Agent三层架构 Harness-Loop-Graph

做 Agent 的人最近吵得最凶的一个话题，Harness、Loop、Graph 到底有什么区别。

说实话，这三个词确实容易混。怎么说呢。它们都在讲同一套模型的事，有时候都涉及「循环」，而且每一层都直接影响可靠性。但你把它们当成同义词的那一天起，你搭出来的 Agent 就注定只能跑 demo。

今天把这三层掰开了说清楚。什么是 Harness，什么是 Loop，什么是 Graph。每一层解决什么问题。你自己搭的 Agent 崩在哪一层。

三十秒讲完三层

Harness 造的是模型外面的整个运行环境。工具在哪查、文件在哪写、权限怎么管、状态怎么记。全是 Harness 的事。

坦率的讲，Loop 设计的是重复干活+自我纠正的反馈循环。做完了查一下，没过就再来一遍，有证据才停。

Graph 把工作流拓扑画成显式的有向图。节点干什么，边往哪走，什么时候分叉，什么时候合并，哪一步要人等。全搬到图上。

脑子里记一个顺序就够了。环境，反馈，流程。

Harness。模型坐在里面的那层壳

LangChain 有一句话说得特别好。Agent 就是模型加上 Harness。Harness 是模型之外一切能跑起来的东西，系统提示词、工具定义、内存、文件系统、沙箱、模型路由、握手转交、中间件钩子、压缩、权限、日志、验证接口。

OpenAI 的 Agents SDK 从运行时的角度说了同一件事。Runner 调模型、执行工具调用、处理转交、携带状态、只在到达真正的终止条件时才停。

Harness 这个叫法之所以有用，是因为它把注意力从模型崇拜上拽开了。两个团队用同一个底模，出来的东西可以天差地别。不是模型不一样，是 Harness 不一样。一个给模型干净的工具、稳定的工作区、受限的权限、可观察的状态，另一个给一句模糊的提示词加一个不稳定的 API 壳。

智能是相似的。工作条件不是。

一个完整的 Harness 通常包含这些。上下文注入，指令、检索到的信息、会话状态、技能、任务策略。执行面，API、浏览器、终端、代码解释器、数据库、MCP 工具。持久化，文件、检查点、会话日志、git 历史、长期记忆。执行控制，超时、重试、预算、模型路由、子 Agent 拉起、审批门。安全治理，权限、隔离、白名单、密钥处理、人工授权。可观测，trace、工具输入输出、状态迁移、成本、延迟、评估结果。

你试试把模型从你的架构图里删掉。剩下的那些东西，工具、数据访问、状态存储、沙箱、中间件、验证器、重试策略、UI，差不多全是 Harness。

Anthropic 在长程编程任务里发现了一个很典型的问题。光做上下文压缩不够。他们做了一个精良的架构，初始化器、进度文件、git 历史、增量工作的记录规则，保证每个新的上下文都能理解发生了什么和接下来该干什么。这不是靠改 Prompt 搞定的，是靠改 Harness。

我觉得什么时候该在你自己的 Harness 上花时间。Agent 缺能力的时候。Agent 断开重连后状态回不来的时候。Agent 能碰到不该碰的东西的时候。Agent 的行为在不同环境里不一样的时候。

Loop。别再写「再试一次」了

每个用了工具的 Agent 都自带一个小循环。调模型，看结果，跑工具，把工具输出塞回模型，再来一圈，直到出最终答案。

但当你有意地在外面再叠一层或几层循环的时候，Loop 工程才真正开始。

验证循环。Agent 产出内容之后，外挂一个确定性校验或者评分器跑一遍，拿到具体反馈，只在真有问题的时候重做一轮。事件驱动循环。定时到了、webhook 来了、新文档到了，Agent 被唤醒跑一圈。改进循环。跑完之后分析 trace 和失败案例，改指令或者工具配置，再测一遍新版本是不是更好。

LangChain 今年把所有 Agent 架构称为「叠循环」，不是一个 while(true) 就完事的。

一个合格的 Loop 至少要包含这些。触发器，用户请求、定时任务、测试失败、新数据、评估反馈。目标，一个明确的状态描述，不是模糊的「继续优化」。状态和记忆，下一圈需要什么信息，不用重放全部历史。执行策略，Agent 可以改什么、调什么、花多少。证据，测试通过、schema 校验、引用来源、diff、指标、人工审核。退修反馈，紧凑且可执行的失败原因。停止条件，成功、预算耗尽、超时、不可恢复错误、人工升级。

验证循环就是把 Agent 的原生循环包了一层外部评分器和明确的通过条件。不要在置信分数上循环。在证据上循环。

「模型说它做完了」不是一个停止条件。「测试通过、链接有效、schema 校验过、审稿人批了。真的真的」才是。

有一说一，Prompt 告诉模型一次调用里该干什么。Loop 告诉系统调用之后该干什么，怎么观察结果、怎么选反馈、怎么判断是否继续、怎么持久化进度、怎么停止。Prompt 质量还是重要的，但 Loop 把一条一次性指令变成了一个受控过程。

主要代价是金钱和延迟。每一个评分器、审稿人、重试，都等于多跑一次模型。Anthropic 给的一个大原则是，优先用最简架构能用就行，只在性能收益能覆盖成本的时候才往上加复杂层。Loop 也遵循同样的道理。失败成本比验证成本高的地方，才叠 Loop。

Graph。别让「下一步」活在代码里

Graph 工程问的是一个不同的问题。不只是 Agent 做了什么，是什么组件下一步可以做什么。节点表示步骤，边表示允许的顺序。边可以表达顺序、条件分支、并行展开、交汇合并、循环、人工中断。状态在图里流转，拓扑图让控制流可以被检查和验证。

LangGraph 是长程、有状态 Agent 的底层编排基础设施。有持久执行、状态管理、人在回路控制，明确地把重点放在控制 Agent 上而不是抽象掉工作流。微软 AutoGen 的文档说得最直接，当你要精确控制 Agent 的先后顺序、不同结果走不同的下一步、确定性分支、多步复杂流程带循环的时候，用 Graph。

Graph 工程师实际在决定什么。节点边界，哪份工作属于确定性函数、LLM 调用、专家 Agent、人工审核。状态 schema，每个节点能读什么、能改什么，并行更新怎么合并。路由条件，什么证据把工作流推向前、推向后、推向侧线、推出升级。并发，什么能并行跑，什么必须等，什么共享资源需要协调。循环和出口，哪里可以重试，最多试几次，什么让循环安全。持久性，检查点在哪，中断后执行怎么恢复。

上面这些让 Agent、Skill 和它们之间的关系可以作为一个组合系统被检查。Graph 工程是工程化的图执行，不是知识图谱那件事。

什么时候值得画图。流程有明显分支、有并行任务、有审批门、有恢复路径、有多个专家 Agent 的时候。不值得画的场景也简单，就是「给一个 Agent 三个工具让它自己干」。怎么说呢。

图能改善调试，但也可能过早地把假设冻成一张僵硬的图纸。如果模型需要在运行时动态规划路线，你把每一条可能的路径都硬画进去，系统只会变得更脆弱。

三层怎么在一套系统里协同

想象一个研究发布 Agent，它的任务是产出一份有数据支撑的行业简报。

Harness 层供给沙箱、文件系统、浏览器、API 工具、权限、持久化状态和审批记录。Graph 层定好研究到分析到撰写到审核到发布的流程和每个节点的状态跳转。Loop 层在每个阶段做验证，数据不全回去补、分析矛盾回去查、审核不批回去改。

三层是嵌套关系。Graph 跑在 Harness 里面，Loop 嵌在 Graph 里面，Harness 给所有 Loop 提供状态、工具和验证器。我的判断是，分开看的原因不是为了分类学，是为了出问题的时候你知道该拉哪根杆。

出问题了，该修哪一层

Agent 碰不到正确的数据或者工具不安全，先看 Harness。工具契约、权限、沙箱、上下文注入。

Agent 跨会话忘了进度，Harness。持久状态、检查点、进度文件、压缩。

第一次尝试接近但不够可靠，Loop。外部评分、确定性测试、退修反馈、有限重试。

Agent 成功之后还在继续跑，或者证据不够就停了，Loop。基于证据的终点状态，带预算感知的停止规则。

多个专家必须按特定顺序协作，Graph。显式节点、边、路由条件、交汇。

多步流程里故障找不到具体在哪，Graph 加 Harness。跟图节点对齐的有状态 trace。

工作流变化太频繁，固定图跟不上了，简化 Harness。保持控制由模型驱动，推迟图的形式化。

几个烧过钱才学到的教训

先画图再理解工作。有的团队把业务流程翻译成几十个节点之后才发现 Agent 实际解决它的方式完全不同。先用简版 Harness 跑，攒一批 trace，把稳定路径形式化成图。

让同一个模型自写自评不加安全网。自审查有用但共享盲区也非常真实。能用确定性检查的地方先用确定性检查，审稿人的上下文跟撰稿人隔开，大影响动作要人批。

把「继续试」当成 Loop 规范。无限重试是成本黑洞。每圈都要有可度量的目标、新证据、最大尝试次数和一条有名字的升级路径。

把 Harness 当杂物间。工具多不等于好。工具多了选错率高，上下文杂了困惑度高，权限宽了风险高。Harness 也需要定期减负。

模型不行就怪模型。模型无法可靠补偿过期状态、模糊的工具 schema、挂掉的 API、缺失的退出条件这些脚手架问题。谁的责任修谁的层。

最简单的记法

Harness 工程让模型能跑起来。Loop 工程让过程可迭代、可验证、可恢复。Graph 工程让复杂路径显式、可控。

三层之中没有哪一层可以替代另外两层。画得再好的一张图，如果 Harness 丢了状态也白搭。搭得再干净的一个 Harness，没有证据和停止规则的 Loop 就是在烧钱。精心叠好的循环，如果分支、并行和审批都埋在临时代码里也盯不住。

真的真的，三层一起设计，知道每一层负责解决什么，可靠的 Agent 系统自然会出来。

你搭的 Agent 踩过哪一层的坑，评论区说说。

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】