拆解Harness Engineering和Loop Engineering – boydfd

前言

如果你最近关注 AI Agent 领域，一定被各种新术语轰炸过:Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering……这些带”Engineering”后缀的概念层出不穷，让人眼花缭乱。

它们到底是什么关系?是技术演进的不同阶段，还是互相包含的层级结构?当别人在会议上说”我们在做 Loop Engineering”时，他到底在说什么?

这种困惑不止你一个人有。在和同行讨论 agent 系统时，经常出现这种状况:

• 老板说”Harness”，可能指的是 Claude Code 这个产品
• 同事说”Harness”，可能指的是 解决问题和评估的agent分开 这种设计模式
• 你说”Harness”，可能指的是项目里的 AGENT.md 配置文件

三个人用同一个词，说的完全不是同一个东西。这篇文章的目的就是把这些边界理清楚。

这篇文章适合谁?

• 工程师:在构建 agent 系统时需要做架构决策、和团队对齐术语
• 产品/业务/管理者:想理解工程师在说什么，做技术选型时心里有底
• 研究者/学生:想了解工业界 agent 工程的概念演进，看清论文和产品之间的关系
• 任何想搞清楚概念的人:哪怕只是刷推特被术语轰炸得头晕，想找一张地图

我查阅了大量论文和工程实践文章，包括 Anthropic、LangChain、学术界的权威资料。核心发现是:这些概念不是简单的上下层级关系，而是抽象程度的演进。从 Prompt 到 Loop，解决的问题越来越宏观，但它们并非互斥，而是互相包含和补充。

读完这篇文章，你将能够:

1. 在讨论中精确表达:不再笼统地说”multi-agent 系统”，而是说”topology=multi, coordination=orchestration 的 harness 切片”
2. 做技术判断时更清晰:无论是做架构决策还是评估别人的方案，都能用同一套框架思考

让我们开始这趟概念之旅。

一、Prompt Engineering：LLM 时代的”调参”

如果说传统机器学习的调参是需要考虑特征权重与统计边界的寻优，而深度学习时代的调参是摸索网络架构与梯度下降的动力学，那么 LLM 时代的‘调参’就是 Prompt Engineering——通过自然语言的上下文来激活知识与对齐意图。

Prompt Engineering 解决的核心问题是：面对一个具体任务，如何用一段精心设计的自然语言输入（包括指令、示例、格式约束、推理引导等），让模型在一次调用中就给出准确、符合预期的输出？

具体包含几个子问题：

1. 怎么把任务讲清楚：指令的措辞、结构、强调方式，让模型准确理解你的意图，而不是字面解读后跑偏
2. 要不要给示例：用 few-shot examples 展示期望的输入输出模式，借助模型的 in-context learning 能力让它快速习得任务规律
3. 要不要引导推理：通过 Chain-of-Thought 等技巧让模型显式生成中间推理步骤，在数学、常识、符号推理等任务上提升准确率
4. 怎么约束输出：格式（JSON / Markdown / XML）、风格、范围限制，让结果可解析、可复用、可被下游系统消费

这里也包含两部分考虑：

• 让结果更准：通过措辞、结构、示例、推理引导，把模型”一次做对”的概率拉到最高
• 让结果更稳定：通过温度控制、Schema 约束、Self-Consistency 等，降低输出的随机性，让相同输入产生可复现的结果

在模型还比较弱的时代（2022-2024），prompt 的好坏极大程度地影响了生成质量。当时 agent 的概念还没有兴起，人们更多关注的就是这个”单次调用如何更好出结果”的问题。

那个时期积累了大量”调参”技巧：

#	技巧	背后的原理 / 实证
1	重要信息放开头和结尾	Transformer 注意力在长上下文中呈 U 型衰减，中间位置容易被忽略（Lost in the Middle）。2025 年先进模型依然存在：GPT-4o 在 32K 上下文时准确率从 99.3% 掉到 69.7%
2	输出结构化数据时优先用类型/Schema 描述，而非自然语言描述	模型在预训练中见过大量代码与类型定义语料，对 TypeScript interface / JSON Schema / Pydantic 这类结构化描述的识别与遵守度显著优于自然语言描述
3	关键约束用强调标记并复述 1-2 次	重复关键指令能强化注意力权重，已被实证列入可测量提升 LLM 准确率的 prompt 原则之一
4	对推理类任务加上 CoT 引导	让模型显式生成中间推理步骤（Chain-of-Thought），在数学、常识、符号推理任务上大幅提升表现。最简单形式：prompt 末尾加 “Let’s think step by step”
5	对有客观正确解的任务使用 Self-Consistency	在较高温度下采样多条推理链、对最终答案做多数投票，能显著提升准确率
6	给 2-5 个高质量示例（Few-shot）	大模型具备 in-context learning 能力，无需梯度更新就能从示例中习得任务模式
7	要稳定/可重复的输出时把温度调到 0	低温使 softmax 趋近 argmax，输出趋向贪心解码、随机性显著下降。即使温度=0 仍存在一定隐藏随机性，但已经足够稳定
8	长上下文末尾完整重复一次核心提示词	打破因果语言模型”从左到右单向阅读”的注意力物理局限，使模型处理第二遍时能全局回溯。Google Research 2025 年研究证实这种 “prompt 复述” 在非 reasoning 模式下普遍提升性能

但很多技巧在模型强大并引入推理能力之后，变得没那么重要了。现在的 prompt 变得更简单更直观：讲清楚你想要做的事情。

当然，如果想要达到更极致的效果，或者使用一些本地模型、小模型，这些技巧仍然有价值。

但很快大家发现，单纯调 prompt 远远不够。即使 prompt 构建得再好，如果没有把必要的知识（领域知识、上下文信息）放进上下文里，最终效果还是会很差，LLM 的幻觉会很严重。

这就引出了 Context Engineering。

二、Context Engineering：给模型看什么

Context Engineering 解决的核心问题是：我有一堆信息和上下文，应该给模型看什么，以及怎么给？

具体包含两个子问题：

1. 选什么内容放到 LLM 的上下文中：从海量数据中检索相关信息
2. 已经选好了上下文后怎么给到模型：内容的排序、格式化

这里包含了两部分考虑：

• 让结果更准：放的内容和格式会影响 LLM 的输出质量
• 让成本更低：context window 是稀缺资源，要高效利用；还要从推理效率上考虑成本

Context Engineering 不是 Prompt Engineering

Context Engineering 和 Prompt Engineering 的区别在于：Prompt 关心”怎么说”，Context 关心”给什么信息”。你的 prompt 可以写得很完美，但如果缺少必要的领域知识、业务上下文、关键信息，模型一样会产生幻觉。

这个视角的转变，在 2025 年中已经成为行业共识的关键节点。Shopify CEO Tobi Lütke 在 2025 年 6 月公开表态：

“I really like the term ‘context engineering’ over prompt engineering. It describes the core skill better: the art of providing all the context for the task to be plausibly solvable by the LLM.” (我更喜欢 ‘context engineering’ 这个词，而不是 ‘prompt engineering’。它更准确地描述了这项核心技能：为任务提供所有相关上下文，让 LLM 有可能解决这个任务的艺术。)

紧接着，Andrej Karpathy 公开背书，并给出了更工程化的定义：

“+1 for ‘context engineering’ over ‘prompt engineering’. People associate prompts with short task descriptions you’d give an LLM in your day-to-day use. When in every industrial-strength LLM app, context engineering is the delicate art and science of filling the context window with just the right information for the next step.” (+1，赞成用 ‘context engineering’ 替代 ‘prompt engineering’。人们会把 prompt 联想到日常使用 LLM 时给的一小段任务描述。但在每一个工业强度的 LLM 应用里，context engineering 是一门精细的艺术与科学：为下一步把恰到好处的信息填进 context window。)

“prompt” 这个词容易让人联想到”写一句措辞精巧的指令”，但真正决定模型表现的，是把哪些信息、以什么形式、按什么顺序塞进 context window——这是一个系统工程问题，而不是文学问题。Karpathy 强调：人们把 “prompt” 联想成”短小、措辞巧妙的指令”，但真正的技能要宽得多——它涵盖信息检索、工具结果、对话历史、示例选择的整套组装工作。

Context Engineering 的关键维度

Context Engineering 涉及多个维度的优化，先把 6 个维度并列出来一览：

#	维度	核心关注点
1	外部知识的检索与组织	从外部知识库找内容、决定排序方式
2	工具定义与 Schema 设计	向模型描述”有哪些能力可用”
3	对话历史与记忆管理	保留什么、丢弃什么、怎么跨 session 检索
4	格式与结构化	用什么格式（纯文本 / Markdown / XML / JSON）让模型认知负荷最低
5	Token Budget 管理	何时压缩、何时 offload、何时读回
6	Context Caching	把稳定不变的内容标记为缓存前缀，命中即 0.1× 价格

下面逐项展开。

1. 外部知识的检索与组织

这是最典型的场景，包括：

• RAG（检索增强生成）：从外部知识库检索相关内容
• 语义检索：使用向量嵌入进行相似度匹配
• Reranking：对检索结果进行二次排序

关键：

• 原文顺序 vs 相关度顺序：传统 RAG 按相似度降序排列检索结果，但这会破坏文本的逻辑流、时序进展、指代关系。保持原文顺序（OP-RAG）能用更少的 token 实现更好的效果

2. 工具定义与 Schema 设计

Context Engineering 也包含如何向模型描述可用的工具：

• Tool schema 的结构化：JSON Schema、TypeScript interface、Function signature
• Tool description 的清晰度：决定模型能否正确选择和调用工具
• 参数说明的精确性：影响工具调用的参数准确率

这部分看似是”工具定义”，但本质上是在构建模型的上下文——告诉模型”有哪些能力可用”。

3. 对话历史与记忆管理

• 对话历史的压缩与过滤：保留关键信息，丢弃冗余内容
• 长期记忆的检索：从历史对话中提取相关上下文
• 工作记忆的维护：当前任务的临时状态

4. 格式与结构化

不同的格式对模型的认知负荷差异巨大：

格式	适合场景	注意点
纯文本	向量嵌入构建	Token 利用率最高
Markdown	文档/对话	模型”原生认知结构”，预训练语料大量存在，理解力可提升
XML 标签	多文档边界控制	严格边界，防止多文档语义污染
JSON / YAML	数据交换	高认知负荷，容易产生”语法正确但内容幻觉”的输出

5. Token Budget 管理

在有限的上下文窗口内：

• 什么时候触发 compaction（压缩）
• 哪些内容 offload 到磁盘
• 如何按需读回之前的内容

6. Context Caching（上下文缓存）

在 agent 的实际运行中，绝大多数 token 是被反复重发的：system prompt、tool schemas、few-shot 示例、规则说明、长文档背景——这些内容每次工具调用都会原封不动地塞回 context window。Context caching 就是针对这一现象的工程优化：把稳定不变的内容标记为”缓存前缀”，只为第一次付比较昂贵的cache write的费用，之后命中缓存，基本只需要1/10的cache read的价格。

以 Anthropic prompt caching 为例，量级差异是显著的：

维度	数值	备注
写入（cache write）	1.25× base input price	只付一次
读取（cache hit）	0.1× base input price	比正常 input 便宜 90%
首 token 延迟（TTFT）	下降约 85%	—
TTL	默认 5 分钟，可延长至 1 小时	—

对一个典型的 coding agent 而言，system prompt + tool definitions 动辄上万 token，每一轮工具调用都重复发一次。如果不做 caching，这一块就是持续不断的成本黑洞；做了 caching 之后，它从”每轮都要付的过路费”变成了”一次性投入 + 极低的复用成本”。

要让缓存真正命中，工程上有几条原则：

原则	做什么	反面教材
Stable prefix	把不变的内容放在 context 最前面，动态内容（用户消息、工具结果、时间戳）放后面	任何前缀位置的字符变动都会让后面的缓存失效
避免无谓的破坏	检查前缀里不要混入会变的内容	日期、随机 ID、自增计数器这类”看似无害”的字段如果放在前缀里，会让整个缓存秒级失效——这种坑在生产中非常常见

Context Engineering 的局限

Context Engineering 解决的是“已经选好内容后怎么组织”的问题。它假设你需要的信息是可获取的、有边界的——但真实场景下，单靠组织上下文是远远不够的：

• Agent 怎么主动去找信息？（工具调用、检索流程）
• Agent 如何安全地运行？（沙箱、权限）
• Agent 如何跨多个 session 持续工作？（状态持久化、调度）
• 什么时候应该把上下文压缩、卸载、读回？（生命周期管理）

这些是 Context Engineering 本身回答不了的——它们关心的不是”模型这一步看什么”，而是”整套系统怎么运转”。要回答这些问题，需要把视角从”单次调用的上下文”抬升到”整个 agent 系统的工程框架”，这就是下一节要展开的主题。

三、Harness Engineering：Agent = Model + Harness

到了 Harness Engineering 这一层，视角发生了根本性的转变。如果说 Prompt 和 Context Engineering 关注的是”怎么跟模型说话”和”给模型看什么”，那么 Harness Engineering 关注的是：如何把模型变成一个可以信赖的、能自主完成任务的 Agent。

Harness的定义简洁，却带来了混乱

按照 LangChain 的定义：Agent = Model + Harness，也就是说，模型之外的所有东西都是 Harness。这个定义很简洁，但在实践中会导致混乱：

• 你说”Harness”，可能指的是 Claude Code 这个产品
• 我说”Harness”，可能指的是 Initializer + Coding Agent 这种设计模式
• 他说”Harness”，可能指的是他项目里的 AGENT.md 配置文件

三个人用同一个词，说的完全不是同一个东西。这就像说”软件工程”——你可能在说设计模式，也可能在说编程语言，也可能在说某个具体的代码库。

问题的根源在于:Harness 的范围太广了。

如果不对 Harness 进行分层，我们就无法精确讨论问题。

解决手段就是，将Harness再拆一拆，拆成多个可以用来讨论的概念.

Harness 的分层结构

为了解决”Harness 范围太广”的问题，我结合了 Anup Jadhav、Anthropic、学术界的研究，提出了一个从底层到上层的分层结构:

层	名称	性质	回答的问题	典型内容
第 5 层	Design Instance（实际场景）	具体 Policy	“为了某个目标，怎么组合？”	Claude Code、Stripe Minions、CI/CD Auto-Fix
第 4 层	Pattern（可复用模式）	可复用 Policy	“一组能力该怎么组合？”	Plan-Act-Verify、Initializer + Coding Agent、Loop
第 3 层	Design Components（Design Axes）	上层 Mechanism	“有哪些可选项？”	10 个 Design Axes（topology / coordination / memory …）
第 2 层	Framework（mechanism / runtime）	底层 Mechanism	“能做什么？”	Tool dispatch、Sandbox、MCP、Skill、Trigger …
第 1 层	Cross-cutting Concerns（横切基础）	横切所有层	“贯穿全程的基础能力？”	Prompt Engineering、Context Engineering

依赖方向：第 5 层实例化自第 4 层，第 4 层组合自第 3 层，第 3 层实现于第 2 层；所有层都依赖第 1 层（Cross-cutting Concerns）。

这个分层可以借经典的软件工程原则 Mechanism vs Policy（机制与策略分离）来理解:

层	Mechanism / Policy	角色
Cross-cutting Concerns	横切基础	贯穿所有层的基础能力
Framework	底层 Mechanism	让能力真实可执行
Design Components	上层 Mechanism	提供可组合的能力组件和设计坐标
Pattern	可复用 Policy	决定一组能力如何组合
Design Instance	具体 Policy	真实跑起来的系统配置与运行方式

也就是说，下面三层回答的是”系统能提供哪些能力、有哪些可选项”，上面两层回答的是”为了某个目标，应该怎么组合这些能力”。

让我们从底层开始逐层展开。

第 1 层：Cross-cutting Concerns（横切基础）

这一层是所有其他层都依赖的基础。

Anup Jadhav 明确指出：“Harness engineering subsumes both prompt engineering and context engineering.” (Harness engineering 同时涵盖 prompt engineering 和 context engineering。)

横切能力	关注的核心问题	典型内容
Context Engineering	每步给模型什么内容	RAG、retrieval、tool schema、compaction 触发时机、offload 策略
Prompt Engineering	单次输入的措辞	CoT、few-shot、强调标记

为什么说它们是”横切”的？

因为无论你在哪一层（Framework、Pattern、还是 Instance），都需要考虑：

在哪一层	都要回答
Framework	“Tool schema 怎么写？”（Prompt Engineering）
Pattern	“Planner 给 Evaluator 什么提示？”（Prompt + Context）
Instance	“AGENT.md 里要包含哪些上下文？”（Context Engineering）

它们不是独立的层级，而是贯穿所有层的基础能力。

第 2 层：Framework（mechanism / runtime）

Framework 层是 Harness 分层的基础，它提供底层的能力。

这一层回答的是：“能做什么”，而不是 “怎么做” 。

典型的 Framework 产品：

• Claude Code
• Codex SDK
• OpenAI Agents SDK
• LangGraph
• Deep Agents

Framework 提供的核心机制：

Mechanism	核心能力 / 关键说明
Tool dispatch	Tool registry（注册可用工具） Schema 注入（把工具签名注入 context） JSON tool-call 协议（标准化的调用格式）
Sandbox runtime	隔离执行环境 文件系统沙箱 Shell 环境管理
MCP client	外部 tool/data 的标准接入 MCP server lifecycle 管理 Tool description 注入（⚠️ 信任边界，需要审计）
Skill registry	Skill 发现机制 Progressive disclosure 触发 Skill 文件格式规范
Subagent spawn	Context isolation：每个 subagent 独立的 context window Event-driven wait：父 agent 不轮询，等 subagent 完成后被通知 → 避免父 agent 上下文膨胀
Hook lifecycle	Before/after tool call、on session start、on error Deterministic enforcement：”success is silent, failures are verbose” (成功时保持安静，失败时输出详细信息) 把”我跟 agent 说要做 X”变成”系统强制 X”
Permission gate	Destructive action 拦截（git reset –hard、rm -rf） Human approval 流程 细粒度权限配置
Trigger 系统	Cron / event / webhook → 启动新 session 可用于自动化调度场景 trigger 系统本身是 framework 能力
Observability	Trace、logging、event bus Cost tracking、latency monitoring 调试工具（inspector、replay）

Mechanism vs Policy 的边界：

这是最容易混淆的地方。举个例子：

• Mechanism 提供：Trigger 系统（能够定时启动 session 的能力）

• Policy 决定：什么时候触发、触发后执行什么agent。

• Mechanism 提供：Skill registry（能够注册和触发 skill 的能力）

• Policy 决定：有多少个 skill、每个 skill 的内容是什么、触发条件是什么

• Mechanism 提供：Subagent spawn（能够启动子 agent 的能力）

• Policy 决定：拆分成几个 subagent、职责是什么、用什么模型

这就是 Mechanism vs Policy 的分离：Framework 和 Design Components 暴露能力，Pattern 和 Design Instance 决定如何组合、何时使用、做到什么程度。

第 3 层：Design Components（Design Axes）

这一层我称之为 Design Components。它由一组 Design Axes 构成——这些 axes 描述了设计 Harness 时的”选择空间”。它们仍然偏 Mechanism，因为只告诉你”有哪些选项”，并不直接替你决定”该怎么用”。

这一层回答一个问题：设计 Harness 时，有哪些维度需要决策？

10 个 Design Axes，分 3 组：

下面把 10 个 axes 按性质分成 3 组：结构组（这个 harness 是什么形状）、行为组（它怎么动）、资源组（它用什么、记什么）。

结构组 Structure

Axis	取值范围	典型实例
1. topology	single ↔ multi	Claude Code 默认 single（subagent 可扩展）；Anthropic research system 是 multi；Stripe minions 是 multi
2. coordination	orchestration ↔ cooperation	orchestration：中心化 lead agent 派发任务（Anthropic research system）；cooperation：去中心化，通过共享状态协作（Stripe minions 通过 PR/CI）。两者可混合
3. session span	single-session ↔ multi-session	单次对话 vs 跨多次对话。一个 artifact 跨 session 协作系统就是 multi-session 的例子。这个 axis 很关键：它说明跨 session 是 Harness 的一个设计选择

行为组 Behavior

Axis	取值范围	典型实例
4. control loop	ReAct / Plan-Execute / Tree Search / …	ReAct：观察 → 推理 → 行动；Plan-Execute：先规划整体，再逐步执行。Inside the Scaffold 论文把 5 种 loop primitives（ReAct、generate-test-repair、plan-execute、multi-attempt retry、tree search）视为可组合 building blocks
5. autonomy	fully-autonomous ↔ approval-required ↔ supervised	“信任边界”——决定哪些操作需要人工审批（destructive action、force push、生产部署等）
6. execution isolation	none ↔ git-worktree ↔ sandbox ↔ full VM	Cline 的 git-worktree（轻隔离）、Claude Code 的本地 sandbox（中隔离）、Daytona/远程 VM（重隔离）。决定了一次错误的 rm -rf 会影响什么

资源组 Resources

Axis	取值范围	典型实例
7. memory	working / long-term / shared	working：当前 session 临时记忆；long-term：磁盘持久化；shared：多 agent 共享 Artifact Network。Hu Wei 综述指出：file-persistent、hybrid、hierarchical 是生产主流，纯 ephemeral in-memory 很少见
8. tool type	function / env / verify / workflow	function：纯函数工具（计算、查询）；env：环境交互（文件系统、bash）；verify：验证工具（测试、lint）；workflow：复杂工具（开 PR、部署）
9. verification	computational ↔ inferential	computational：确定性验证（typecheck、unit test）；inferential：LLM-as-judge（code review、语义验证）
10. compaction	7 种策略	Inside the Scaffold 论文统计的 7 种策略：summarization、sliding window、retrieval-based、hierarchical 等

这 10 个 axes 的价值：

当你说”Anthropic research system”时，你可以精确描述它：

Axis	选择
topology	multi
coordination	orchestration
session span	single
control loop	plan-execute
autonomy	approval-required
execution isolation	sandbox
memory	shared
verification	computational + inferential
…	…

这比笼统地说”它是个 multi-agent 系统”清晰得多。

第 4 层：Pattern（可复用的设计模式）

从现有的一些Harness中，我们可以抽象出一些跨领域可复用的结构性设计。这些 Pattern 不是某个具体项目的配置，而是经过验证的、可以在不同场景下重复使用的设计蓝图。

这一层类似于软件工程中的 GoF 设计模式——你不会说”我在用单例模式这个产品”，你会说”我在这个项目里应用了单例模式”。

Anup Jadhav 总结的 5 个基础 Pattern：

#	Pattern	解决的问题	关键做法
1	Plan-Act-Verify	几乎所有 agent 的基础模式	分解任务 → 执行 → 自检的基础循环
2	Progressive Disclosure	对抗 context rot（上下文膨胀导致 agent 混乱）	Skill 按需加载，而不是一次性把所有指令塞进 context
3	State Outside Context	持久状态不污染 context window	持久状态放磁盘/artifact；Anthropic 长任务 harness 明确推荐用 feature_list.json + claude-progress.txt 做跨 session 共享文件
4	Clean-Context Continuation	避免 context 累积导致模型性能退化	长任务执行中，定期 reset context，从任务简介重启
5	Approval Checkpoints	关键操作需要 human-in-the-loop	在 destructive action 前暂停等待审批

学术界和工业界补充的 Pattern：

#	Pattern	解决的问题	关键做法
6	Initializer + Coding Agent	长任务需要 spec + 增量实现分离	Anthropic 长任务 harness 的标志性模式：Initializer agent 写 spec/TODO，Coding agent 增量实现。现在的很多 SDD 框架就使用了这个 Pattern
7	Planner / Evaluator Split	对抗 agent “自己批自己作业太宽松”	写代码的模型和审代码的模型分开
8	Approved Fixtures	避免 agent 自己生成测试、自己通过的循环自嗨	用固定测试数据对抗 agent 自评
9	Ralph Loop	实现 agent 的自迭代	Hook 截断退出 + 重注入 prompt

Pattern 层的特殊性：

这一层是 Harness Engineering 的核心。它承上启下：

• 向下：组合 Design Components 中的能力和设计轴
• 向上：被具体的 Instance 实例化

当你在设计一个新的 agent 系统时，不应该从零开始发明，而应该先看看这些 Pattern 中哪些适用，然后组合、调整。

第 5 层：Design Instance（最具体的现实）

这一层是现实世界中真正跑起来的 agent 系统。当你打开 Claude Code、看到 Stripe 的 PR 机器人、或者部署一个 CI/CD 自动修复系统时，你看到的就是 Design Instance。

几个典型例子：

Instance	关键特征	对应的 axes 选择
Anthropic Multi-Agent Research System	Claude Opus 作为 lead agent 协调多个 Claude Sonnet subagent 并行；Lead agent 把研究任务分解并写入虚拟文件系统作为 TODO；3 个 Sonnet subagent 并行执行搜索和分析；相比单个 Opus agent 在复杂研究任务上展现显著性能提升	topology=multi、coordination=orchestration
Stripe Minions	每周自动合并 1300+ PR；Blueprint 架构（deterministic node + agentic node）；CI 严格的 two-strike rule（失败两次立即升级到人工）；PR webhook 触发，事件驱动	topology=multi、coordination=cooperation（多个 agent 通过 PR/CI 这个共享状态协作）
CI/CD Auto-Triage + Auto-Fix	Cron 定时扫描 CI 失败/新 issue；代码自动生成 prompt 描述问题；Skill 自动分类问题类型；Agent 在 worktree 中自动修复；Checker 判断修复是否完成；自动开 PR，等 CI green 后通知 Slack channel；状态持久化到文件系统	（自动化 agent 系统实例，叠加 Loop Pattern）
OpenAI Codex 长期项目实例	OpenAI 团队用 5 个月构建并交付一个内部 beta 产品，人工手写代码为 0 行；团队起初由 3 名工程师驱动 Codex，后续扩展到 7 名；系统持续跨多个 session 工作；OpenAI 称之为 “harness engineering”——通过代码外壳管理 agent loop	（持续运行的 agent 系统实例）

这一层的价值在于：它是抽象概念的锚点。当我们讨论 Pattern 或 Primitives 时，可以随时回到这些具体例子来验证理解是否正确。

三个关键认知

有了这个分层结构，我们可以回答几个容易混淆的问题。

认知 1：Multi-agent 的位置

我之前一直在考虑，multi-agent到底处于什么位置， 是不是应该在harness 之上的独立层。

有了我自己的分层后，就可以简单定义:

Multi-agent 只是 topology 这个 design axis 上的一个选项。

• Anthropic research system = harness(topology=multi, coordination=orchestration, …)
• Stripe minions = harness(topology=multi, coordination=cooperation, …)
• 基于RAG的智能问答 = harness(topology=single, …)

它们都是 harness，只是在 topology 轴上的选择不同。

认知 2：”Harness”这个词的三种用法

现在我们可以精确区分：

1. “Claude Code 是一个 Harness” → 指的是 Framework 层的产品
2. “解决问题和评估的agent分开 是一个好的 Harness 设计” → 指的是 Pattern 层
3. “我们项目的 Harness 配置在 AGENT.md 里” → 指的是 Design Instance 层的具体配置

三个人说的都是”Harness”，但分别在不同层。

Harness Engineering 解决的问题

Context Engineering 无法回答的问题，Harness Engineering 都能回答：

• Agent 怎么自己去找信息？（工具调用的控制）
• Agent 如何安全地运行？（沙箱、权限管理）
• Agent 如何跨多个 session 协作？（状态持久化、调度）
• 什么时候触发 compaction？（生命周期管理）

这些问题都能在 Harness Engineering 的框架内得到回答。

这个分层解决了什么问题?

1. 概念边界清晰：说”Harness”时，明确在说哪一层
2. 设计决策明确：知道在哪一层做什么决策
3. 复用性提升：Pattern 层可以跨项目复用
4. 沟通效率提升：团队讨论时不会鸡同鸭讲

终于轮到最近突然火起来的Loop Engineering了，我把它定位成一个特殊的Pattern

四、Loop Engineering：让 Harness 自主运转的 Pattern

Loop Engineering 解决什么问题？

在 Harness Engineering 的基础上，我们已经能构建出功能完整的 Agent 系统。但还有一个关键问题没有解决：

谁来启动 Agent？谁来决定什么时候让 Agent 工作？

传统的 Agent 工作模式是：

1. 人发现问题（比如 CI 失败、有新 issue、PR 需要 review）
2. 人打开 Claude Code，输入 prompt
3. Agent 执行任务
4. 人查看结果，决定下一步

这个模式有几个问题：

问题 1：人是瓶颈

• 你得盯着 GitHub、Slack、CI 系统，发现问题才能让 Agent 行动
• 半夜 CI 失败了，Agent 不会自己修，得等你早上醒来

问题 2：上下文断裂

• 每次都要重新告诉 Agent 背景、规则、注意事项
• Agent 不记得上次做了什么，每次都是”新员工”

问题 3：无法持续工作

• 你不可能 24 小时坐在电脑前给 Agent 分配任务
• 大型项目的 Agent 协作需要持续数天，人无法全程盯着

Loop Engineering 就是为了解决这些问题：把 Harness 从”人工启动的工具”升级为”自主运行的 Agent”。

典型场景对比：有 Loop 和没 Loop 的区别

为了更具体地理解 Loop Engineering 的价值，我们对比两个场景：

场景：CI/CD Auto-Triage + Auto-Fix

场景：CI/CD Auto-Triage + Auto-Fix

把”没 Loop”和”有 Loop”两条流程平行对齐：

步骤	没有 Loop Engineering（人工驱动）	有 Loop Engineering（系统驱动）
触发	CI 失败了，你收到 Slack 通知	Cron 每 10 分钟触发一次（Self-triggering）
发现问题	你打开 Claude Code	系统自动扫描 CI 失败和新 issue
生成 prompt	你输入 “/fix the failing CI”	代码生成 prompt 启动 Agent（Self-prompting）
修复	Agent 在 worktree 里修复	Agent 在 worktree 里修复
判断完成	你 review、merge	Checker 判断是否修复完成（Stop condition check）
开 PR	你开 PR	自动开 PR
状态记录	无	状态写入文件（State persistence）
通知	你盯着 CI	CI green 后自动通知 Slack “已修复，请 review”
你的角色	盯着监控、手动启动、半夜失败了得等早上	只需要最后 review，不需要盯着监控

关键区别：

维度	没 Loop	有 Loop
谁盯着监控	你	系统
谁启动 Agent	你手动	系统自动
谁判断完成	你	Checker
工作时间	受你作息限制	24/7

Stripe Minions 实例：

• 每周自动合并 1300+ PR
• PR webhook 触发（Event-driven Loop）
• Blueprint 架构：把工作流拆成 deterministic node 和 agentic node
• CI 严格的 two-strike rule：失败两次立即升级到人工
• 多个 agent 通过 PR/CI 这个共享状态协作

Loop Engineering 的核心能力与依赖

Loop Engineering 的本质是一个 orchestration pattern。它真正新增的核心能力只有一个：Self-Triggering（系统自动触发）。

但要让这个 pattern 工作，它需要依赖 Harness 已有的三个基础能力。下面按依赖关系展开：

核心能力：Self-triggering（系统自动触发）

这是 Loop Engineering 唯一真正新增的能力：不需要人手动启动，系统自己决定何时启动 Agent。

实现方式：

• Cron：定时触发（每 10 分钟扫描 CI、每天早上生成报告）
• Event：事件触发（PR created、issue opened、CI failed、webhook 推送）
• Condition check：条件触发（当某个指标达到阈值）

根据触发的主动性，可以分为：

• Polling-based：系统主动扫描（Cron、condition monitoring）
• Event-driven：外部事件推送（webhook、file watch、message queue）

技术实现：

• 依赖 Framework 层的 Trigger 系统（cron / event / hook 机制）
• 具体”什么时候触发、触发什么”是 Pattern / Design Instance 层的 决策

例子：

# Cron: 每 10 分钟检查一次
*/10 * * * * agent run "scan and fix CI failures"

# Event: GitHub webhook
on PR.opened -> agent run "review PR"

# Condition: 监控指标
when error_rate > 5% -> agent run "investigate and alert"

关键区别：

• 不是 Loop：人手动打开 Claude Code 输入 “/fix CI”（人触发）
• 是 Loop（Event-driven）：Stripe Minions 的 PR webhook 自动触发 agent 处理
• 是 Loop（Polling-based）：Cron 每 10 分钟主动扫描 CI 状态并决定是否修复

依赖能力 1：Self-prompting（系统生成 prompt）

为什么 Loop 需要它：触发后，Agent得有输入才能知道做什么。

重要澄清：Self-prompting 不是 Loop 发明的——任何 Harness 都可以代码生成 prompt（比如根据 tool schema 生成 system prompt）。但 Loop 必须用它，否则触发后 Agent 不知道干什么。

实现方式：

• 读取外部状态（CI 状态、issue 列表、PR diff）
• 根据状态生成结构化的 prompt
• 注入 context（相关代码、历史修复记录）
• 依赖 Framework 层的 Trigger 能力

依赖能力 2：State persistence（跨 session 状态传递）

为什么 Loop 需要它：Loop 通常跨多个 session 工作（一次修不完、需要等外部状态变化），得有地方存状态。

重要澄清：State persistence 不是 Loop 发明的——这是 Harness 的 session span axis（multi-session）+ State Outside Context pattern。任何需要跨 session 的 Harness 都可以用。但 Loop 大概率需要它。

与 Harness 的关系：

• 跨 session 能力来自 Harness 的 session span 设计轴（single-session ↔ multi-session）
• State Outside Context 是 Harness Pattern 层的一个成员
• Loop Engineering 只是让这个跨 session 流程自动化触发

举例说明：

• Harness 的 multi-session（非 Loop）：用户手动起一个新 session 读 artifact 继续工作
• Loop Engineering：系统定时自动起 session 检查 artifact 并推进工作

区别在于”谁触发”，而不是”能否跨 session”。

实现方式：

• Session 1：Agent 写状态到文件（feature_list.json、progress.txt、artifact）
• Session 1 结束
• Session 2：自动触发，读取文件，继续工作
• Session 2：更新文件状态
• 依赖 Framework 层的 Memory 能力 + State Outside Context pattern

每个 session 读这个文件，知道该做什么，做完后更新状态。

---

Loop Engineering 的价值：不是发明新的能力，而是通过 Self-triggering 把 Harness 从”人工启动的工具”升级为”自主发现问题并解决的 Agent”。这是从”被动响应”到”主动监控”的范式转变。

Loop Engineering 在 Harness 分层中的位置

现在可以回头再看看：Loop Engineering 到底是什么？

它是 Pattern 层的成员

在上一节的分层结构中，Loop Engineering 位于 Pattern 层，和 Plan-Act-Verify、Initializer + Coding Agent 平级。

Addy Osmani 的 5+1 building blocks 验证了这一点：

Addy 说 Loop Engineering 依赖 6 个 building blocks：

1. Automations（定时/事件触发）
2. Worktrees（隔离工作空间）
3. Skills（固化知识）
4. Plugins/connectors（MCP）
5. Sub-agents（maker/checker 分离）
6. Memory

这 6 个里，其实都已经在 Harness 里了：

• Automations → Framework 层 Trigger的能力
• Worktrees → Framework 的 sandbox runtime
• Skills → Framework 的 skill registry + Pattern 的 progressive disclosure
• Plugins → Framework 的 MCP client
• Sub-agents → Framework 的 subagent spawn + Pattern 的 Planner/Evaluator
• Memory → Framework 层 Memory 能力 + Pattern 的 State Outside Context

那为什么很多人说”Loop 在 Harness 之上”？

这是个好问题。Addy、Boris 的文章确实给人”Loop 是更高层”的感觉。

三个非概念性的原因：

1. 修辞/传播原因

   • “从手动 prompting 到自动 prompting” 是个范式转变
   • 包装成”新一层”更有冲击力，便于传播
   • 技术文章需要吸引眼球

2. 产品原因

   • Claude Code 和 Codex 把 Automations 做成 first-class feature
   • 产品上需要”突出”这个新功能
   • /loop 命令看起来像是”新能力”

3. 历史原因

   • “Harness engineering” 这个词 2025 年才定型
   • “Loop engineering” 是 2026 年的新词
   • 新词自然要”在它之上”才显得新

但从概念本质讲：Loop Engineering 是 Harness 内部的一个 Pattern，主要依赖 Framework 层的 Trigger 能力，通过组合现有能力实现自驱动。

Loop 的真正价值不是”层级更高”，而是”范式转变”：

从”人工启动的工具”到”自主运行的 Agent”，这个跃迁的价值不在于引入了新的技术能力，而在于改变了人与 Agent 的协作模式：

• 过去：你是 Agent 的老板，发现问题、分配任务、检查结果
• 现在：你是系统的架构师，设计规则让系统自己发现问题、分配任务、检查结果

这个转变的意义，不亚于从”手动部署”到”CI/CD 自动部署”、从”人工监控”到”自动告警”。

Loop Engineering vs ReAct：本质区别

之前看到有人会问：Loop Engineering 和 ReAct 有什么区别？它们不都是”循环”吗？

维度	ReAct（Reason + Act）	Loop Engineering
循环位置	Agent 内部的控制循环	Harness 外部的调度循环
循环范围	单 session 内：观察 → 推理 → 行动 → 观察 …	跨 session：触发 → 生成 prompt → 启动 Agent → 检查完成 → 触发 …
谁主导	模型主导（模型决定下一步做什么）	系统主导（系统决定何时启动 Agent）
在分层中的位置	control loop 这个 design axis 上的一个选项	Design Pattern 层的成员
作用层面	微观层面（单次任务的执行策略）	宏观层面（多次任务的调度策略）

更准确的类比：

• ReAct = 肌肉的自主收缩循环（你跑步时，腿部肌肉自动协调收缩）
• Loop Engineering = 健身计划的自动提醒（手机 App 每天 7 点提醒你去跑步）
• 两者都是”你”（Agent）的一部分，只是作用在不同层面

可以组合使用：

• 系统定时触发（Loop Engineering 的 self-triggering）
• 启动 Agent，Agent 内部用 ReAct 循环工作
• Checker 判断完成，写入文件
• 下一次触发时，继续

Loop Engineering 和 ReAct 是正交的，可以同时使用。

总结：Loop 的本质与价值

回到核心认知：

Loop Engineering 不发明跨 session 能力——那是 Harness 的 session span axis。

Loop Engineering 不发明 multi-agent 能力——那是 Harness 的 topology axis。

Loop Engineering 不发明共享状态的能力——那是 Harness 的 memory design component。

Loop Engineering 只做一件事：通过 Self-triggering，把 Harness 从”人工启动的工具”升级为”自主发现问题并解决的 Agent”。

这个升级的价值体现在：

• 从被动响应到主动监控：不用人盯着，系统自己发现问题
• 从间歇工作到持续运行：24/7 工作，不受人的作息限制
• 从单次任务到持续改进：通过文件记录状态，形成持续演进的系统

这就是为什么 Loop Engineering 是 Pattern 层的成员，而不是独立层。

它是 Harness 能力的一种高级组合方式，专门用于”让 Agent 持续自主工作”这个场景。

五、概念关系总览：从演进到结构

经过前面四节的展开，我们现在可以给出一个完整的概念地图。

时间线：概念的演进

从时间维度看，这些概念是逐步演进的：

时期	核心概念	关注问题	谁在驱动
2022.11 – 2024	Prompt Engineering	这句话怎么写才能让模型更好地理解？	人
2025.6	Context Engineering	这一步应该给模型看什么信息？	人
2026.1	Harness Engineering	如何把模型变成可靠的 Agent？	人（启动）
2026.6	Loop Engineering	如何让 Agent 持续自主工作？	系统（自驱动）

演进的方向：

• 从”调模型”到”调系统”
• 从”单次调用”到”持续运行”
• 从”人工驱动”到”系统驱动”

判断清单：如何区分概念边界

当你遇到一个具体问题时，如何判断它属于哪个概念？

问题：我在优化 RAG 检索结果的排序

• 这是 Context Engineering（给模型看什么、怎么排序）

问题：我在写 AGENT.md 配置文件

• 这是 Harness 的 Design Instance 层（具体配置）

问题：我在设计 Planner/Evaluator 分离的架构

• 这是 Harness 的 Pattern 层（可复用设计）

问题：我在开发一个支持 MCP 的 agent runtime

• 这是 Harness 的 Framework 层（提供能力）

问题：我在设置定时任务，让 Agent 每天自动检查 CI

• 这是 Loop Engineering（自动化调度）
• 但 Loop 是 Harness Pattern 层的成员

问题：我在设计多个 Agent 通过 artifact 协作的系统

• 这是 Harness 的 Design Instance（topology=multi, coordination=cooperation, session span=multi-session）
• 如果加上 cron 定时检查 artifact 并推进工作，就变成了 Loop

问题：Stripe Minions 算不算 Loop Engineering？

• 本文采用广义定义：算。它是 Event-driven Loop 的典型例子（PR webhook 自动触发 agent 处理）
• 也有观点认为：不算。认为只有 Polling-based（系统主动扫描）才是 Loop，Event-driven 只是普通的 automation
• 这是个有争议的边界，取决于你更看重”主动性”还是”自动化”。本文倾向于后者，因为从用户视角看，两者都实现了”系统持续自主工作”的核心价值

常见误区纠正

#	误区	错误理解	正确理解	反例 / 澄清
1	Loop Engineering 是 Harness 之上的独立层	Loop 解决的问题 Harness 解决不了	Loop 是 Harness Pattern 层的成员，依赖 Framework 层 Orchestration 能力	—
2	跨 session 就需要 Loop Engineering	只有 Loop 才能跨 session	跨 session 是 Harness 的 session span axis，Loop 只是让它自动触发	一个 artifact 跨 session 协作系统是 Harness 的 multi-session 设计，但如果是人手动启动每个 session，就不是 Loop；只有加上 cron 自动触发，才是 Loop
3	Multi-agent 是比 Harness 更高级的架构	Multi-agent 包含 Harness	Multi-agent 是 Harness 的 topology axis 上的一个选项	—
4	Context Engineering 和 Harness Engineering 是平行的	两者是并列关系	Context 被 Harness subsume，是横切基础	—
5	Prompt Engineering 已经过时了	有了 Harness 就不需要 Prompt	Prompt 是基础，贯穿所有层，只是不再是唯一关注点	—

六、这些概念对你意味着什么

理清了这些概念的关系，对不同角色的人都有具体的帮助。下面分几种典型场景展开——不局限于工程师。

给所有人:掌握这套概念框架后，你能做什么

无论你的角色是什么，理解了 Prompt → Context → Harness → Loop 这套概念演进，以及 Harness 的分层，你都能获得以下能力:

1. 读懂任何一篇 agent 相关的文章或论文:看到 Addy Osmani、Anthropic、LangChain 的博客，你能立刻定位作者在讨论哪一层、解决了什么问题。
2. 在讨论中精确表达:不再笼统地说”这是个 multi-agent 系统”，而是说”它在 topology 轴上选了 multi,coordination 选了 orchestration”——别人一听就知道你懂行。
3. 识别营销话术 vs 真实价值:当某个产品宣传”我们用了 Loop Engineering”时，你能问出关键问题——”是 Self-triggering 吗?用 cron 还是 event?Stop condition 怎么判断?”——而不是被术语唬住。
4. 跨角色沟通:工程师、产品、决策者用同一套词汇，讨论时不会再鸡同鸭讲。

下面是针对不同角色的更具体启示。

启示 1:分层思考，避免过早优化(对工程师)

问题场景:你要构建一个 coding agent。

错误做法：

• 一上来就考虑：”要不要用 multi-agent？要不要做 Loop？”
• 直接参考 Stripe Minions，试图复制它的架构

正确做法：

• 从 Framework 层开始：选一个 harness（Claude Code、Codex SDK、LangGraph）
• 到 Pattern 层：先用最简单的 Plan-Act-Verify，验证基本流程
• 到 Design axes：在 topology 轴上先选 single，够用了再考虑 multi
• 到 Instance 层：跑起来，收集真实数据
• 只在撞墙时才升级：单 agent 处理不了了，才考虑 multi；手动触发够用了，才考虑 Loop

LangChain 的建议：“Start with a single agent and good prompt engineering. Add tools before adding agents. Graduate to multi-agent patterns only when you hit clear limits.” (从单个 agent 和良好的 prompt engineering 开始。先加工具，再加 agent。只有在遇到明确瓶颈时，才升级到 multi-agent 模式。)

Anthropic 的数据也支持这一点：multi-agent 虽然能提升 90%，但代价是 token、latency、调试复杂度都飞涨。

启示 2:优先加固 Harness，而非等更强的模型(对所有人)

问题场景:你或你的团队在用某个 agent 做事情，效果不理想。

错误做法:

• “这是模型能力问题，等 GPT-5 / Claude Opus 5 吧”
• 换一个更贵的模型

正确做法:

• 首先问:这是 Harness 的哪一层出了问题?
  • Prompt 层:指令不够清晰?
  • Context 层:关键信息没给到?检索结果排序有问题?
  • Pattern 层:没用 Planner/Evaluator split?没用 Approved Fixtures?
  • Primitives 层:Verification 不够?Guardrails 太松?
• 加固 Harness:记录失败 case，设计 pattern 防止再犯

HumanLayer 的信条:“It’s not a model problem. It’s a configuration problem.” (这不是模型问题，而是配置问题。)

Viv Trivedy 的实践验证了这一点:他的团队只改 harness、不改模型，就从 SWE-bench 排行榜的 Top 30 跳到 Top 5。Anthropic 的实验也显示，同一个 Opus 模型在 Claude Code 里和在自定义 harness 里跑，差距可以达到数十个百分点。

对非工程师的意义:当工程师跟你说”这个事模型不行”时，你可以反问:”你确认过 Prompt/Context/Pattern/Primitives 各层都没问题吗?有没有可能不是模型问题?”这是一个非常有用的判断框架。

启示 3:在 Pattern 层积累，避免重复造轮子(对工程师和技术决策者)

问题场景:每个新项目都从零设计 agent 架构。

错误做法:

• 每次都重新思考:”怎么让 agent 不自评太宽松?怎么跨 session?”
• 每个项目的 harness 设计都不同，无法复用

正确做法:

• 建立你的 Pattern 库:
  • Initializer + Coding Agent
  • Planner / Evaluator Split
  • State Outside Context
  • Progressive Disclosure
  • …
• 新项目时，先看哪些 Pattern 适用，组合使用
• 发现新的有效 Pattern 时，抽象出来，加入库

这就是为什么 Anthropic、LangChain、学术界都在总结 Pattern——让后来者站在巨人肩膀上。

对决策者的意义:评估一个 agent 项目时，不要只看用了什么 framework，要看用了什么 Pattern、Pattern 选得对不对。一个用对了 Pattern 的简单 framework，效果远好于一个堆砌了所有 framework 但 Pattern 选错的系统。

启示 4:理解 Framework 边界，做出合理选择(对工程师和技术决策者)

问题场景:选择 Agent framework。

错误做法：

• “Claude Code 功能最多，就用它”
• “LangGraph 最灵活，就用它”

正确做法：

启示 5:Loop 是优化，不是必需(对所有人)

问题场景:听说自动化的 agent 系统很火，要不要用?

错误做法：

• 一上来就设计自动化：定时任务、自动触发、自动 prompt
• 还没验证 Agent 能否完成任务，就考虑自动化

正确做法：

• 自动化是自动化手动流程，所以先把手动流程跑通：
  1. 手动启动 Agent
  2. 手动检查结果
  3. 手动决定下一步
• 流程稳定后，问自己：
  • 这个流程需要频繁重复吗？（CI 检查、PR review）
  • 我是瓶颈吗？（半夜也要盯着？）
  • 状态可以持久化吗？（有文件可以传递状态？）
• 三个都是”是”，才考虑自动化

Stripe Minions 的 1300+ PR/week 不是一天建成的，是在手动流程验证有效后才自动化的。OpenAI Codex 的 5 个月项目也是先验证了 Agent 能力，再设计持续运行的系统。

启示 6:用 Design Axes 描述系统，而非简单标签(对所有人)

问题场景:向团队、上级、客户介绍你的 Agent 系统。

错误做法：

• “我们用的是 multi-agent 架构”
• “我们做了自动化”

正确做法：

• 用 8 个 Design Axes 精确描述：

  我们的系统：
  - topology = multi（3 个专门 agent）
  - coordination = orchestration（lead agent 派活）
  - session span = multi-session（用 artifact 传状态）
  - control loop = Plan-Execute
  - memory = long-term shared（project-level artifact）
  - verification = computational（unit test + typecheck）
  - tool type = env + verify（bash + MCP + test runner）
  - compaction = sliding window
  

这比说”multi-agent + 自动化”清晰得多，团队成员能立刻理解设计意图。

最后的建议

1. 记住公式:Agent = Model + Harness
2. 记住信条:”It’s not a model problem. It’s a configuration problem.” (这不是模型问题，而是配置问题。)
3. 记住原则:用连续的设计轴思考，而非离散的分类 —— agent 系统不是”单 agent / 多 agent”的二元归类，而是在 topology、coordination、autonomy、execution isolation 等 10 个 axes 上各选一个值的组合
4. 记住顺序:Prompt → Context → Harness Pattern → Harness Framework → 自动化(从简单到复杂)
5. 记住关系:自动化 ∈ Pattern ⊂ Harness;Context ⊂ Harness;Multi-agent ∈ topology axis

最重要的:分层思考，让每一层的概念各归其位，沟通和设计都会清晰很多。

---

关于这篇文章

本文基于对 AI Agent 领域的调研整理而成。文章的目标不是教程，而是一张概念地图——希望它能帮你在术语轰炸的时代，找到讨论这些概念的共同语言。

无论你的角色是什么——工程师、产品、决策者、研究者、学生，或只是一个想搞懂这些概念的人——只要这篇文章让你在下次讨论时多了一份清晰，它的目的就达到了。

如有疑问或不同观点，欢迎交流、讨论、指正。

参考文献

核心论文

1. Liu et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. TACL 2024.

2. Modarressi et al. (2025). NoLiMa: Long-Context Evaluation Beyond Literal Matching. ICML 2025.

3. Wei et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022.

4. Wang et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. ICLR 2023.

5. Brown et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020.

6. Code as Agent Harness: Toward Executable, Verifiable, and Stateful Agent Systems.

7. Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures.

8. Natural-Language Agent Harnesses.

9. Recursive Agent Harnesses (RAH).

工业界实践

10. Anup Jadhav – Harness Engineering: The Outer System That Makes Agents Reliable.

11. Addy Osmani – Agent Harness Engineering.

12. Addy Osmani – Loop Engineering.

13. Louis Bouchard – Harness Engineering: The Missing Layer Behind AI Agents.

14. Anthropic – Effective Harnesses for Long-Running Agents.

15. Anthropic – Harness Design for Long-Running Application Development.

16. Anthropic – How We Built Our Multi-Agent Research System.

17. Martin Fowler / Birgitta Böckeler – Harness Engineering for Coding Agent Users.

18. LangChain – The Anatomy of an Agent Harness.

19. LangChain – Choosing the Right Multi-Agent Architecture.

20. HumanLayer – Skill Issue: Harness Engineering for Coding Agents.

21. Stripe / Alistair Gray – Minions: Stripe’s one-shot, end-to-end coding agents.

22. Viv Trivedy – HaaS: Harness-as-a-Service.

23. OpenAI / Ryan Lopopolo – Harness engineering: leveraging Codex in an agent-first world；可访问镜像：Jay Taylor’s notes.

Context Engineering 相关

24. Tobi Lütke (Shopify CEO, 2025-06) – “I really like the term ‘context engineering’ over prompt engineering”.

25. Andrej Karpathy (2025-06) – “+1 for ‘context engineering’ over ‘prompt engineering'”.

26. Simon Willison – Context Engineering.

27. LangChain – Context Engineering for Agents.

28. Agenta – The Guide to Structured Outputs and Function Calling with LLMs.

29. Bsharat et al. (2023). Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4.

30. Leviathan, Kalman, Matias (Google Research, 2025). Prompt Repetition Improves Non-Reasoning LLMs.

31. The Power of Noise: Redefining Retrieval for RAG Systems.

32. In Defense of RAG in the Era of Long-Context Language Models. (OP-RAG)

33. Anthropic – Prompt Caching with Claude.

34. Anthropic – Prompt Caching Documentation.

---