Agent Harness 运行框架
概述
Agent Harness 运行框架是包裹 LLM Agent 的工程层，负责状态持久化、错误恢复、检查点管理和资源控制，使 Agent 能够跨多个上下文窗口连贯地执行长时任务。
关键内容
- 核心职责：
- 状态持久化：跨会话保存 Agent 进度，避免因上下文窗口限制导致早期决策被遗忘
- 错误恢复：在工具调用或 API 错误时优雅处理，而非直接失败
- 检查点管理：周期性保存可验证状态，支持从中间点恢复
- 监控追踪：记录 Agent 行为模式，便于调试和诊断
-
资源管理：控制 token 消耗和 API 调用频率
-
与 Agent 能力的互补关系：
- 优秀的 Harness 不是弥补 Agent 能力不足，而是释放 Agent 能力
- Agent 不需要追踪自己的状态（Harness 负责）
- Agent 可以专注于当前步骤的推理，而非全局管理
-
Agent 出错时 Harness 提供缓冲，而非直接失败
-
长时任务的核心挑战：
- 任务执行时间往往超过单个上下文窗口所能承载的对话历史
- 代码库迁移等任务可能持续数小时
- 上下文窗口逼近限制后，Agent 可能重复已完成工作或忘记重要约束
-
单步错误在多步迭代中积累放大，传统"重启"策略成本极高
-
与分布式系统的类比：
- Harness 设计与 Saga 模式 高度相似
- 将长事务分解为可补偿的短步骤
- 每步成功后记录进度
-
失败时从最近检查点回滚或继续
-
设计原则：
- 采用 初始化-编码循环模式 分解长任务
- 使用 外化进度追踪 作为外部记忆
- 实施 检查点策略 基于可验证状态而非自我报告
- 防止 Agent 过早声明完成
来源
- raw/articles/ai-engineering/anthropic-engineering/claude-engineering/09_effective_harnesses.md — Effective harnesses for long-running agents
相关
- AI Agent 架构模式 — part_of（Harness 是 Agent 架构模式的一种具体实现）
- Agent 架构与设计原则 — relates_to（Harness 设计遵循的架构原则）
- 外化工作记忆 — implements（Harness 实现了外化工作记忆的机制）
- 错误复合 — prevents（Harness 防止错误在多步迭代中积累放大）
- 上下文窗口 — relates_to（Harness 解决上下文窗口边界问题）