万字复盘：从模型到可用 Agent，WorkBuddy 的 Harness 工程是怎么做的？

📌 一句话摘要

本文从产品视角系统拆解 Agent 运行机制，重点阐述 Context Engineering 与 Harness Engineering 如何让 Agent 从能执行任务到稳定可控地完成任务。

📝 详细摘要

文章由腾讯 WorkBuddy 策略产品经理 Anne 撰写，分为基础概念与工程实践两部分。前半部分清晰定义了大语言模型作为无状态函数的抽象，并逐一解释工具调用、MCP、Skill、Plugin 四个概念及其关系，强调模型只承担语言理解与推理，工具接入、上下文组织、权限边界等需由产品侧工程实现。后半部分聚焦 WorkBuddy 的实践：Context Engineering 包含写入、选择、检索、压缩、隔离五类动作，追求相关而非堆 token；Memory 系统将长期信息分为五类，并明确不将程序性记忆纳入长期记忆，而是沉淀为可版本化的 Skill；还讨论了渐进式加载、意图识别、Prompt Cache 等工程手段。文章以一次完整任务的信息流串联所有概念，展示了 Agent 从意图识别到多轮 ReAct 循环的全过程。

💡 主要观点

- 模型是无状态的函数，Agent 的可靠性依赖产品侧的工程机制。 模型只提供语言理解与推理，工具接入、上下文组织、权限校验、结果验证等均由产品在模型外部实现，System Prompt 只能引导不能强制。

Context Engineering 追求相关、准确、及时，而非单纯堆 token。 通过写入、选择、检索、压缩、隔离五类动作，确保每次模型决策前只看到当前所需信息，降低上下文成本并提高判断准确度。

Memory 系统需做准入判断，程序性记忆不应纳入长期记忆。 用户事实、偏好等陈述性记忆可注入上下文，但程序性记忆（做事方法）应沉淀为可版本化、可评审的 Skill，避免局部经验误升为通用策略。

工具、MCP、Skill、Plugin 解决不同层次的能力组织问题。 工具调用是基础协议，MCP 标准化外部系统接入，Skill 沉淀任务流程，Plugin 打包组合能力，设计外接能力时需按边界、更新频率、权限风险等选择合适形态。

渐进式加载与意图识别共同控制上下文规模。 默认只暴露工具名称和简介，按任务需要逐步加载完整定义；意图识别先选方向，渐进式加载再按需展开，避免一次性铺开所有能力。

💬 文章金句

- 模型决定上限、上下文和 harness 决定能否落地。

• Context Engineering 追求相关、准确、及时，不是单纯堆 token。
• System Prompt 只能引导，不能强制。

📊 文章信息

AI 初评：92

精选文章：是

来源：Founder Park

作者：Founder Park

分类：人工智能

语言：中文

阅读时间：74 分钟

字数：18498

标签： AI Agent, 上下文工程, 工具调用, MCP协议, Agent工程

阅读完整文章