构建 Agent Harness：打造可靠 AI Agent 的核心控制层

Prompt Engineering、Context Engineering，以及现在的 Harness Engineering。

Prompt engineering 随着 2022 年底 ChatGPT 的发布进入公众视野，定义了与大型语言模型高效交互的方式。Context engineering 则在去年（2025 年）走到台前，构建者们尝试在上下文窗口限制内，将尽可能多的有用信息塞进 prompt。Harness engineering 则成为今年的热点话题，构建者优化模型周边的“脚手架”，以确保 agent 能正确处理任务请求，并尽可能给出最佳响应。

LangChain https://www.langchain.com/blog/improving-deep-agents-with-harness-engineering 探讨如何通过 harness engineering 改进 deep agents，展示了在不更换底层模型的前提下，通过调整 system prompts、tool 使用以及 middleware 来优化 agent 性能。尤其是中间的 middleware 层，注入了目录上下文以加速 agent 上手、验证输出以进行质量校验，并强制执行时间预算以在合理时限内完成工作。这表明，agent 构建者不必一味等待下一个模型版本来提升质量，而是可以“站在前沿实验室的肩膀上”，取得更好的结果。

Birgitta Böckeler 在一篇面向编码类 agent 用户的文章中提出了一个简单公式来定义 harness engineering：agent = model + harness。她这样阐述一个良好 harness 的目标：

一个构建良好的外部 harness 有两个目标：它提高 agent 一开始“就做对”的概率，并在结果到达人类视线之前，提供尽可能多的问题自我纠正反馈回路。

AWS 也刚刚为 AgentCore 推出 了全新的托管 agent harness，用简单的基于配置的部署，取代了前期繁琐的 agent 构建流程。

在这篇博客中，我将分享在我的 agent 平台原型 Loom 中构建 agent harness 的持续探索，并介绍如何集成 AgentCore 的新 harness 作为另一种构建 agent 的选项。

注：

• 为保证专业性与可对照性，文中的专业名词如 agent harness、harness engineering、AgentCore、middleware、MCP、A2A、CLI、Bedrock、boto3、JWT、RFC 8693 等均保留英文原文；必要处在首次出现时辅以中文解释。

走进 Loom 的引擎盖之下

在 Loom 的介绍文章中，我提出了客户挑战 #4：软件部署需要严格测试，尤其是 AI 生成代码。因此我使用预写的 agent，并通过 feature flags 启用 memory、tools、与其他 agents 的集成。这样既能进行标准化的代码扫描，也无需为不受信任的代码执行准备隔离环境。

通过配置注入构建预写的 agent

为此，我注入了一个名为 AGENT_CONFIG_JSON 的环境变量，其负载如下：

{  "system_prompt": "persona, instructions, guidelines",  "model_id": "us.amazon.nova-2-lite-v1:0",  "max_tokens": 16384,  "integrations": {    "mcp_servers": [      {        "name": "utilities",        "enabled": true,        "transport": "streamable_http",        "endpoint_url": "https://example.heeki.cloud/mcp",        "auth": {          "type": "oauth2",          "credential_provider_name": "<agentcore-credential-provider-for-utilities>",          "well_known_endpoint": "https://cognito-idp.<region>.amazonaws.com/<cognito-pool-id>/.well-known/openid-configuration",          "scopes": "utilities/invoke ..."        }      }    ],    "a2a_agents": [      {        "name": "agentforce-assistant",        "enabled": true,        "endpoint_url": "https://api.salesforce.com/einstein/ai-agent/a2a/<agent-identifier>",        "auth": {          "type": "oauth2",          "credential_provider_name": "<agentcore-credential-provider-for-agentforce-assistant>",          "well_known_endpoint": "https://<organization-id>.develop.my.salesforce.com/.well-known/openid-configuration"        }      }    ],    "memory": {      "enabled": true,      "resources": [        {          "name": "demo_employee_assistant",          "memory_id": "demo_employee_assistant-RNDrSHC2P5",          "arn": "arn:aws:bedrock-agentcore:<region>:<account-id>:memory/demo_employee_assistant-RNDrSHC2P5"        }      ]    }  }}

system_prompt 参数将 persona、instructions、guidelines 这几项输入合并，用于初始化 agent。

agent = Agent(    system_prompt=config.system_prompt,    model=model,    tools=tools,    hooks=hooks,)

model_id 与 max_tokens 参数用于配置 Bedrock 模型。后续我计划扩展以支持其他 3p（第三方）模型提供方。

model = BedrockModel(    model_id=config.model_id,    max_tokens=config.max_tokens,    streaming=True,)

integrations.mcp_servers 与 integrations.a2a_agents 用于按条件定义 agent 的工具列表。下面的代码为了简洁做了轻微简化。

if config.integrations.mcp_servers:    enabled_servers = [s for s in config.integrations.mcp_servers if s.enabled]    if enabled_servers:        mcp_clients = build_mcp_clients(config.integrations.mcp_servers)        tools.extend(mcp_clients)        logger.info("Loaded %d MCP tool client(s)", len(mcp_clients))if config.integrations.a2a_agents:    enabled_agents = [a for a in config.integrations.a2a_agents if a.enabled]    if enabled_agents:        a2a_clients = create_a2a_clients(config.integrations.a2a_agents)        if a2a_clients:            tools.extend(a2a_clients)            logger.info("Loaded %d A2A client(s)", len(a2a_clients))

integrations.memory 参数用于决定是否在生命周期事件中接入与 memory 交互的 hook。

if config.integrations.memory.enabled:    memory_store_id = None    if config.integrations.memory.resources:        memory_store_id = config.integrations.memory.resources[0].memory_id    memory_hook = MemoryHook(memory_store_id=memory_store_id)    hooks.append(memory_hook)    logger.info("Enabled AgentCore Memory hook (store_id=%s)", memory_store_id)

这种方式允许在部署时对 agent 进行配置，并可根据具体用例的需要，选择性地设置上述各项配置。

但如果我想在运行时变更 agent 配置怎么办？允许终端用户选择偏好的模型很常见；在与 agent 交互途中追加工具集成也很常见。

部署时配置 vs 运行时配置

如何实现？部署时配置作为默认设置，运行时配置允许用户用自己的选择覆盖这些默认值。

默认的部署配置与可在运行时覆盖的配置

invoke 的负载支持在运行时覆盖模型、并新增 connectors（tools 或其他 agents）。这在 InvokeRequest 类中有定义。

{  "prompt": "What is the weather in New York?",  "session_id": "existing-session-id-or-null",  "model_id": "us.amazon.nova-2-lite-v1:0",  "credential_id": 1,  "bearer_token": "<your-bearer-token>",  "connector_ids": [3, 7]}

• prompt

  （必填）：用户消息

• session_id

  ：复用现有会话；省略则创建新会话

• model_id

  ：覆盖 agent 的默认模型，必须在 allowed_model_ids 中

• credential_id

  ：用于令牌生成的内部授权方标识

• bearer_token

  ：手动生成的 bearer token

• connector_ids

  ：本次调用要附加的内部 connector id

例如，我可以为某个 agent 配置一组可选模型，终端用户只能从中选择。

管理员视图：为终端用户选择允许的模型

然后终端用户即可选择自己的偏好模型。

终端用户视图：选择偏好模型

如果用户选择了另一个模型，该选择会随 invoke 请求一并传入；随后 agent 会使用该模型进行处理。

运行时添加工具

在运行时更新模型相对容易，因为这只是 agent 里多处理一个参数。而在运行时新增工具则有些“弯”，需要格外注意。

运行时启用 connector 的界面

在介绍文中，我提出了客户挑战 #6：需要在委托的 actor 链条中管理身份传递。我建议用有意的架构约束将其简化为单跳。这也是许多 agent 式用户界面今天采取的方式——用户可按需启用连接。

这种方式的关键好处在于：当用户切换打开一个新的 connector 时，顺势捕获用户凭证。我推测，在这一刻采集凭证会带来“最小化”的用户授权疲劳，因为用户此时强烈意图与该集成交互。

等到真正需要时才去采集凭证并不合理，因为用户可能已离开去处理一个长时任务。比如，这就像你在 Claude Code 中启动了一个长时任务、转身离开，回来后发现它在你离开 10 秒后就暂停执行了，并请求你授权访问某个目录或读取某个文件。

请注意，这是一种“简化”，而不是 agent 身份与权限委托问题的最终解。RFC 8693 是一个 token exchange 的提案，它通过在 JWT 中携带 actor claim 的方式帮助进行委托。

在上面的示例截图中，我在 exa.ai/mcp 上注册并创建了一个 API key，在免费档位下每月可发出 1000 次请求，足以满足基础原型需求。虽然我可以在管理员层面配置 MCP server，但这样做会导致每位启用该 connector 的用户都共用这把 API key。有的场景没问题，但也有的场景需要“按用户”的 API key。

MCP connectors 的按用户 API key

我选择了后者。因此当用户启用该 connector 时，会弹出一个对话框，提示用户输入个人 API key。之后在请求 MCP server 时就使用这把个人 key。

需要注意的是，在我写下这段内容时，AgentCore 的 credential providers 还不支持按用户的 API key。因此我是在 agent 请求里注入请求头，而不是使用 credential provider。

在 Loom 中集成托管的 agent harness

为了达到目前的状态，我进行了相当多的迭代。一方面，自建 agent harness 让我学到了很多，也带来了极大的灵活性，比如为遥测与成本估算添加自定义日志。另一方面，这可能比一个人愿意为 agent 平台投入的工程量更多。

Harness for AgentCore 刚刚发布，目标是简化 agent 的部署以及与各类上下文提供方的集成。

我尤其喜欢托管 agent harness 的一点是：它在部署时与运行时都同时支持模型选择与工具集成。比如在部署阶段，我可以这样配置（以 CLI 为例）：

aws bedrock-agentcore-control create-harness \  --region us-east-1 \  --harness-name "loom-harness-example" \  --execution-role-arn "arn:aws:iam::${ACCOUNT_ID}:role/loom-harness-role" \  --system-prompt "persona, instructions, guidelines" \  --model "us.amazon.nova-2-lite-v1:0" \  --max-iterations 75 \  --max-tokens 16384 \  --tools '[{"type": "remote_mcp", "name": "exa", "config": {"remoteMcp": {"url": "https://mcp.exa.ai/mcp"}}}]' \  --memory '{"optionalValue": {"agentCoreMemoryConfiguration": {"arn": "arn:aws:bedrock-agentcore:${REGION}:${ACCOUNT_ID}:memory/${MEMORY_ID}"}}}'

同样地，在运行时我也可以覆盖模型与工具选项，例如：

response = client.invoke_harness(    harnessArn=HARNESS_ARN,    runtimeSessionId=SESSION_ID,    messages=[        {            "role": "user",            "content": [                {"text": "What's the weather in New York City?"}            ],        }    ],    model={        "bedrockModelConfig": {            "modelId": "us.anthropic.claude-sonnet-4-6"        }    },    tools=[        {            "type": "remote_mcp",            "name": "exa",            "config": {"remoteMcp": {"url": "https://mcp.exa.ai/mcp"}}        }    ])

对于构建 agent 的全托管、serverless 体验而言，这节省了大量时间！而且部署过程相当轻快：我的自定义 agent 大约需要 1 分钟，harness 部署只需约 20 秒！

在 Loom 中使用 AgentCore 新 harness 创建的 agent

我也已经将托管的 agent harness 集成进 Loom，并在版本 1.3.0 中提供。

请注意：你需要将 boto3 升级到 1.42.94 版本以使用新的 harness 方法。

另请注意：对于需要 OAuth2 access tokens 的远程 MCP servers，目前似乎还不支持 credential providers，需要自行添加自定义授权请求头。

{  "harnessArn": "arn:aws:bedrock-agentcore:<region>:<account-id>:harness/<harness-id>",  "runtimeSessionId": "552bb0ed-f268-46e6-9db9-53df37b149f0",  "messages": [    {      "role": "user",      "content": [        {          "text": "What's the weather in New York City?"        }      ]    }  ],  "tools": [    {      "type": "remote_mcp",      "name": "utilities",      "config": {        "remoteMcp": {          "url": "https://<mcp-server-endpoint>/mcp",          "headers": {            "Authorization": "Bearer "          }        }      }    }  ],  "actorId": "admin"}

结语

随着各组织同时追求效率与响应质量，harness engineering 正当其时。构建一个 agent harness 并非难事，但确实需要仔细权衡与设计。

AWS 刚刚发布了全托管的 agent harness，显著简化了在云端构建与部署 agent 的体验。AWS 控制台还提供了 playground 体验，让测试变得非常轻松。

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🔋

📝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】