Thread Truncated (Cap Enforced)
Only the first 20 tweets are unrolled into slides to ensure reliable PDF exporting and high server performance.
Canvas & Ratio
Choose your destination platform format
Layout Template
Choose a content structure for your slides
Preset Themes
Typography & Sizing
Brand Kit Customization
AGENCYConfigure brand assets for headers & footers
Outro Slide CTA
Customize your closing call-to-action slide
Background Pattern
Build Your Carousel
Drag and drop any post card below onto a slide, or use the quick buttons to insert content/images instantly!
<a target="_blank" href="https://x.com/i/status/2041146899319971922" color="blue">https://x.com/i/status/2041146899319971922</a>
作者：<a target="_blank" href="https://x.com/@akshay_pachaar" color="blue">@akshay_pachaar</a>
本文将深入探讨 Anthropic、OpenAI、Perplexity 和 LangChain 究竟在开发什么。我们将聊聊编排循环、工具、记忆、上下文管理，以及那些将“无状态”的大语言模型（LLM）转变为全能智能体（Agent）的底层机制。
你可能已经开发过聊天机器人，甚至可能用一些工具搭建了一个 ReAct 循环 <b>（ReAct：Reason + Act，一种让模型在行动前先进行推理的模式）</b>。跑 Demo 的时候看着挺好，但一旦投入生产环境，系统就会开始掉链子：模型会忘记三步前做了什么，工具调用悄悄报错，上下文窗口（Context Window）里塞满了毫无意义的垃圾信息。
问题其实并不在模型本身，而在模型外围的基础设施。
LangChain 证明了这一点：他们仅仅通过改变包裹大语言模型的底层架构——模型没变，参数没变——就让系统在 TerminalBench 2.0 <b>（一个衡量 AI 智能体处理命令行任务能力的权威基准测试）</b> 上的排名从 30 名开外飙升到了第 5 名。另一项研究则通过让大语言模型自己去优化这套架构，实现了 76.4% 的通过率，甚至超过了人类精心设计的系统。
现在，这套基础设施有了一个正式的名字：<b>AI Agent Harness</b>。
虽然这个术语在 2026 年初才正式确立，但其核心理念早已存在。<b>Harness</b>是包裹在大语言模型之外的完整软件架构：它包括编排循环、工具、记忆、上下文管理、状态持久化、错误处理和护栏（Guardrails）。Anthropic 在其 Claude Code 文档中直截了当地指出：SDK（软件开发工具包）就是“驱动 Claude Code 的 Agent Harness”。OpenAI 的 Codex 团队也使用了同样的说法，明确将“智能体”和“Harness”等同，指代那些让大语言模型真正发挥作用的非模型架构。
我非常喜欢 LangChain 的 Vivek Trivedy 给出的定义公式：<b>“如果你不是模型本身，那你就是 Harness。”</b>
这里有一个经常让人搞混的区别：<b>“AI 智能体”</b>（Agent）是用户感知到的行为体现，它是一个有目标、会用工具、能自我纠错的实体；而**“Harness”**则是产生这种行为的背后机器。当有人说“我开发了一个智能体”时，他真正的意思是“我开发了一套 Harness，并把它接入了模型”。
Beren Millidge 在其 2023 年的博文中做了一个精准的类比：原生大语言模型就像一个没有内存、没有硬盘、也没有输入输出设备的 CPU。此时，<b>上下文窗口</b>充当了内存（快但容量有限），<b>外部数据库</b>扮演了硬盘（大但速度慢），<b>工具集成</b>则是设备驱动程序。而<b>Harness</b>，就是那个操作系统。正如 Millidge 所写：“我们重新发明了冯·诺依曼架构（Von Neumann architecture）”，因为这是任何计算系统最自然的抽象方式。
围绕模型，工程化可以分为三个同心圆层次：
• <b>提示词工程 (Prompt engineering)</b>：精心设计模型接收到的指令。
• <b>上下文工程 (Context engineering)</b>：管理模型在什么时间点能看到什么内容。
• <b>Harness 工程 (Harness engineering)</b>：涵盖了上述两者，再加上整个应用架构：包括工具编排、状态持久化、错误恢复、验证循环、安全执行以及生命周期管理。
Harness 不仅仅是一个包裹提示词的套壳（AI Wrapper），它是让智能体能够自主行动的完整系统。
综合 Anthropic、OpenAI、LangChain 以及广大从业者的实践经验，一个生产级的 Agent Harness 由 12 个不同的组件构成。让我们逐一拆解。
## 1. 编排循环 (The Orchestration Loop)