Agent Harness 关系全景图解读

核心认知：Agent不等于大模型LLM，LLM只负责思考推理，Harness是一整套执行守护系统，给大模型做执行兜底、安全管控、状态管理，缺少这套系统，Agent很容易失控。

一、为什么需要 Harness

没有Harness保护，Agent会出现一系列工程问题：

- 上下文混乱、资料错漏，抓不住重点
- 工具调用参数错乱，链路不稳定
- 权限过大，读写高危操作混在一起，风险放大
- 环境不安全，命令直跑、代码直接真实影响环境
- 任务状态丢失，中途不知道做到哪一步
- 高危动作无人审查，无法拦截风险
- 缺少观测，问题定位困难，无法迭代优化

二、11大核心模块分工

1. Prompt与指令：定义模型目标、规则、输出格式，告诉模型做什么、怎么做
2. Context上下文：提供RAG检索、知识库、对话历史，解决模型“看不见、看不全”的信息问题
3. Tools工具能力：内置/自定义工具，让模型可以调用外部能力，解决模型做不了的事
4. Function Call / MCP：标准化工具调用协议，安全对接外部工具
5. State任务状态：记录任务进度、待办、中间结果，解决任务中断、断线不会接续
6. Memory记忆系统：保存长期偏好、知识记忆，不用每次重新加载全部历史
7. Sandbox沙箱执行环境：隔离运行高危命令与代码，避免直接破坏真实环境
8. Access Control权限控制：精细化读写权限，最小权限原则，管控文件、API、token
9. Retry & Rollback重试与回滚：失败自动重试，支持回滚到安全快照，解决失败只能重来
10. Observability可观测性：记录全链路日志、调用指标，用于调试排障
11. Human Review人工审查：高危操作前置人工确认，拦截高风险行为

 

三、标准执行运行循环

1. 接收任务输入与约束
2. 读取上下文：检索资料、加载记忆、获取历史
3. LLM思考，制定下一步执行计划
4. 通过Function Call / MCP发起工具调用
5. 在沙箱环境执行，受权限管控，获取返回结果
6. 更新记忆存储、更新任务状态
7. 判断任务是否完成，未完成则继续循环，完成输出结果

四、模块调用关系

- LLM作为大脑，接收Context输入信息，选择Tools执行
- 工具调用经过 Function Call/MCP ，受到权限控制约束，在Sandbox沙箱运行
- 全程读写更新State状态、Memory记忆
- 高危节点触发Human Review人工确认
- 出错触发Retry&Rollback重试回滚
- 全流程交由Observability可观测性做日志记录监控

五、一句话总结💡

LLM只负责思考，Harness负责执行与兜底。
没有Harness，Agent容易翻车失控；具备完整Harness，Agent才能做到稳定、可控、可追踪，胜任真实业务复杂任务。

适用场景：企业知识助手、AI编程助手、自动化运营、研发流程自动化。

AI智能体架构 AgentHarness 大模型工程化 LLM应用开发 开源Agent AI代理框架 NPU架构 企业Agent DSA架构 NPD关系识别