深度｜LangChain 联合创始人：模型不再是主角，智能体时代的“Harness”正在重塑一切

📌 一句话摘要

本文编译了 LangChain 联合创始人 Harrison Chase 的播客访谈，深入探讨了 AI Agent 技术栈的演进，指出模型能力提升的同时，围绕其构建的“Harness”（控制框架）正成为关键，并详细解析了 System Prompt、Planning Tool、Sub-Agent、File System、Skill 等核心组件以及可观测性、沙盒等基础设施的重要性。

📝 详细摘要

文章编译自 LangChain 联合创始人兼 CEO Harrison Chase 在 The MAD Podcast 上的深度访谈。访谈核心观点是，随着模型能力增强，AI 领域的竞争焦点正从模型本身转向围绕模型构建的“Harness”（控制框架）。Harness 定义了模型如何与环境交互，是让模型发挥最佳性能的关键。文章系统梳理了现代 Agent 架构的核心组件：驱动行为的 System Prompt、用于制定计划的 Planning Tool、实现上下文隔离的 Sub-Agent、让 LLM 自主管理上下文的 File System，以及封装特定任务指令的 Skill。此外，还探讨了上下文压缩、长期记忆（语义、情景、程序性）、可观测性、沙盒安全等基础设施挑战。Harrison 认为，对于 AI 构建者而言，真正的护城河并非易变的 Harness 技术本身，而是编码在指令和工具中的特定领域知识。

💡 主要观点

- 模型能力提升后，“Harness”（控制框架）成为 AI Agent 栈的关键竞争点。 Harrison Chase 指出，云模型很棒，但真正让 AI 应用落地的是 Harness。它定义了模型如何与环境交互（调用工具、管理文件、编写代码），是发挥模型潜力的核心，其重要性甚至可能超越模型本身。

现代 Agent 架构围绕 System Prompt、Planning Tool、Sub-Agent、File System、Skill 等核心原语构建。 这些组件共同构成了一个“长周期智能体”的基础：System Prompt 驱动行为，Planning Tool 辅助制定计划，Sub-Agent 实现任务与上下文隔离，File System 让 LLM 自主管理上下文，Skill 则封装了特定领域的程序性知识。

Agent 的可观测性、测试评估和沙盒安全等基础设施变得至关重要。 由于 Agent 行为在运行前不可预知（输入范围广、非确定性），因此需要强大的可观测性工具来追踪、分析和调试。同时，运行不受信任代码的需求催生了沙盒环境，并带来了 API 密钥管理等新的安全问题。

对于企业而言，真正的价值资产是领域特定的指令（Instruction）和工具（Tool），而非易变的框架技术。 Harness 和编排方式会快速演变，但编码在自然语言指令和专用工具中的领域知识是持久且有价值的。AI 构建者应将精力集中于此，而非试图将框架技术本身作为护城河。

💬 文章金句

- 云模型很棒，但真正让这一切落地的其实是 Harness。

• 我认为，如果你是一个 AI Builder，你当然应该去了解 Harness、Skill 以及所有这些东西。但我不会把这些技术本身当作‘护城河’，因为构建方式本身会变化。但那些 Knowledge、那些 Tool——那些属于你特定领域的东西——这些是不会变的。
• 说到底，沟通是生活中最难的事情——它是创业最难的部分，是人际关系最难的部分，也是与 Agent 协作时最难的部分：让它们有效地沟通。
• File System 让 LLM 能够自己管理自己的 Context。我认为，这些越来越自主的 Agent，其整体趋势就是让 LLM 承担越来越多的职责。
• 构建 Agent 与构建传统软件的一个不同之处在于：在运行 Agent 之前，你并不真正知道它会做什么。

📊 文章信息

AI 初评：87

来源：Z Potentials

作者：Z Potentials

分类：人工智能

语言：中文

阅读时间：86 分钟

字数：21403

标签： AI Agent, LangChain, Harness, 智能体架构, AI 基础设施

阅读完整文章