Skip to main content

Agentic Engineering 智能体编排

只是一个上下文助手-Agent工程化

我们知道当前不管是Code、Cowork 以及 比较火的OpenClaw 等助手类的Agent，不外乎两个特点

  1. 所有的自洽和逻辑都只能维持在当前的上下文
    1. 上下文可以被动态的追加、压缩、整理、拼接
  2. 外挂一些固定的处理接口：Task、SubAgent、Skills、Mcp等等
    1. 支持额外的记忆
    2. 支持和现有一些软件的控制、执行
    3. MCP 支持现有一些服务的的对接
主要的问题
  1. 上下文局限性，决定了不能进行大范围，高深度的思考
    1. 使用有限的上下文处理经过拆分的大范围的知识片段会非常的繁琐
    2. LLM本身存在的抽象深度问题，智商不够
  2. 动态学习能力的欠缺
  3. 效率低
    1. LLM需要深度思考
    2. 拆解大任务成很多的小任务
智能体的自动编排

LLM比喻成一个计算器，那么Agent的目标就是，使用计算器开发一个编译器

TodoWrite类语义是LLM一种内置的自动编排技能

人性化

作为一个工具，虽然不是所有的场景需要人性化，比如编译器，秒表。

但是很多工具的瓶颈就是缺少人性化。比如

  1. 个人助理Agent在比价需要购买的物品过程中遇到的各种非正常情况
  2. 我想去洗车，洗车店距离我家 50 米，我应该开车过去还是走过去？

人性化的可能途径和前提：

  1. 支持意识和自我的信息处理，也就是情商，能理解和处理人类的一些抽象的高层级的复杂情感、人文信息
  2. 具有存储和实现意识/自我的实际载体

Harness

这套方法不是理论上的概念，而是一种 工程结构（Engineering Structure）：
让 Agent 不再“一口气做完所有事”，而是像一个真正的软件工程师一样：

  • 从一个明确定义的 feature list 开始
  • 初始化项目骨架
  • 每轮做一小步、只做一个 feature
  • 每轮产生可追踪的 artifact 和 commit
  • 保持项目状态的连续性
  • 通过日志、文件结构、状态缓存持续“记住”上下文

最关键的约束：Agent 永远在“小步快走”，这样才能跨数十轮保持稳定

  • 拥有持久化工作空间（workspace）
  • 拥有 feature list / task list
  • 拥有日志、状态、内存
  • 通过一轮轮 “patch + commit” 前进
  • 由 harness 保证其 可控性、稳定性和可追踪性

Agent Harness 是包裹在 LLM 外层的一套编排系统。它的核心作用是将不确定的模型行为转化为稳定、高效的生产力。

  • Instructions（指令系统）： 包含 System Prompt 和动态规则（Rules）。
  • Tools（工具集）： 赋予模型“手脚”，如文件读写、终端执行、搜索能力。
  • User Messages（交互流）： 用户的指令以及上下文的维护。

Back to top