開發生態
開源電子書《Harness Engineering 101》發布:以 16 章與 300 行 Python 拆解 Agent 本質
Hacker News單一來源
尚未逐項核實
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
工程師 Isuru Wijesiri 發布技術指南《Harness Engineering 101》(v1.1 版),從第一性原理探討 AI Agent 系統建構,提出「LLM 是大腦,harness 是身體」的核心架構觀。內容指出,LLM API 本質上完全無狀態,每次互動皆須傳遞完整的對話 JSON 陣列,而所謂的 harness 即是負責建構、維護與保護該陣列的程式,業界常見的 Agent 機制本質上只是為了解決特定環節崩潰而加入的一系列修補程式(patches)。
全書共收錄 16 個章節,每章均遵循「遇到的故障、最小補丁、補丁成本」的固定結構,並伴隨建構一個約 300 行的純 Python 玩具 Agent。內容涵蓋工具映射、Prompt 快取順序、上下文預算控制、子代理 Context 分叉、執行中迴圈引導、MCP 與外掛技能延遲載入、陣列除錯、防護欄設計,以及 Coding Agent 與 RAG 的 harness 模式。此外,獨立附錄涵蓋模型路由、工作樹隔離、計畫模式與底層串流重試機制。該專案基於作者開發 WSO2 Copilot 系列及開源 Coding Agent「One Code」的實務經驗撰寫,文字內容採 CC BY-NC-ND 4.0 授權,示範程式碼則以 MIT 授權釋出。
讀原始報導社群討論
社群普遍反對將 LLM 過度擬人化為大腦,指出 harness 本身就能透過 routing 與 planning 工具承擔核心邏輯,多位開發者更建議花不到一天親手實作 harness 以釐清觀念。實務討論高度強調 harness 優化的實質效益,有留言以實測佐證指出,原本表現遠遜於 DeepSeek 的 Jev 模型,經 harness 優化後不僅反超且成本僅為一小部分;亦有開發者透過承受更高的 inference 成本,成功換取數小時免人工干預的全自主運作。