推荐语
探索Harness Engineering的精髓，揭秘AI智能体高效运作的底层逻辑与设计哲学。
核心内容：
1. 持久化指令与分层记忆系统优化智能体交互
2. 工作流编排与权限管理的创新模式解析
3. 智能体基础设施的"宠物与牲畜"设计哲学
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
没有这个文件时，每次对话都像从头开始，相同的规则和错误可能反复出现。
代价：文件需要随项目更新维护，否则可能误导智能体。
将指令按不同范围（如组织、项目）拆分，让智能体能动态加载最相关的规则。
代价：规则分散在多个文件，可读性变差，且不同范围规则可能冲突。
将记忆分为三层：常驻的精华摘要、按需加载的细节、仅支持搜索的完整历史，以节省Token。
代价：实现更复杂。需设计信息如何分层、流动，并确保索引与实际数据同步。
定期在后台对记忆进行去重、清理和重组，类似“垃圾回收”，以保持记忆整洁有效。
代价：整理本身消耗资源，且可能误删有用信息。
新的对话保留细节，稍旧的做轻量总结，更早的则压缩成简短摘要，适合长对话任务。
代价：压缩必有信息损失。后续需要细节时，智能体可能会“编造”。
这类模式核心是“分离”，通过拆解任务流程来提升复杂任务的处理质量和可控性。
探索-规划-行动循环
严格分为三步：只读探索、与用户对齐的规划、拥有写权限的执行，避免盲目操作。适用于不熟悉的代码库或复杂修改。
代价：流程更慢，小任务会显得“笨重”。
上下文隔离子智能体
为不同阶段（如调研、执行）创建拥有独立上下文和权限的子智能体，防止信息相互污染。适合长会话、多阶段任务。
代价：需要额外协调信息传递，传多或传少都有问题。
分支-合并并行
将可并行的子任务分发给多个在独立环境中工作的子智能体，最后合并结果，以提升效率。
代价：合并更复杂，处理代码冲突的难度增加。
这类模式关注如何安全、高效地管理智能体的能力。
渐进式工具扩展
开始时只提供最必要的工具，复杂工具按需动态加载，降低智能体的选择成本和出错概率。
命令风险分类
根据命令类型、参数和影响，自动评估其风险等级（安全、有风险、危险），并采取自动执行、请求确认或直接拦截等不同策略。
单用途工具设计
将常用操作（如读文件、搜索）封装为专用工具，而非依赖通用Shell命令，以提高可理解性、可审查性和权限控制粒度。
确定性生命周期钩子
在智能体生命周期的关键节点（如会话开始、工具调用后）自动触发预设动作（如代码格式化），由系统确保关键流程被执行，不依赖可能被模型遗忘的指令。
一个智能体由三个核心组件构成：
Claude（大脑）：负责推理和决策。
Harness（双手）：驱动运行循环，调用Claude API并将工具调用路由到执行环境。
Sandbox（工作台）：Claude在其中编写代码、编辑文件、运行命令的隔离环境。
Session：不可变的事件流
Session核心接口只有两个：记录事件（emitEvent()）和读取事件(getEvents())。它是只追加的日志，天然支持重放和状态恢复，赋予智能体容错能力。
Harness：驱动循环
Harness是控制中心，它执行一个循环：从Session取上下文 → 调用Claude → 记录响应 → 如有工具调用则路由到Sandbox执行 → 记录结果 → 循环。Harness本身无状态，所有状态都在Session中，因此可随时替换或重启。
Sandbox：隔离的执行环境
每个Sandbox完全隔离，有自己的文件系统、进程和网络。关键特性是可隔离、可重建、可扩展。
核心安全设计：凭证永不进沙盒
采用保险库(vault) + 代理(proxy)架构：
所有第三方凭证存储在独立的保险库中，Harness和Sandbox都无法直接访问。
当需要调用外部工具时，通过代理从保险库按需获取凭证并执行请求。凭证始终不会暴露给Sand盒中的代码。
优势：遵循最小权限原则，所有外部调用可审计，凭证可统一轮换。
得益于三组件解耦，自然支持多种协作模式：
多脑一手：多个Claude实例共享一个Sandbox。适用于多角度分析同一份代码（如安全审查+性能优化）。
一脑多手：一个Claude实例控制多个Sandbox。适用于需在不同环境（如Python和Node.js）中同时执行任务。
多脑多手：多个Claude实例各有自己的Sandbox，通过共享Session协调。适用于最复杂的多步骤任务。
为管理长任务中的上下文窗口，引入多种技术：
上下文压缩：当上下文窗口将满时，将早期对话压缩成总结，腾出空间。原始数据仍完整保留在Session中。
记忆工具：让Claude能主动将重要信息写入持久存储，后续可主动检索，类似人类记笔记。
上下文裁剪：在发送给Claude前，智能地裁剪不相关的上下文，只保留当前任务需要的部分。
三者协同，确保Claude始终获得最相关的上下文。
关键在于将大脑（推理）从容器（Sandbox）中解耦。解耦前，每次推理都需等待Sandbox容器完全启动。解耦后，编排层从Session日志拉取事件后，推理可立即开始，使得首Token延迟降低60-90%。
规划 → 执行 → 观察 → 学习 → 适应
L1 短期记忆（便利贴）：
当前对话的临时信息。
L2 技能手册（肌肉记忆）：
完成复杂任务（如涉及5次以上工具调用）后，自动生成SKILL.md文件，记录完整的解决步骤，形成可复用的流程。
L3 知识库（语义记忆）
如何理解语义记忆？
简单讲就是利用向量存储这个技术，来实现模糊检索，原理是：即使字面不同，但语义相近的文本，其向量在数学空间中的位置也很接近。
举例查询进度报告技能：
“进度报告” vs “项目周报” → 相似度 0.92（很高！）
“进度报告” vs “预订机票” → 相似度 0.15（很低）
返回结果：返回最相关的技能：生成项目周报.md
L4 对你的了解（用户建模）
首先什么是黑格尔“辩证式”：
黑格尔“辩证式”就是AI内部在讨论：“我对用户的理解对吗？新证据说明了什么？怎么更新我的理解？”
越来越懂你的朋友：
不是一次判断就定终身，允许你改变、允许情况复杂，通过不断观察、思考、调整，越来越懂真实的你。
这就像最好的朋友：知道你“通常”怎样，但也理解你“有时”会例外
比喻：
旧版本：“林总喜欢喝美式”
新发现：今天林总点了拿铁
冲突：旧版本 和 新证据矛盾
解决方案：不直接覆盖成“喜欢拿铁”，而是升级：
L5 工作日志（长期档案）
FTS5全文检索+LLM摘要：跨会话搜索历史对话，永久存储
粤ICP备14082021号
免费POC，
零成本试错
