智能解析与结构化数据入库的全流程自动化。通过整合大语言模型进行信息抽取,该系统能显著提升HR处理简历的效率与准确性,将HR从重复劳动中解放出来。

1a2s3d4f5g的博客 1032

从Vibe Coding、Spec Coding,到Harness Engineering

提出者:Andrej Karpathy(2025年2月)核心理念感觉驱动,快速试错。用自然语言描述模糊需求,AI 自由生成代码,人负责验收与迭代。人类角色:提需求、看效果、调方向(不写代码)。AI 角色:猜意图、写代码、快速迭代。产出质量Demo 级,适合原型、MVP、快速验证想法。适用场景:需求模糊、创意探索、快速原型、个人小工具。快速出原型,凭感觉和 AI 对话。先写说明书,AI 按图施工。搭好运行环境,让 AI 自己干活。

Mamba的博客 2132

Ansys Lumerical FDTD仿真加速策略与高性能硬件选型指南

本文深入探讨了Ansys Lumerical FDTD仿真的核心加速策略,涵盖算法优化与硬件选型两大维度。通过合理运用非均匀网格、对称边界条件等算法技巧,并精准匹配CPU/GPU计算资源与高性能硬件配置,可显著提升仿真效率,将计算时间从数天缩短至数小时。

a0b1c2d3的专栏 633

YOLO26改进 - 注意力机制 | ParNet并行子网络:多分支协同优化特征表达,增强模型判别能

本文介绍了ParNet注意力机制及其在YOLO26中的应用。ParNet注意力通过并行子网络结构,将网络层组织成多个子网络并行处理输入特征,降低了传统注意力机制在处理长序列时的计算复杂度。该机制采用VGG风格的块和特征融合策略,具有低深度高性能、参数效率高、可扩展性强和并行化能力好等创新点。我们将ParNet注意力引入YOLO26,在检测头部分应用该机制。通过实验训练改进后的模型,有望提升YOLO26在目标检测任务中的性能。

魔改工程师的博客 443

一文讲透企业级 Harness Coding 架构落地实战!

如果最近你关注 AI Coding,应该会经常听到一个词。 Harness Agent。 或者更完整一点,叫 Harness Engineering。

m0_59163425的博客 254

Open3D 计算FPFH特征【2025最新版】

FPFH特征描述子的python实现,本文最新更新时间为:2025年3月18日。

点云侠的博客 5281

Harness Coding

Harness Coding”(驾驭式编码)是AI编程领域一个前沿的工程化概念。它并非指某个具体的软件或工具,而是一套。

神棍之路 479

推荐系统(十六):基于ESMM的商品召回/推荐系统

ESMM(Entire Space Multi-Task Model)是阿里巴巴提出的多任务学习框架,通过联合建模点击率(CTR)和点击转化率(CVR)解决传统CVR模型样本稀疏问题。其核心思想是将 CVR 定义为 CTR 与 CTCVR 的条件概率,模型包含两个子任务。

Jin_Kwok的博客 1268

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

[AI]一文看懂Harness 工程— — 为 AI 装上“马具”

[AI]一文看懂Harness 工程— — 为 AI 装上“马具”

weixin_45565886的博客 1835

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Harness Engineering,给 Coding Agent 套上 “缰绳”,搞定千万 Token 级长程任务

本文探讨了AI Coding Agent在执行大规模长程任务时面临的三大核心挑战:上下文耗尽导致信息丢失、中断后无法恢复进度以及规模放大后行为不可控。针对这些问题,文章提出了四个关键设计原则:任务拆解(将大任务分解为合理粒度的子任务)、并行执行(通过并发提升效率)、可续传机制(状态持久化实现断点续传)以及明确完成条件(确保结果可验证)。这些原则共同构成了"Harness Engineering"框架,旨在为AI Agent套上"缰绳",使其能够可靠地处理涉及上千文件、

小程故事多的博客 806

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

AI编程的三次范式跃迁,从“用嘴写代码”到“驾驭AI Agent”

AI编程的三次范式跃迁:从"用嘴写代码"到"驾驭AI Agent" 2024-2026年间,AI编程经历了三次重大变革:Vibe Coding(氛围感驱动)实现零门槛编程但仅限Demo级应用;Spec Coding(规格驱动)通过结构化需求定义使AI代码达到生产级可用;Harness Engineer(约束系统驱动)通过设定AI行为边界实现工程级稳定运行。这三次跃迁并非替代关系,而是层层叠加,共同构建了完整的AI编程生态。 关键点: Vibe Coding适合快速验证

小程故事多的博客 1217

AI Coding 的终局,不是写更好的 Prompt,而是给 Agent 套上 Harness

AI 编程的终局:Harness Engineering 取代 Prompt Engineering 本文提出 AI 编程的未来不在于优化 Prompt,而在于建立完善的 Harness(约束系统)。作者将 AI 编程分为三个演进阶段:Prompt Engineering(怎么说)、Context Engineering(给AI看什么)和最高阶的 Harness Engineering(如何构建AI开发系统)。 一套有效的 Harness 应包含五层: Rules:不可违反的底线规则 Workflow:标准

2302_81141145的博客 321

Harness 到底指什么:Coding Agent 时代的运行时边界、工程纪律与业务分层

本文讨论 Coding Agent 时代 “Harness” 的含义:它不是业务 spec,也不是模型 API,而是让模型稳定运行的平台代理层,包括上下文、记忆、工具、权限、subagent、hook 和反馈闭环。文章强调,业务工程不应魔改 harness,而应写清楚 workflow、phase contract、tool spec 和 domain knowledge,通过 harness 暴露的原语可靠执行。成熟的 agent 工程,关键是分清平台边界与业务边界。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 3万+

Harness Engineering:AI Agent 落地企业的工程化核心

从大模型到企业级生产力,中间经历了「大模型→AI Agent→Harness Engineering→Agentic AI→业务流程自动化」的演进路径,其中Harness Engineering是连接AI Agent与企业落地的核心桥梁它让AI Agent从「自主决策的智能体」变成「受约束、可审计、高可靠的企业级工具」;它实现了RPA(确定性自动化)与AI Agent(推理型自动化)的协同工作,让自动化从「规则驱动」走向「智能驱动」;它的核心价值并非「增强AI Agent的能力」,而是「

m0_64363449的博客 454

【粉丝福利社】Codex快速入门:Harness工程落地

摘要 《Codex快速入门:Harness工程落地》是国内首部系统讲解AI编程工具Codex的专著,由袁从德、吴军、陈文浩联合撰写。本书突破传统工具教程模式,聚焦从"AI代码生成"到"AI工程协作"的实践转型,针对在职开发者、技术管理者、AI探索者及非传统开发人员四类群体,提供从个人提效到团队落地的完整路径。全书以"认知迁移→上下文工程→高频实战→团队落地"为逻辑主线,通过emotional_chat等实战项目,重点阐述上下文质量对AI输出的决定性影响,并配套开源代码库强化实践。区别于碎片化技巧集合,本书强

愚公智库 8875

大模型工程化:从Prompt到Harness,驾驭AI生产力新时代

大模型工程化三大范式:提示词工程、上下文工程与驾驭工程 摘要:随着大模型技术的成熟,行业焦点转向如何实现能力稳定落地。文章系统阐述大模型工程化的三大范式:提示词工程(Prompt Engineering)作为基础,通过标准化指令引导模型输出;上下文工程(Context Engineering)通过信息注入解决知识边界与幻觉问题;驾驭工程(Harness Engineering)构建全链路管控体系。三者呈递进互补关系,共同支撑生产级应用。当前趋势呈现三大特点:自动化Prompt优化、多模态场景融合、体系化管控

m0_63171455的博客 1861

从 Prompt 到 Context 再到 Harness ,AI Coding 正在经历第三次范式跃迁

AI编程正经历第三次范式跃迁:从Prompt到Context再到Harness Engineering。2025年AI编程工具已能完整参与开发全流程,但面临"能力"与"可信工程产出"间的鸿沟。Prompt Engineering优化单次交互,Context Engineering构建持续工作环境,而最新的Harness Engineering通过系统化团队隐性知识,解决复杂业务场景下的语义准确性难题。这一演进使AI从代码补全工具成长为真正的协作伙伴,开发者需要主动适应

热爱编程、热爱生活、热爱探索 793

Harness Engineering: 让 Coding Agent 可靠完成长程任务

随着任务规模的不断增长,Agent 的可靠性可能出现问题,聊聊如何用 Harness 让 Agent 稳定跑完长程任务。

lihui49的博客 607

周红伟:Harness Agent工程技术:在智能体优先的世界中利用 Codex

由于缺乏人工编码的实践,工程师工作的重点转向了系统、架构和杠杆作用。早期进展比我们所预期的要慢,而这并不是因为 Codex 不具备相应的能力,而是因为环境的规范不够明确。该智能体缺乏实现高级目标所需的工具、抽象层和内部结构,因而无法取得进展。我们工程团队的主要任务成了协助智能体完成有用的工作。在实践中,这意味着采用深度优先的工作方式:将更大的目标拆解为更小的构建模块(设计、代码、评审、测试等),提示智能体去构建这些模块,并使用它们去解锁更复杂的任务。

周红伟讲AI 668
上一篇: 一文搞懂Milvus:从基本概念到Schema定义、向量搜索全解析
下一篇: 京东二面真题:RAG 检索优化实战教程(非常详细),提升正确率从入门到精通,收藏这一篇就够了!
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值