前段時間我們在講LLM與環境的交互關係時，有講解到Harness的架構。看到這裡，你也已經稍微理解了Agent的工作原理 ---LLM通過ReAct循環，在上下文的輔助下使用工具完成任務。

ㄟ，但是、但是，這套基本機制是有效的，同時也暴露了明顯的缺點，模型可能產生幻覺(編造不存在的工具或參數)、選錯工具、卡在思考循環而無法恢復。一個能跑的Demo和一個可靠的產品之間差異還是非常大的，而這些脆弱則是Harness Engineering要解決的問題。

前面的章節建立了 "Agent = LLM + 上下文 + 工具" 的最小公式。也明確了Agent與Environment的邊界。從Harness engineering的角度去看，可以把LLM視為核心組件Model，把Agent邊界負責支撐模型運行與環境交互的程式、配置、服務統稱為"Harness"。

這兩個視角並非替代關係，而是不同抽象層次上對同 --Agent實現的描述。 Harness的核心是原公式中的"上下文管理 + 工具接口"，再加上3層保障機制：約束(限定Agent能/不能做的事)、驗證(檢查Agent做得對或錯)、糾正(做錯如何補救)。

最小Demo只需Model和能構造上下文、暴露工具的Harness;生產系統還要在同一邊界內加入約束、驗證、糾正。
例如：退款Agent可以把規則放進上下文、用權限和金額規則約束調用、用數據庫狀態驗證結果，並在超時時重視或回退。
Harness工程研究的就是這層"模型之外、環境之內"的運行與治理程式。

更準確地來說，"Harness不是模型之外的一切，而是Agent邊界內、模型之外的運行與管理層"。它負責協調Model與Environment的交互，但不包含"與之交互的環境本身"：工具定義、調用適配器、沙盒的權限與重置機制屬於Harness; 沙盒內隨行動變化的進程、外部數據庫、網頁、用戶及物理世界屬於Environment。物理部署位置也不能決定概念歸屬 --即便仿真環境與Agent運行在同一過程中，它仍然是Environment。Harness的核心是上下文管理與工具接口，圍繞他們建構"3類工程化保障機制"。

好了，今天講得內容有些抽象還有些多，該下課了，明天繼續。

分享一個私藏已久的repo，關於深度學習的知識，大家可以反覆觀看，非常好的東西
GitHub: https://github.com/scutan90/DeepLearning-500-questions