AI编程范式的演进:从Harness到Agent Orchestration

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

在AI编程领域,我们正在经历一场范式的快速迭代。从最初的Prompt Engineering到后来的Context Engineering,再到如今爆火的Harness Engineering,每一次演进都解决上一代的盲区,推动着AI编程技术的快速发展。

站在当下,斗胆预测下,未来的范式演进,一定会是从Harness Engineering到Agent Orchestration Engineering,也就是多Agent的编排。

AI编程的范式演进

AI编程范式经历了四个阶段的演进:

1. Prompt Engineering - 解决"怎么说"(语法层) 这是最基础的阶段,关注如何用自然语言准确表达需求。正如我在笔记中记录的,好的Prompt需要包含角色场景、任务简述和任务描述三段式结构。但问题在于,模型可能还是听不懂人话。

2. Context Engineering - 解决"给什么信息"(数据层) 这个阶段我们意识到,光会说还不够,还要提供正确的上下文信息。通过注入相关文档、代码片段、历史对话等上下文,帮助模型更好地理解任务。但新的问题是:给了信息,模型还是不知道如何正确使用。

3. Harness Engineering - 解决"如何约束执行"(执行层) 为了控制模型的执行行为,我们开始构建约束框架。通过工具调用限制、输出格式约束、执行流程控制等机制,让模型按照预定的规则工作。但单个Agent在面对复杂任务时,仍然力不从心.

4. Agent Orchestration Engineering - 解决"如何协调多个Agent"(编排层) 这是当前的最新阶段,通过多Agent协作来处理复杂任务。每个Agent专注特定领域,通过编排协调完成整体目标。

为什么是Agent Orchestration?

这个演进方向并非偶然,而是遵循了技术发展的普遍规律:

  • 单核CPU → 多核CPU: 计算能力的提升路径
  • 单体应用 → 微服务架构: 软件架构的演进方向
  • 单进程 → 分布式系统: 系统规模的扩展方式
  • 单Agent → 多Agent协作: AI编程的必然趋势

每一代范式都在解决上一代的盲区,这是技术演进的内在逻辑。

Agent编排的核心框架

一个完整的Agent Orchestration框架需要包含以下核心组件:

**1. 任务图(Task Graph)**用DAG(有向无环图)表示任务的分解和依赖关系,确保执行顺序的正确性.

**2. 状态机(State Machine)**管理每个Agent的状态转换,处理任务的推进和异常情况.

**3. 事件总线(Event Bus)**实现Agent之间的异步通信,解耦各个组件的依赖关系.

**4. 调度器(Scheduler)**根据任务图和当前状态,决定下一步执行哪个Agent.

**5. 执行器(Executor)**实际执行Agent的具体逻辑,调用模型和工具.

**6. 状态存储(State Store)**跨session共享状态数据,支持任务的断点续传和恢复.

**7. 监控(Observability)**提供Trace追踪、性能指标和可视化界面,便于调试和优化.

总结

从Prompt到Agent Orchestration,AI编程范式正在从"如何与模型对话"进化到"如何构建复杂的AI系统"。这个演进方向符合技术发展的普遍规律,每一代都在解决上一代的根本性盲区.

这个领域还在快速发展,框架设计和最佳实践都在不断演进。保持学习和实践,才能跟上这个领域的变化。

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

Harness Agent框架:AI任务分解与执行的新范式 AI代理框架作为现代人工智能系统的重要组成部分,通过任务分解与编排技术实现复杂业务流程的自动化。其核心原理在于将高层次目标拆解为可执行的原子任务,并协调各类专业模型完成具体操作。在工程实践中,这类框架显著提升了AI系统的可靠性和扩展性,特别适用于需要多步骤协作的场景如智能客服、数据分析等。Harness Agent作为新一代框架代表,创新性地采用动态子代理生成和分形上下文管理,在GitHub获得54k+星标认可。相比传统方案,其在任务吞吐量(142tpm vs 67tpm)和内存效率(580MB vs 92 阅读详情

相关推荐

AI Agent工程化实战:Skills与Harness架构构建智能体系统

在人工智能领域,AI Agent作为能够感知环境、自主决策和执行任务的智能实体,其核心在于模块化与系统化设计。Agent Skills(技能)将复杂任务拆解为可复用的原子能力单元,如数据查询、API调用等,通过标准化的输入输出接口实现功能解耦。Harness架构则作为插件式管理框架,负责技能的动态注册、路由发现与工作流编排,解决了多技能协同与系统扩展的工程难题。这种架构模式的技术价值在于提升开发效率、保障系统稳定性,并支持规模化部署,广泛应用于智能客服、自动化流程、数据分析等复杂业务场景。本文聚焦于Agen

weixin_34194359的博客 327

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1451

Harness Agent框架:AI任务自动化的新标杆

AI任务自动化框架是现代智能系统的核心组件,通过模块化设计和分布式执行提升复杂任务处理效率。其技术原理基于动态Agent编排、分层架构隔离和声明式技能定义,能有效解决传统方案中的资源竞争和流程僵化问题。以GitHub热门项目Harness Agent为例,该框架采用Sub-Agent集群和向量化上下文管理,在金融数据分析、电商内容生成等场景中展现出60%以上的效率提升。特别是其Skill-as-a-Service架构和LangGraph集成能力,为开发者提供了从任务分解到结果聚合的全流程自动化支持,成为继L

weixin_34198762的博客 371

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 4401

AI Agent工程化实战:从概念到落地的Harness Engineering架构解析

在人工智能工程化领域,大语言模型(LLM)驱动的智能体(AI Agent)正从概念验证走向规模化应用。其核心原理在于通过自然语言理解与工具调用,实现自主任务执行。然而,要将AI Agent转化为稳定可靠的生产力工具,必须解决其固有的非确定性、安全风险与成本控制等工程挑战。这催生了Harness Engineering(驾驭工程)这一关键技术方向,它通过系统化的架构设计,为AI Agent构建起包括编排调度、安全护栏、可观测性在内的完整控制层。在工程实践中,Harness Engineering的价值在于将A

weixin_30448603的博客 421

AI Agent架构演进:从LangGraph状态机到MCP技能协议与动态工作流

在人工智能应用开发中,智能体(Agent)架构设计是构建复杂、可维护系统的核心。其基本原理在于通过模块化设计,将任务分解为可管理的组件,并通过状态机控制执行流程。从技术价值看,良好的架构能显著提升系统的可扩展性、可观测性和容错能力,尤其适用于需要多轮交互、动态决策和集成外部工具的场景。本文聚焦于当前Agent开发的三大关键技术形态:LangGraph提供的基于图的状态机与工作流管理,解决了复杂状态与循环控制问题;MCP(Model Context Protocol)作为工具与技能接入协议,实现了技能的标准化

weixin_33787529的博客 285

Harness Engineering 深度解读:Agent = 模型 + Harness,11 个主流编程 Agent 源码拆解丨论文解读

一句话结论:Agent = 模型 + Harness。模型提供智能,Harness 把智能变成工作。 本文深度拆解了 11 个主流生产级编程 Agent(如 Claude Code、Codex、Gemini CLI 等)的约 400 万行源代码,系统梳理了“Harness Engineering(驾驭工程)”的核心架构与演化趋势。 🎯 核心认知:什么是 Harness? Harness 是模型之外的一切运行时系统。它包含七个核心子系统:智能体循环(Agent Loop)、LLM 集成、工具与动作、记忆

m0_56491492的博客 447

AI Agent Runtime 正在 commoditize:从自研沙箱到托管执行时的范式迁移

AI Agent 运行时(runtime)正经历类似操作系统层的历史性 commoditization 过程——当基础设施复杂度越过临界点,其价值必然向上迁移至可审计、可追溯、可契约化的上层抽象。核心驱动力来自两大技术现实:一是 context window 溢出引发的静默失败倒逼 session 必须解耦为持久化事件日志(event log),二是 sandbox 从‘宠物式’容器运维转向‘牲畜式’微虚拟化按需供给。这使得 agent 开发重心从调度编排、凭证管理、状态恢复等底层工程,转向定义工具契约(Y

weixin_30861459的博客 342

Harness Engineering 深度解析:AI Agent 时代的驾驭工程实战指南

harness engineeriing

素质云笔记 2598

Hermes Agent实战:从Prompt工程到AI Agent生产级部署

AI Agent作为人工智能技术的重要分支,通过任务编排和工具集成实现自主决策与执行。其核心原理是将大语言模型能力与工程化框架结合,解决传统Prompt Engineering在复杂任务中的局限性。技术价值体现在可复用技能模块、状态管理和异常处理机制,显著提升AI应用的稳定性和可维护性。在实际应用场景中,AI Agent广泛应用于智能客服、数据分析和自动化流程等领域。本文以Hermes Agent为例,详细介绍Harness Engineering理念下的环境配置、技能调用和批量任务处理,帮助开发者实现从实

weixin_34090562的博客 474

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

Harness如何让AI编程从对话工具升级为工程基础设施

AI编程助手已从早期的对话式交互(如Claude Code)演进为嵌入工作流的工程化能力。其核心原理是将大模型能力解耦为可测试、可编排、可监控的原子单元(Skill),再通过Agent实现上下文感知的自主决策,最终由Orchestration层无缝注入GitHub、Slack、CI/CD等开发者日常工具链。这种架构不仅提升响应效率与结果稳定性,更带来可审计性、多模型冗余、成本可控等技术价值,广泛应用于PR摘要生成、自动化代码审查、错误根因分析、安全合规扫描等高复用、强规则场景——Harness正是这一范式落

weixin_29057065的博客 313

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3291

重塑AI智能体开发范式:Nexent的无代码生产级Agent生成平台

在AI应用开发日益复杂的今天,Nexent以"一句话,无限可能"的理念,重新定义了智能体开发的门槛。这个基于Harness Engineering原则构建的零代码平台,让开发者仅需自然语言描述,就能自动生成生产级AI智能体,无需编排、无需拖拽,用纯粹的语言开发任何你想要的智能体。 ## 重新定义:从代码编写到语言驱动的智能体开发 传统AI智能体开发往往需要复杂的代码编写、模型集成和流程编排,而

gitblog_00606的博客 707

深入解析高通Adreno DPU的DRM/KMS驱动架构与硬件协同设计

本文深入解析了高通Adreno DPU的DRM/KMS驱动架构与硬件协同设计,详细介绍了Adreno DPU的核心模块组成、显示接口设计以及DRM驱动架构。通过实际案例和调试技巧,帮助开发者理解硬件与软件的协同工作原理,优化显示性能并解决常见问题。

weixin_29266679的博客 440

10X Genomics数据实战:手把手教你用Seurat处理单细胞PBMC数据(附完整代码)

本文详细介绍了如何使用Seurat处理10X Genomics的单细胞PBMC数据,从数据获取、质控到降维分析和细胞分群的全流程。通过实战代码演示,帮助研究者掌握单细胞RNA测序数据分析的核心技术,提升对细胞异质性的理解。

weixin_29053577的博客 255

智能体平台Harness解析:从AI Agent原理到企业级应用实战

AI Agent(智能体)作为人工智能领域的关键技术,其核心在于将大语言模型的认知能力与工具调用、任务规划、环境交互等执行模块相结合,形成能够自主完成复杂任务的智能系统。从技术原理上看,智能体通过感知-规划-执行的闭环架构,实现了从被动响应到主动行动的跃迁,其价值在于能够将AI能力真正融入业务流程,驱动自动化与智能化升级。在企业应用场景中,智能体平台需要解决可靠性、安全性、成本优化与复杂工作流编排等工程化挑战,这正是Harness等平台聚焦的方向。以需求预测为例,一个典型的智能体开发流程涉及任务拆解、工具集

weixin_30326515的博客 396

遥感大模型核心技术之自监督预训练技术研究(2025年9月版)

本文系统探讨了自监督预训练技术在遥感大模型构建中的核心作用。随着遥感数据进入"大数据"时代,传统监督学习面临"数据丰富、标签贫乏"的瓶颈,而自监督预训练通过设计代理任务从无标签数据中学习特征表示,成为驱动大模型发展的关键引擎。文章分析了遥感领域对自监督预训练的三大独特挑战:多源异构性、地理空间约束和时空动态性,并提出了针对性解决方案:掩码自编码(MAE)技术及其演进、地理对比学习与多模态融合、位置感知预训练与多任务学习。

panshengwu的博客 842

Harness Engineering:企业级多Agent系统从原型到生产的工程化实践

在多Agent系统开发中,协调与编排是核心挑战。传统基于对话循环(Loop)的方法虽能快速验证想法,但在状态管理、错误处理和可观测性方面存在局限,难以满足企业级应用对稳定性、可维护性和可审计性的要求。Harness Engineering作为一种新兴工程范式,通过将智能体的能力与系统的控制流、状态流、错误流解耦,引入显式的流程定义、结构化的状态管理和强大的错误处理机制,旨在构建具备高可靠性的生产级系统。其价值在于将软件工程的最佳实践系统性地应用于多Agent场景,确保复杂业务流程的可控执行。本文以智能客服工

weixin_30642869的博客 336

SAP FAGLFLEXT 是 SAP 新总账的核心余额表,存储多维度的汇总余额数据。核心结论:该表按 “科目 + 会计年度 + 期间 + 维度” 存储累计余额,字段可分为基础标识

FAGLFLEXT是SAP新总账的核心余额表,采用"科目+年度+期间+维度"结构存储多维汇总数据。其字段分为基础标识(科目、年度等)、维度细分(公司代码、利润中心等15个维度)、金额数值(本外币余额)、辅助控制(状态标识)四大类,支持新总账的灵活核算。该表通过凭证自动更新,与旧总账GLT0相比显著扩展了维度核算能力,各维度需在科目主数据或Ledger配置中启用才能使用。

金牌架构师 455

MobSF-v3源代码分析(一)

移动安全框架(MobSF)是一种自动化的移动应用程序(Android/iOS/Windows)测试框架,能够执行静态、动态和恶意软件分析。 它可用于Android、iOS和Windows移动应用程序的有效和快速安全分析,并支持二进制文件(APK,IPA和APPX)和压缩源代码。 MobSF可以在运行时为Android应用程序进行动态应用程序测试,并具有由CapFuzz(一种特定于Web API的安全扫描程序)提供支持的Web API模糊测试。MobSF旨在使您的CI/CD或DevSecOps管道集成无缝。

武天旭的博客 8960

从Prompt Engineering到AI Agent:构建自主循环与工程化实践

大型语言模型(LLM)的应用开发已从静态的Prompt Engineering演进到动态的AI Agent系统。Prompt Engineering本质是与LLM进行高效通信的接口设计,通过角色定义、任务结构化等手段减少歧义、对齐意图。当任务复杂度提升,单次交互无法满足需求时,需要引入上下文管理和循环工程(Loop Engineering),构建感知、规划、执行、观察的自主循环。这一过程依赖工具调用、记忆系统和规划器等核心组件,将AI能力组织成可控的工作流。为确保系统稳定运行,必须建立基础设施层(Harne

weixin_30247307的博客 459

物理AI重构自动驾驶供应链 | 传统Tier1盈利模式崩塌,纯算法/软硬一体双路线落地对比,助力智驾软件商业化与全场景模型迭代

2026年是自动驾驶物理AI规模化落地元年,行业彻底告别传统感知-预测-规划-控制的模块化分层开发范式,迈入以世界模型、物理规则推演、端到端动作生成为核心的全新技术阶段。不同于传统AI仅完成图像识别、目标检测的浅层感知任务,物理AI能够深度理解道路交通中的动力学约束、路面摩擦、车辆博弈、行人运动规律等真实物理逻辑,实现对复杂路况的时序推演与自主决策,从底层重构自动驾驶技术架构。技术迭代同步引发产业链颠覆性变革,沿用数十年的传统自动驾驶Tier1商业模式全面崩塌。

getusushu的博客 290

鱼皮《Vibe Coding 概念大全》精讲:一文吃透 AI 编程的核心术语体系

> 本篇技术指南以仓库内 [Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md](https://link.gitcode.com/i/db8135ae17bd10a31e126ce81b9c2224) 为骨架,系统梳理 Vibe Coding(氛围编程)中的全部核心术语,涵盖 AI 基础概念、提示词工程、智能体编程模式、上下文管理、AI 输出控制、开发工具、项目管理

gitblog_00705的博客 340

利用R批量计算相关系数

批量求相关系数

weixin_52073820的博客 1459

FPGA 学习笔记:Vitis IDE launch failed 的解决方法

FPGA 学习笔记:Vitis IDE launch failed 的解决方法

坚韧与专注 1万+
上一篇: Harness宏观架构:DeerFlow 2.0 断点续跑机制 架构设计与实现
下一篇: LangGraph、OpenClaw、Hermes:三种 Agent 路线,不是一回事
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