不过，

这篇文章基于最近很火的还有对 Claude Code 源码的探讨前端失业转向 Agent 开发时面临的痛点与解决思路。

Agent 的基本组成：大模型 + 上下文 + 工具

在实际项目中，我们经常看到一句话：“Agent = 大模型 + 上下文 + 工具”。但如果你是刚接触这块的人，可能会觉得：

• 模型能否真正执行工具？
• 上下文管理会不会因为信息量大而导致性能瓶颈？
• 工具接口怎么设计才不让模型跑偏？

ReAct 循环：让模型“思考–行动–思考”自动化

ReAct 循环是实现上述三者串联的关键模式。话说回来，其主要流程的观点是。

1. 思考: 模型根据当前上下文决定接下来要做什么。
2. 行动: 调用指定工具并传递参数。
3. 观察: 将工具返回结果作为新的上下文继续交给模型。话说回来，

说到示例代码，通用问答 Agent 的实现原型

def solve -> str:
"""使用 ReAct 模式处理问题"""
messages =
for step in range:
if verbose:
print
从try来看，assistant_message = self._call_llm
if verbose:
print
messages.append
# 检查是否包含最终答案
if "Final Answer:" in assistant_message:
final_answer = assistant_message.split.strip
if verbose:
print
return final_answer
# 解析并执行行动
action_result = self._parse_action
if action_result:
tool_name。params = action_result
observation = self._execute_tool
if verbose:
print
print
print
# 添加观察结果到对话历史
messages.append({
说到"role"，"user","content": f"Observation: {observation}"
})
else的观点是，if verbose:
print
except Exception as e:
error_msg = f"API 调用错误: {str}"
if verbose:
print
return error_msg
return "达到最大步数限制，未能找到答案。"

通过上述代码。你可以得到一个非常通用的问答 Agent：不再限制使用者问题类型，也不需要预先写死逻辑，全部交给大模型指挥。但这仅仅是**实现**，真正落地为产品还有一大段距离。

The Missing Piece – Harness：把可控环境注入模型之中

为什么单纯的 ReAct 并不安全？

现实中，模型可能出现以下问题：

• 幻觉: 编造不存在的工具或参数。
• 选错工具: 调用了错误或无效的功能。
• Error Recovery 缺失: 遇到错误后无法自我恢复。话说回来，
• 使用者担忧：程序会不会随意调用敏感 API 或泄露隐私？

AWS 风格的 Harness 架构拆解：

• 上下文管理：程序提示词、工具定义、使用者消息、模型回复和工具执行结果都被有序收集并持续传递给模型。
• 工具接口暴露："search"。“read_file”,“write_file”,“call_api”,“run_code”等，以标准化方式呈现给大模型。
• 行为约束：- 哪些操作需要人工确认；- 哪些绝对禁止，- 对高风险操作加上多重权限校验。 怎么说呢，
• 结果验证：- 检查调用成功率；- 判断产物是否满足业务约束；- 状态变更是否真实反映在程序中。
• 失败纠正机制：- 自动重试；- 回滚到安全状态，- 熔断保护；- 把不可修复错误交由人工干预。

Agnostic vs Domain‑Specific Harness?

Agnostic 的 harness 更像一个通用沙箱，而 Domain‑Specific 的则针对某个业务场景专门定制了更多验证规则。选择哪种取决于你的业务复杂度与安全要求。

Might Model Eat Harness?

Theoretical Future – Model as Agent

KimiK3 和 GPT 在后训练阶段已经将决策策略内化为原生能力：

KimiK3:  何时调用网络搜索、何时读取文件、何时直接输出答案——全靠内部策略判断，无需外部约束。  从澄清意图到 Deep Research 的任务编排，一切都由内部学习得出。

The Current Reality – Harness Still Needed!

**Model 无法一次性内化所有业务约束** —— 每次迭代都只能覆盖有限场景。**缺乏可回溯性** —— 内置决策难以追踪其依据。**安全边界模糊** —— 难以确保“绝对不能做”的限制被彻底遵守。在短期内，Harness 才是保障可靠性的关键组件。)

The Trade‑off – More Autonomy → Greater Risk

因为 Model 自主决策空间扩大，一旦出错影响也会随之放大。这就迫使我们在每一步都要加固约束、验证和纠错，以确保整程序统仍然可控。若未来真正出现完全内化能力，那么 Harness 就需要重新定位——从“完整控制”转向“监测与回滚”的角色。让它只关心最前沿的新能力，而非日常细节。

A Journey Through Engineering Layers