
Harness Engineering实战:构建可靠的生产级AI Agent
陆徐洲 著
22.1万字
总字数
86
累计阅读
支持 PDF · EPUB · Word · TXT 多种格式下载 (PDF 含 A4 / 手机版)
作品简介
本书围绕大语言模型应用从演示走向工程落地的关键问题,在业界Harness Engineering实践基础上,总结出一套面向Agent落地的工程框架,系统讲解如何在模型之外建立约束、工具、上下文、记忆、验证、反馈,使Agent能够稳定、安全、可复现地完成真实任务。本书从AI编码任务失败案例出发,逐步实现一个Harness框架,并通过工具系统、MCP、Prompt Cache、上下文压缩、验证闭环、反馈调节和多Agent协作等内容,展示生产级Agent系统的构建方法。
出版社电子工业出版社
出版时间2026-08-01
ISBN9787121532245
共 14 章
内容简介试读
前言试读
第1章3道防线:Harness如何决定Agent的生死试读
第2章Harness Engineering方法论试读
第3章 Agent循环与约束层
第4章工具系统与MCP
第5章上下文工程与Prompt Cache
第6章记忆管理与上下文压缩
第7章验证与对抗评估
第8章反馈调节:让Harness自我演化
第9章实战一:遗留系统重构
第10章实战二:医疗数据服务的合规加固
第11章实战三:跨语言系统集成的多Agent协作
第12章生产部署与成本治理
读者笔记
查看全部 ›第14页
Mitchell Hashimoto曾总结过一个原则:“每当Agent犯一个错误时,你就花时间把一个解决方案工程化,确保它再也犯不了同样的错误。”3轮实验的迭代过程,正是这个原则的具体实践。
第13页
最关键的两个工程决策要点是API错误时的紧急压缩——保证长任务不会因为偶发的上下文溢出而中断,以及LoopGuard干预时的消息注入——保证Agent在陷入困境时能收到明确的反馈信号,而不是在沉默中消耗完迭代预算
第12页
AGENTS.md文件的迭代过程呈现出“先快后慢、再增删并行”的模式,团队在后期主动删除那些已被模型内化或彼此冲突的规则。定期清理和定期添加同等重要。臃肿规则集对Agent的伤害不亚于空白规则集
第11页
以本书及LangChain、AutoGen、OpenAgents为代表。这类方案不信任任何单一组件,而是信任使用者的工程能力。它将约束、工具、权限、模型、压缩策略全部模块化,允许按场景组装。这样做的代价是质量强依赖使用者的经验。
