超越模型本身：WorkBuddy如何构建Agent稳定落地的Harness工程体系
在人工智能技术飞速迭代的今天，许多团队陷入了一种误区：认为只要接入最强大的大语言模型，或者编写足够详尽的提示词，就能构建出完美的AI智能体（Agent）。然而，当真正深入一线业务场景时，我们会发现模型能力仅仅是冰山一角。一个能在生产环境中稳定运行、可靠交付结果的Agent产品，其核心壁垒往往不在于模型本身的参数量，而在于如何构建一套精密的工程化体系，将模型不确定的输出转化为确定性的业务价值。
这套体系被称为Harness Engineering（驾驭工程）。它涵盖了从上下文的精准组织、工具的标准接入、权限的严格边界，到结果的自动化验证与反馈纠正。本文将基于WorkBuddy的研发实践，剥离晦涩的理论概念，从产品与工程的双重视角，拆解如何将Agent从单纯的模型能力推进为可用的产品能力。
重新定义模型：无状态函数与外部依赖
要构建可靠的Agent，首先需要对大语言模型（LLM）有一个清醒的认知抽象：在产品层面，模型本质上是一个无状态的函数。它根据输入的系统提示词、工具定义、会话历史及用户指令，生成后续的文本或结构化请求。这个抽象揭示了两个关键约束，也是所有上层工程存在的根本理由。
首先，模型是无状态的。它不会自动保留上一次调用的记忆，所有的对话连续性、工作进度和中间状态，都必须由产品在模型外部进行维护，并在需要时重新注入上下文。其次，模型的知识具有截止性。对于训练数据之后的实时信息，或者读取文件、查询数据库等外部动作，模型本身并不具备直接执行能力。因此，产品必须在模型之外接入工具和执行环境，让模型知道“有哪些工具可用”，并将执行结果回传以供后续推理。
这种“模型负责推理，Agent负责执行”的分层架构，决定了权限校验、参数验证和审计日志必须发生在模型外部的工程层，而非依赖模型的自我约束。这是确保高风险操作不被误执行的前提。
能力接入的标准化：从Tool Call到MCP
为了让模型能够与外部世界交互，我们需要解决能力接入的问题。这里涉及四个核心概念：工具调用（Function Call）、模型上下文协议（MCP）、技能（Skill）和插件（Plugin）。
工具调用是模型与外部系统之间的基础协议。模型生成结构化的调用请求，Agent负责校验参数、检查权限并执行API或脚本，最后将结果返回给模型。然而，如果每接入一个外部系统都单独适配其接口，维护成本将呈指数级上升。此时，MCP（Model Context Protocol）的价值得以体现。作为Anthropic推出的开放协议，MCP通过统一接口连接AI应用与外部数据源，解决了外部能力接入的标准化问题。
MCP不仅提供工具（Tools），还提供资源（Resources）和提示模板（Prompts）。资源是只读内容，由Agent驱动读取；工具是模型驱动的动作；提示模板则是用户驱动的预设指令组合。这种分层设计使得Agent可以更灵活地获取信息，而无需将所有数据都塞入昂贵的模型上下文窗口。例如，MCP Apps允许工具返回可直接渲染的交互式UI，既保留了用户体验，又减少了Token消耗。
如果说MCP解决了“怎么连”的问题，那么Skill则解决了“怎么做”的问题。真实任务往往不是单次工具调用就能完成的，而是包含一系列步骤、判断标准和异常处理流程。Skill将这些经过验证的工作方法沉淀下来，指导Agent按既定流程执行。而Plugin则是能力的打包分发单位，它将MCP连接、Skills流程、规则规范和Hooks组合在一起，形成可安装、可复用的能力包。
上下文工程：决定模型看到什么
在Agent执行任务的过程中，上下文的质量直接决定了决策的准确性。Context Engineering（上下文工程）的核心目标，是在每次模型决策前，精心设计哪些信息进入上下文、以何种形式呈现、何时更新或移除。
这包含五个关键动作：写入、选择、检索、压缩和隔离。写入是将目标、规则和环境状态显式化；选择是从候选信息中筛选当前步骤所需的内容；检索是从历史或数据库中按需拉取信息；压缩是将长内容外置或总结；隔离则是通过子Agent处理旁支任务，避免污染主上下文。
一个常见的误区是认为上下文窗口越大越好，从而将所有信息一股脑填入。事实上，无关信息不仅增加成本，还会降低模型对重点信息的注意力。WorkBuddy采用渐进式加载策略：默认只暴露工具名称和简要描述，仅在意图识别确认需要时，才加载完整的工具定义或Skill详情。同时，利用Prompt Cache技术，保持System Prompt和基础规则的前缀稳定，仅追加动态内容，从而大幅提高缓存命中率，降低推理成本。
记忆系统：让正确的过去重现
记忆功能常被误解为“越用越懂你”，但其工程本质是解决重复交代背景的问题。WorkBuddy将记忆分为五类：稳定事实、用户知识背景、行为信号、表达偏好和会话延续信息。关键在于建立严格的“准入判断”机制，决定哪些历史信息有资格影响未来的任务。
值得注意的是，WorkBuddy刻意未将程序性记忆（Procedural Memory，即做事的方法）纳入长期记忆。因为一旦将特定的操作步骤固化为长期记忆，容易导致局部经验被误升为通用策略，干扰模型在当前场景下的独立推理，甚至引发隐性行为改写。相反，经过验证的工作流程应保存为Skill，通过版本化管理、评审和测试来确保其可靠性。记忆的作用域也需分层，从当前轮临时上下文到团队级记忆，作用范围越大，写入和晋升的门槛应越高。
Harness工程：引导、约束与整合
当Agent开始执行写文件、运行命令等操作时，Harness Engineering的重要性凸显出来。它可以被拆解为三类能力：驾驭（Steer）、约束（Constrain）和整合（Integrate）。
驾驭侧重于控制执行方向。通过System Prompt、规则文件（如WORKBUDDY.md）和Task清单，明确Agent的工作方式和目标拆解。约束侧重于安全边界，包括权限控制、沙箱隔离、审批网关和白名单机制，防止Agent执行危险操作。整合则关注能力的协同，确保工具、记忆、子Agent和自动化流程能够有序配合。
WorkBuddy构建了五层Harness架构：
- 运行环境层：提供文件系统、Shell、沙箱等基础执行环境。
- 引导层：在执行前注入项目上下文、环境信息和规则，提高首次正确率。
- 反馈层：通过Lint、测试、构建等确定性信号，以及审查Agent等推断型信号，将错误信息返回给Agent进行自我纠正。
- 编排层：管理多Agent协作、并行工具调用和意图路由。
- 迭代层：根据模型能力提升和用户反馈，持续调整规则和工具配置。
这种分层设计确保了Agent不仅在“知道做什么”，更在“安全地做”和“正确地做”。特别是反馈循环的设计，强调将验证结果左移，在编辑后、提交前就发现问题，而非依赖事后的人工审查。
循环工程：长周期任务的自动化
对于需要跨时间执行的长期任务，Loop Engineering提供了触发、流转、验收和停止的机制。一个完整的Loop包含触发器、独立执行环境、技能工具、子Agent、持久化记忆、传感器评估和停止条件。
以每日依赖安全更新为例：定时触发后，创建独立工作树，读取规则，查询漏洞，修改锁文件，运行测试和扫描。若失败则反馈修正，若成功则生成PR草稿供人审批。Loop的关键在于将任务状态持久化，并在每次迭代中记录进度和问题，确保任务在中断后能恢复，或在达到预算上限时优雅停止。
然而，Loop并不能自动解决目标正确性和业务验证的问题。如果初始目标错误或验收标准缺失，Loop只会加速错误的执行。因此，人类仍需负责设定目标、定义标准和承担最终责任。
挑战与展望：业务正确性的验证缺口
尽管Harness工程提升了Agent的稳定性，但在业务正确性验证上仍存在巨大缺口。需求往往难以完整说明，实现与测试可能共享同一误解，且部分业务逻辑缺乏可计算的判定标准。因此，AI的自治度应随风险等级调整：在核心业务逻辑中，必须保留人工审批和严格验证。
此外，代码库的“Harnessability”决定了建设难度。老旧系统因结构混乱、缺乏测试和可观测性，难以直接应用Agent自动化。建议先从结构清晰、价值高的子模块入手，逐步补齐测试和监控，再扩展Harness覆盖范围。
未来，随着AI技术的普及，技术方案的选择可能会向“易于AI理解”的方向倾斜。标准化的Harness模板和服务拓扑将成为趋势，帮助团队减少重复造轮子，聚焦于核心业务创新。但无论技术如何演进，工程严谨度从代码编写向环境、反馈和控制系统的转移，要求我们持续投入基础设施的建设。人依然是主线任务的主导者，负责方向选择和价值判断，而Agent则是高效的执行者和加速器。
