文章介绍了Harness框架作为新一代软件架构如何升级传统Agent技术构建包含模型层、工具层等七层智能体架构。强调在Harness时代人工与智能的结合依然重要并提出了智能体工程的六大原则如渐进式披露、测试驱动开发等。文章还展望了Harness框架的未来发展方向包括Meta-Harness、SLM小模型微调闭环等适合想要学习大模型技术的程序员参考。在“三类智能体Agent”里面提到智能体成为新的工程框架。 在“企业大模型数智化难点”提到Prompt, RagAgent技术都有局限性。2026年Harness提出在传统Agent基础上提出希望全面模仿人的经验行为来完成工作。一、快速升级有人认为你看AI发展太快了 一会儿Prompt和RAG全失效了。 这种看法很不对。 Prompt升级到Skills了 RAG升级到Memory和Context了。而不具备之前的经历想一步升级 其实没那么容易二、新一代软件架构初现至此 新的软件开发模式就全面升级到Harness之上的应用框架。 Agent应用又进入细分组装了 模型层 工具层 知识数据层 记忆存储层 智能体调度层 应用接口层。7层智能体架构而具体到什么是Harness就又难以对齐了 大体Contex ToolMemory是在里面的。、知名的Claude Code / Codex, OpenClaw等这些工具都可以纳入Harness框架。三、开发栈大爆炸正是看到了这种细分赛道 各种细分能力的产品会海水般涌出来 但是正在能坚持迭代优化的成功产品就会大浪淘沙。知名基础组件知名工具流程库知名应用智能体例如例如 要开发一个research agent 每层使用什么基础库 最后的难点和卡点在哪里基于评价和评测的飞轮迭代该如何做四、应用技术能力中心迁移Harness 时代基本回到多少人工多少智能了 目前这些人工还不仅仅在数据准备上 更多是快速跑起数据迭代飞轮。前面我们看到Harness至少有七层 那么如果应用的工作流也是很多步骤进行拆解的 即便每一步的准确率是80% 经过10步以后也只有10%的准确率。谁能快速打造应用智能体除了前面的技术栈和各种组件 最重要的需要了解Harness各个层次解决的问题。 例如 7层智能体开发框架下知名组件用的熟不熟谁能应用智能体包括哪些设计范畴譬如 工具的使用需要考虑对接协议调用准确率工具调用准确率改进 工具扩展性和多进程冲突等等多方面的思考范畴。上下文需要考虑短期工具上下文 中期对话Session上下文长期任务上下文 远期收益上下文 以及上下文飘逸等概念范畴。调度管理需要考虑是内部循环 还是跨智能体循环 还是端到端的任务循环。在可见性和可靠性上 需要任务失败可见 成本可见 智能体调度可见 可靠性可见等。在测试评价上需要知道Benchmark如何建设 对照实验如何做 分段评价如何实现 错误归因如何做 反馈如何收集可用性如何评价等。在环境和安全上 需要面向主流任务进行设计 例如编码 浏览器 操作系统使用等等。谁能解决具体问题在不同的技术栈框架下 和不同的概念范畴下 当出现了具体的Skill调度 记忆失效 工具受限 提示词不稳定等等具体问题 该如何定位问题 如何切换目标如何解决BUG谁能看清各阶段的问题每个阶段都存在潜在的问题 在架构设计上可以进行改进 但是改进的依据得来自各阶段问题的掌握。 仅仅知道最终的效果是远远不够的 如何进行阶段拆解 并能在各个阶段定位问题才是真的有水平谁能建成数据飞轮五. 智能体工程的六大原则你只知道局部地图和方向但是不知道详细步骤你需要建设渐进式披露来提供上下文并在开始实现之前要求制定一份详细的执行协议风格规范。代码之前先有架构约束和规范说明你需要知道最佳实践方向知道哪些泥潭是不能进入的 然后再开始代码才能保障后续的迭代。没有方向的试错 会让后期的迭代和修改成本无法承受。 而每次需要重新开发就失去之前积累的丰富经验和时间成本。把测试当成护栏你需要坚定的使用 TDD测试驱动开发来提供验证信号来保障你的开发是面向可交付成果的。用钩子(hooks) 来保障强制执行提示词prompts无法约束的规则的时候 快速变化到使用确定性的钩子hooks来强制实现。 不要浪费大量时间使用LLM-as-a-Judge/Agent-as-a-Judge来审计每个步骤尽量使用独立的模型来捕获每个重点步骤的架构错误能够快速定位最重要的错误步骤并做出改进失败案例迭代实现飞轮至少保障每一次失败都能转化为持久的测试套件技能TDD harness skill。小结Harness可能是AGI组织管理AI“AGI之路”在Agent之上的早期探索 AGI之路并非线性步骤去实现的 而且并行在跑步前进。 但是当前的所有Harness还是围绕着多少人工多少智能的步骤在积累。 这个离AlphaGO开创的Alpha时代差距很多。 大模型在2025年互联网数据用尽之后正是进入了Alpha Zero时代。 相信Harness也会进入这一步。当前很多学者在探索包括Meta-Harness, 来建设Harness的评价闭环。也有SLM的小模型来完成任务级的微调闭环 这个闭环可以把在线服务也融合进去。 或许可以借鉴到Harness开发闭环中去。也有针对Code Harness来把Harness控制编程文本指令进行任务迭代 如果加上强化学习进行类小模型微调也很前瞻。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】