如何构建自定义 Agent Harness

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

构建有用的 Agent,核心在于定制化:将你的 Agent 连接到适合当前任务的上下文、数据和环境等。

从本质上讲,Agent 是一个模型循环调用工具,直到完成任务并返回结果:

你也可以将 Agent 定义为:agent = model + harness

Harness 是围绕模型的脚手架,负责将其与现实世界连接起来。

本文的其余部分基于以下假设:

  • Agent 的好坏取决于提供给模型的上下文质量
  • Harness 的职责是在每一步都为模型提供上下文

因此,要构建一个有用的 Agent,你需要一个 Harness,能够针对给定任务向模型精准交付正确的上下文。

  1. 基础 Harness
    =============

create_agent 是 LangChain 用于构建 Harness 的原语。传入模型、工具集和系统提示词,你就拥有了一个可运行的 Agent:

from langchain.agents import create_agent
agent = create_agent(
model="anthropic:claude-sonnet-4-6",
tools=tools,
system_prompt="you are a helpful assistant..."
)

像 Deep Agents 和 Claude Agent SDK 这样的 Harness 已经预装了带有明确设计取向的中间件(Middleware)栈:记忆、上下文管理、沙箱环境等。它们旨在让你快速构建生产级 Agent,并且在大多数场景下表现良好。但许多 Agent 需要比这些 Harness 更细粒度的定制:自定义提示词、业务逻辑、护栏(Guardrails)等。

create_agent 采取了不同的方法:它是有意极简的。我们的理念与 Pi(一个高度可配置的编程 Agent Harness)类似。create_agent 只实现了核心的 Agent 循环,并将中间件(Middleware)作为定制的原语暴露出来。

  1. 中间件:定制 Harness 的方式
    =====================

中间件在 Agent 循环的每一步进行介入:在模型调用之前和之后、在工具调用之前和之后、在 Agent 启动和销毁时。每一块中间件只处理一个关注点,并可以自由地与其他中间件组合:

中间件允许你通过几个通常协同工作的杠杆,为 Agent 添加能力:

  • 确定性逻辑(Deterministic Logic)

业务逻辑、策略执行、动态 Agent 控制,任何需要在循环特定节点触发的逻辑。这包括对 Agent 本身的运行时控制:根据任务复杂度切换模型、调整提示词、更新 Agent 的消息历史(例如在历史压缩时)。任何无法(或不应)放在提示词中的逻辑,都应该放在这里。

  • 工具(Tools)

与其直接在 Agent 上注册工具,不如让中间件来处理工具的完整生命周期:初始化、销毁、注册,并向 Agent 提供一套干净的工具集。当工具存在依赖、需要初始化或需要在运行结束时被干净地销毁时,这一点尤为重要。它还能让工具配置与其管理逻辑紧密耦合,而不是散落在 Agent 定义各处。

  • 自定义状态(Custom state)

如果你的中间件需要在各个 Hook 之间追踪状态,中间件可以通过自定义属性扩展 Agent 的状态。这使得中间件能够在整个执行过程中追踪状态(维护计数器、标志位或其他在 Agent 运行期间持久化的值),并在不同 Hook 之间共享数据。

  • 流处理器(Stream handlers)

中间件可以拦截并转换 Agent 的输出流,过滤事件、注入元数据、将不同类型的事件路由到不同的消费者。当你的技术栈中不同部分需要对 Agent 的不同行为做出反应时,这就非常有用:UI 消费 Token 增量、审计日志捕获工具调用、监控系统追踪延迟。

中间件的优雅之处在于:

  • 它允许在 Agent 循环的任意节点进行定制
  • 它将相关逻辑打包为可组合、可共享的代码单元

LangChain 为最常见的模式提供了预构建的中间件。任何针对你特定用例的定制需求,只需一个自定义中间件即可实现。由于每一块都是独立的,同一个中间件可以在组织内的每一个 Agent 中复用,从而让新 Agent 继承经过实战检验的行为,无需重复构建。

  1. Harness 能力
    =============

Harness 的职责是在正确的时间,为给定任务向模型提供正确的上下文。

下表将常见能力映射到支持它们的中间件。大多数生产级 Agent 最终会根据自身需求(它是长时运行的吗?任务有多复杂?Agent 的行为有多敏感?等)组合使用多个中间件:

能力为什么重要中间件
防止上下文溢出长会话会快速累积消息历史。如果不加干预,会超出上下文窗口限制。SummarizationMiddleware, ContextEditingMiddleware
访问和更新记忆在启动时加载相关知识,在运行结束时写回。让 Agent 能从实际使用中不断进化。FilesystemMiddleware, MemoryMiddleware, SkillsMiddleware
在环境中执行操作固定的工具集限制了 Agent 的能力。访问文件系统和执行环境可以解锁更具创造性的解决方案,通常还能带来更高的 Token 效率。ShellToolMiddleware, FilesystemMiddleware, CodeInterpreterMiddleware
委派任务子 Agent 以干净的上下文窗口处理复杂的子任务。待办列表用于追踪长时运行的进度。SubAgentMiddleware, AsyncSubAgentMiddleware, TodoListMiddleware
处理瞬时故障模型和工具会不可预测地失败。生产级 Agent 需要带退避(backoff)的重试逻辑,以及在模型不可用时进行降级。ToolRetryMiddleware, ModelRetryMiddleware, ModelFallbackMiddleware
执行策略PII 处理、合规检查、审批关卡,这些需要在每次调用时触发,无论模型做什么。它们不应该放在提示词中。PIIMiddleware, HumanInTheLoopMiddleware
引导 Agent完全自主并不总是合适的。在执行关键操作前暂停,等待人类批准、拒绝或重定向。HumanInTheLoopMiddleware
控制成本提示词缓存可以减少长时运行任务的 Token 消耗。调用限制可以防止成本无节制地累积。ModelCallLimitMiddleware, ToolCallLimitMiddleware, PromptCachingMiddleware

查看完整的预构建中间件列表,如下所示:

https://docs.langchain.com/oss/python/langchain/middleware/built-in

  1. 任务-Harness 适配度
    =================

任务-Harness 适配度(Task-harness fit)衡量你的 Harness 与实际任务需求的匹配程度:它需要的上下文、可能遇到的故障、必须执行的策略、以及它运行的环境。一个客服 Agent 的 Harness 与一个长时运行的编程 Agent 的 Harness 看起来截然不同。

我们在 LangChain 构建的每一个 Agent,包括我们的 GTM Agent、异步编程 Agent 和无代码 Agent 构建器,都是基于 create_agent 构建的,并配有针对该 Agent 使命定制的中间件栈。

最好的 Agent 不仅仅是用强大的模型构建的,而是它们是用与任务高度适配的 Harness 构建的。构建自定义 Harness 的最简单方式,就是使用 create_agent。

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

DeepSeek Harness实战:从零构建插件化AI Agent AI Agent开发正从硬编码走向框架化组织,插件化架构成为提升工程效率的关键。在构建可复用、可扩展的智能体系统时,开发团队需要一套能够统一管理模型调用、工具注册与上下文组装的基础设施。DeepSeek Harness作为面向Agent工程的插件化框架,通过Harness、DeepAgent与Skill三个核心抽象,将模型、工具与技能解耦为可插拔单元,让开发者无需重复造轮子即可快速搭建具备工具调用能力的智能体。本文从环境配置到Skill插件开发,完整演示如何基于DeepSeek模型构建一个可运行的Agent 阅读详情

相关推荐

从零构建AI Agent:DeepSeek Harness框架实战指南

AI Agent作为人工智能技术的重要应用形态,其核心原理是通过大语言模型(LLM)作为推理引擎,结合工具调用、记忆管理和规划执行等模块,实现复杂任务的自主处理。在工程实践中,开发者常面临状态管理困难、工具集成松散等挑战,而专用框架能显著提升开发效率。DeepSeek Harness作为新兴的AI Agent开发框架,提供了标准化的项目结构和配置管理,支持模型无关的设计理念,可灵活接入DeepSeek API等多种模型服务。该框架内置了对话历史管理机制和简洁的工具定义体系,特别适合需要快速构建、测试和部署智

weixin_30487201的博客 393

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

Deepseek Harness 实战:从零构建个性化 AI Agent 开发指南

AI Agent(智能体)作为能够感知环境、自主决策并执行行动的软件实体,其核心原理在于整合大语言模型的推理能力与外部工具的执行功能,通过规划、工具使用、记忆和反思等机制实现复杂任务自动化。这一技术价值在于将人工智能从单纯的对话交互升级为能够主动解决问题的智能系统,广泛应用于数据分析、自动化流程、智能客服和代码辅助等场景。传统Agent开发面临模型集成、工具管理、记忆系统搭建和流程编排等高门槛挑战,而开源框架的出现正致力于解决这些痛点。本文聚焦于Deepseek Harness这一开源Agent开发平台,它

weixin_30621711的博客 420

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 4402

Docker部署DeepSeek Harness构建局域网AI Agent平台

AI Agent是具备自主规划、工具调用与记忆能力的智能体,其核心在于任务编排而非单纯文本生成。DeepSeek Harness作为专为Agent设计的运行时框架,内置Tool Calling、Memory Manager和Orchestration Engine,显著区别于vLLM、Ollama等纯推理引擎。结合Docker容器化封装,可实现环境一致、资源隔离与一键交付,特别适用于数据敏感、低延迟要求高的局域网场景。该方案支持PDF解析、数据库查询、本地API调用等真实业务集成,让大模型真正嵌入工作流——

weixin_33806859的博客 205

DeepSeek Harness 实战:Agent Skill 创建、安装与排错指南

大模型 Agent 的落地应用中,稳定复用能力比单纯调用模型更重要。Agent Skill 将提示词、工具调用、输出格式与校验逻辑封装成可复用的能力单元,与 MCP 形成分工:MCP 解决外部连接,Skill 解决任务质量标准。通过 DeepSeek Harness 框架,开发者可统一加载、切换和分享 Skill,快速将日报生成、PPT 制作、UI 规范检查等高频任务沉淀为技能资产。本文从 Skill 概念入手,介绍 Harness 安装、最小 Skill 创建、PPT Skill 与 UI-UX-Pro-

weixin_30235225的博客 533

使用 LangChain 构建自定义的 Agent Harness

很多 Agent 原型跑起来很快:给模型一个系统提示词,接几把工具,再让它循环调用工具直到完成任务。第一轮演示通常没问题,到了真实业务里,问题会集中冒出来。

m0_59235945的博客 216

基于DeepSeek Harness构建Obsidian知识库AI Agent实战指南

AI Agent作为智能代理系统,通过大语言模型(LLM)作为决策核心,结合自定义工具函数实现感知与执行能力,其技术价值在于将通用AI能力转化为特定领域的自动化解决方案。在知识管理场景中,AI Agent能够理解非结构化文档内容,实现智能检索与知识关联分析,显著提升信息利用效率。本文以DeepSeek Harness框架为基础,详细演示如何构建专用于Obsidian笔记系统的智能助手,通过实现笔记搜索、内容解析等核心工具函数,完成从本地文件系统访问到自然语言交互的完整工程实践。该方案特别关注**文件路径安全

weixin_42683392的博客 371

构建自定义Agent Harness:工具接入层首选MCP

在Agent开发中,模型外层的“外壳”——Agent harness——决定了系统能否稳定、可控地调用外部工具。理解harness与框架的区别是基础:harness负责模型与外部世界的通信,而MCP(Model Context Protocol)作为标准化的工具接入协议,将工具发现与调用统一为list/call操作,解决了手写schema、鉴权分散、切换宿主重写等痛点。通过FastMCP快速实现工具Server,并在执行循环中复用MCP会话,即可构建一个薄且可扩展的最小骨架。工具生态方面,Figma、Git

weixin_42659194的博客 329

DeepSeek Harness 实战:从零构建专属 AI 编程助手

AI Agent(智能体)作为能够感知环境、决策并执行行动的程序,正成为提升开发效率的关键技术。其核心原理在于将大型语言模型(LLM)与工具调用、记忆管理等能力结合,通过框架调度实现复杂任务自动化。这一技术价值在于突破传统代码补全工具的局限,为开发者提供可定制、私有化部署的智能编程伙伴。在应用场景上,AI Agent 可广泛用于代码审查、文档生成、自动化测试等开发工作流环节。DeepSeek Harness 作为开源框架,支持模型无关的 AI Agent 构建,通过其强大的工具调用能力和本地部署特性,让开发

weixin_30522183的博客 415

基于Go语言与自定义Skills构建生产级AI Agent:从原理到实战

在软件工程领域,自动化与智能化是提升开发运维效率的核心方向。传统自动化通过脚本与CI/CD工具实现流程固化,而现代AI Agent技术则通过大语言模型(LLM)赋予系统感知、规划与执行能力,实现了从规则驱动到智能决策的范式升级。其技术价值在于将人类专业知识封装为可复用的技能(Skills),使AI能理解并操作复杂工作流,成为主动、可靠的协作单元。在应用场景上,AI Agent尤其适用于代码合并、测试部署、数据清洗等重复性流水线任务。本文聚焦于如何利用Go语言的高并发与部署优势,结合自定义Skills的设计与

weixin_34293141的博客 474

如何构建自定义 Agent Harness:用 LangChain create_agent 与中间件把工具调用链路改到 TaoToken

用 LangChain create_agent 加中间件构建自定义 Agent Harness,把工具调用链路的重试、限流与日志下沉到中间件,并将模型出口统一到 TaoToken。文中给出可复制配置与 401、choices 解析异常排查步骤,官网见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42610010的博客 42

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

从零构建自定义 AI Agent Harness:Jev 与 Pi 实战指南

AI Agent 的核心在于调度工具、管理上下文与控制执行流程的 Harness 框架。理解其原理,能帮助开发者摆脱通用框架的抽象束缚,实现每一行代码的透明掌控。基于 TypeScript 的类型系统与 Jev、Pi 的轻量组合,可快速搭建高可维护的自定义 Harness,有效解决工具调用不触发、上下文溢出等工程痛点。在需要深度定制、精准调试与成本优化的场景下,自建 Harness 成为提升 Agent 可靠性与迭代效率的关键路径。本文围绕这一主题,详细拆解从环境搭建、工具系统设计到主循环与避坑的完整实践。

weixin_31499265的博客 226

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

【Unity】ABB CRB 15000 外部引导运动实战:从配置到实时控制

本文详细介绍了ABB CRB 15000协作机器人的外部引导运动(EGM)功能在Unity环境中的实战应用。从RobotStudio配置到Unity实时通信架构,再到EGM运动控制技巧和问题排查,全面解析如何实现机器人的高精度实时控制。通过实际案例展示EGM技术在精密装配等场景中的显著效果,帮助开发者快速掌握这一先进技术。

weixin_29057695的博客 445

AutoAgent 评估框架(Evaluation Harness)实战指南:为 LLM Agent 构建自定义评测基准工作流

本指南以 AutoAgent 仓库中的评测框架(`evaluation/` 目录)为核心,系统讲解如何将你自己的 benchmark 接入框架、如何基于现有 GAIA / MATH500 / MultiHopRAG 评测脚本快速起步,以及如何理解评测循环中"模拟用户交互"这一关键机制。读完本文,你将掌握从配置 LLM、编写 `process_instance` 处理函数、构造 `EvalOutpu

gitblog_00025的博客 37

英特尔® NUC迷你电脑实现无人值守自动开机配置指南

本文详细介绍了如何配置英特尔® NUC迷你电脑实现无人值守自动开机功能。从BIOS设置到操作系统级配置,涵盖硬件兼容性确认、电源恢复功能设置及常见问题解决,帮助用户轻松实现设备断电后自动恢复运行,适用于家庭服务器、企业终端等多种场景。

weixin_42638178的博客 477

构建自定义Agent harness:为什么我强烈推荐用MCP工具

大模型应用开发中,Agent系统需要一套可靠的工程框架来支撑外部工具调用,而这正是Agent harness的核心职责。传统开发模式下,每接入一个新工具都要编写大量适配代码,导致系统复杂度随工具数量急剧上升。Model Context Protocol(MCP)作为一种标准化工具接入协议,为AI应用与外部数据、工具之间提供通用连接层,将工具适配从开发成本转变为配置成本。MCP天然具备模型无关性、生态丰富和权限控制能力,使得自定义Harness能更灵活地应对多模型切换与工具组合。本文从Agent harnes

weixin_29531177的博客 187

数据库行转列的sql语句

 问题描述假设有张学生成绩表(CJ)如下Name Subject Result张三 语文 80张三 数学 90张三 物理 85李四 语文 85李四 数学 92李四 物理 82现在 想写  sql 语句     查询后结果 为    姓名 语文 数学 物理张三 80 90 85李四 85 92 82       该怎么实现 ?研究意义        这是个并不复杂的问题,但却是数

jb303的专栏 2249

Nginx健康检查实战:如何用第三方模块提升服务可用性(附详细配置)

本文深入探讨了如何通过集成第三方健康检查模块来提升Nginx的服务可用性。文章对比了Nginx默认被动检查的局限性,并详细介绍了主动健康检查的核心优势、主流模块选型,以及以nginx_upstream_check_module为例的实战部署与配置指南,帮助运维人员构建更可靠的负载均衡架构。

weixin_28331555的博客 308

使用 LangChain 构建自定义的 Agent Harness:从工具注册到执行循环的可复制配置

用 LangChain 搭建自定义 Agent Harness,从工具注册到执行循环给出可复制配置:模型工厂统一接入 TaoToken,@tool 注册只读工具,middleware 处理重试、调用上限与上下文压缩,并排查 401、choices 等常见报错。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35752233的博客 7

Nmap源码分析(端口扫描)

端口扫描是Nmap的核心功能,用于确定目标机的端口状态(开放、关闭、过滤等),也为Nmap的服务与版本扫描、OS扫描、脚本扫描提供基本的指引信息。所以,深入理解端口扫描的实现对分析其他的扫描方式很有帮助。 1简单回顾   首先简要回顾一下端口扫描的原理以及命令行选项。 1.1扫描原理   Nmap提供的10多种类型的端口扫描方法,如TCP SYN/ACK/FIN/Xmas/NULL/ Windows/Connect,FTP Bounce, Idle scan, UDP port u...

墨痕诉清风的博客 1599
上一篇: 基于 Spring AI Alibaba 的 RAG 架构调优实践
下一篇: 从 Prompt、Context 到 Harness:AI 时代工程的三次进化与终局之战
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