本文详细解析了Agent Harness、Loop工程和Graph工程的概念与区别,旨在帮助初学者理解这三层架构在构建大模型系统中的应用。通过阐述环境搭建(Harness)、反馈循环(Loop)和流程图设计(Graph)的重要性,文章强调了三者协同工作对于提升系统可靠性、实现迭代优化及控制复杂执行路径的关键作用,为读者提供了实用的技术指导。

Agent Harness 工程、Loop 工程与 Graph 工程
这种混淆并不奇怪。三种工程方法都围绕同一个模型展开,都会影响系统可靠性,而且三者内部都可能包含“循环”。但它们并不是同义词,而是在描述不同的工程决策。一旦 Agent 不再停留在演示用的 Notebook 里,而是开始操作文件、调用 API、服务客户或修改生产代码,这些区别就会变得非常重要。
30 秒讲清楚
- Agent Harness 工程:构建模型周围的运行基础设施。
- 循环工程(Loop Engineering):设计反复执行、获取反馈和继续改进的工作周期。
- 图工程(Graph Engineering):把工作流拓扑显式表示出来,包括节点、分支、汇合、状态转换和受控循环。
最简洁的理解方式是:环境 → 反馈 → 流程。
为什么这些概念突然变得重要
单独一个裸语言模型无法创建文件、维护项目状态、运行测试套件、查看浏览器、执行审批规则,也无法重新启动失败的任务。这些能力都来自模型所处的运行环境。随着 Agent 软件逐渐成熟,一套相对标准的工程栈正在形成:底层是负责真正运行模型的 Agent Harness;其上是负责重复执行和质量检查的 Loop;最后是用来刻画完整执行路径的 Graph。
译注:原文此处写的是 “cannot create text”。语言模型显然能够生成文本,结合后文的 filesystems、workspace 和生产任务语境,原作者应当是想表达 “cannot create files”。译文按上下文校正为“无法创建文件”。
这些术语目前仍没有完全统一的标准定义。在当下的讨论框架中,Agent Harness 正逐渐形成相对明确的含义;Loop Engineering 是 2026 年开始在从业者中流行起来的新说法;Graph Engineering 则不必被理解成一个独立的学术领域,它在这里指的是:把 Agent 工作流实现为显式的有向图或状态机。
这种区分的价值在于,它可以阻止流行词掩盖真正的设计问题。

三种工程层的对照
Agent Harness 工程
LangChain 对 Agent 的描述是:Agent = 模型 + Harness。其中 Harness 指模型之外的代码、配置和执行逻辑。实际系统通常包括:
- System Prompt
- Tool Definitions
- Memory
- Filesystem
- Sandbox
- Model Routing
- Handoff
- Middleware Hooks
- Context Compaction
- Permissions
- Logging
- Verification Interfaces
OpenAI Agents SDK 从运行时角度描述了同一个核心过程:Runner 调用模型、执行 Tool Call、处理 Handoff、携带 State,并且只在本次运行到达真正的终止条件时停止。

Agent Harness 的组成
“Harness”这个词很有用,因为它迫使工程团队把注意力从模型崇拜转移到工作系统本身。两支团队即使使用完全相同的基础模型,也可能得到截然不同的结果:一支团队给模型提供清晰的工具、稳定的 Workspace、受约束的权限和可观察的状态;另一支团队只提供一个含糊的 Prompt,再套上一层不可靠的 API Wrapper。模型的智能水平也许差不多,但工作条件完全不同。
一套严肃的 Harness 通常包含:
- 上下文注入(Context Injection):指令、检索到的事实、对话状态、Skills 和任务专用策略。
- 行动界面(Action Surfaces):API、Browser、Shell、Code Interpreter、Database 和兼容 MCP 的工具。
- 持久化(Persistence):文件、Checkpoint、Session、Progress Log、Git History 和 Long-term Memory。
- 执行控制(Execution Control):Timeout、Retry、Budget、Model Routing、Subagent 创建和 Approval Gate。
- 安全与治理(Safety and Governance):权限、隔离、Allowlist、Secret Handling 和人工授权。
- 可观测性(Observability):Trace、工具输入与输出、状态转换、成本、延迟和评测结果。

模型外部的 Harness
模型处在一个更大的 Harness 之中。这个 Harness 负责上下文、控制、行动、持久化和验证。
可以用一个简单方法识别 Harness:从架构图中拿掉模型,剩下的大多数部分都属于 Harness,例如工具、数据访问、状态存储、Sandbox、Middleware、Evaluator、Retry Policy 和 UI。
Harness 工程在什么地方最有价值
Harness 工程对长时间运行的任务尤其重要。在多 Session 编码任务中,Anthropic 发现,仅仅依赖 Context Compaction 并不够。真正有效的方案并不是换一个“更好的 Prompt”,而是搭建一套更好的工作系统:
- 创建初始化程序;
- 维护 Progress File;
- 保留 Git History;
- 坚持增量工作;
- 让每个新 Context 都能理解此前发生了什么、还有哪些工作没有完成。
当 Agent 缺少某项能力、无法干净地恢复任务、频繁丢失状态、访问范围过大、无法审计,或者在不同环境中表现不一致时,应优先改进 Harness。
循环工程(Loop Engineering)
每个能够调用工具的 Agent,内部都包含一个小型循环:
-
1. 调用模型;
-
2. 查看模型输出;
-
3. 执行工具;
-
4. 把 Observation 重新输入模型;
-
5. 重复上述过程,直到模型返回最终答案。
当工程师有意识地在这个基础循环外继续设计或叠加新的周期时,就进入了循环工程。
例如:
- 验证循环(Verification Loop):Agent 生成产物,系统运行确定性检查或 Grader,把明确的失败证据反馈给 Agent;只有存在证据性错误时才重试。
- 事件驱动循环(Event-driven Loop):当 Schedule、Webhook 或新文档到达时唤醒 Agent。
- 改进循环(Improvement Loop):分析 Trace 和失败案例,修改指令或工具,再测试新版本是否真的变得更好。
LangChain 在 2026 年的表述是:这是一组相互叠加的循环,而不是一个神奇的 while 语句。
一个设计良好的循环包含什么
- Trigger:什么事件触发下一轮,例如用户请求、定时任务、失败的测试、新数据或 Evaluator Feedback。
- Goal:一个可以判断是否已经到达的具体状态,而不是模糊的“继续改进”。
- State and Memory:下一轮真正需要知道的内容,而不是把所有历史重新播放一遍。
- Action Policy:Agent 可以修改什么、调用什么、委派什么,以及可以消耗多少资源。
- Evidence:测试、Schema Validation、Citation、Diff、Metric 或 Human Review。
- Feedback:对证据为何不通过所做的简洁、可执行说明。
- Stopping Rule:成功、预算上限、Timeout、不可恢复错误或升级给人工处理。

文档编写验证循环
验证循环是在 Agent Loop 外再包一层外部 Grader,并设置明确的通过条件。
不要根据“信心”循环,要根据“证据”循环。
“Agent 说自己做完了”不是终止条件。真正的终止条件应该是:“测试通过、链接可以访问、Schema 验证成功,并且 Reviewer 已批准。”
为什么循环工程不只是 Prompt Engineering
Prompt 规定模型在一次调用中应该做什么;Loop 规定系统在调用结束之后应该做什么:
系统如何观察结果、选择反馈、判断是否继续、持久化进度并最终终止。
Prompt 质量依然重要,但循环把一次性的指令变成了一个受管理的过程。它的主要代价是成本和延迟:每增加一个 Grader、Reviewer 或 Retry,就会增加一次模型调用或工具执行。
Anthropic 给出的总体建议是:优先选择能够完成任务的最简单架构,只有当性能提升足以抵消复杂性时,才增加 Agentic Complexity。循环同样遵循这条原则:只有当失败成本高于验证成本时,才值得增加循环。
图工程(Graph Engineering)
图工程提出的是另一个问题:不仅要知道 Agent 做什么,还要明确下一步允许哪个组件运行。
在 Graph 中:
- 工作步骤表示为 Node;
- 允许发生的状态转移表示为 Edge;
- Edge 可以表达顺序执行、条件分支、并行 Fan-out、Join、Loop 和 Human Interrupt;
- State 在图中流动;
- 拓扑结构使预期控制流能够被检查和约束。
LangGraph 是面向长时间运行、有状态 Agent 的底层编排基础设施,提供 Durable Execution、State 和 Human-in-the-loop Control。它强调的是对 Agent 执行过程的控制,而不是把工作流隐藏在高层抽象后面。
Microsoft AutoGen 的文档给出了非常直接的判断标准:当你需要精确控制 Agent 的执行顺序、针对不同结果选择不同的下一步、实现确定性分支,或处理包含循环的复杂多步流程时,就应该使用 Graph。
图工程实际要决定的是:
- Node Boundaries:哪些工作由确定性函数、LLM Call、Specialist Agent 或 Human Review 完成。
- State Schema:每个 Node 可以读取或更新哪些字段,并行更新如何合并。
- Routing Conditions:哪些证据会让任务向前、向后、横向流转,或者升级处理。
- Concurrency:哪些步骤可以并行,哪些步骤必须 Join,共享资源如何协调。
- Cycles and Exits:哪些位置允许重试、最多重试多少次,以及如何保证循环安全。
- Durability:在哪些位置保存 Checkpoint,中断后如何恢复执行。

AutoGen Studio 中的图式工作流
上图中的 Canvas 把 Agent、Skill 以及它们之间的关系组织成一个可检查的组合系统。这里的 Graph Engineering 指的是基于图的执行工程,不要把它和知识图谱工程混为一谈:
- 知识图谱中的图表示数据实体及其关系;
- 工作流图中的图表示控制流和状态转换。
什么时候值得引入 Graph
当流程包含有意义的分支、并行工作、审批、恢复路径或多个 Specialist Agent 时,Graph 很有价值。
如果任务只是“给一个 Agent 三个工具,然后让它自己工作”,Graph 往往没有必要。Graph 可以改善调试,但也可能过早冻结团队的假设。如果模型需要动态制定计划,却强行把所有可能路径预先画进图里,系统反而会变得更脆弱。
三层架构如何在真实系统中协同工作
假设有一个研究与发布 Agent,负责生成一份事实准确的行业简报:

研究与发布 Agent 中的 Harness、Graph 与 Loops
这里存在明显的嵌套关系:
-
1. Graph 运行在 Harness 之中;
-
2. Graph 的一个或多个节点内部包含 Loop;
-
3. Harness 为这些 Loop 提供 State、Tools 和 Evaluator。
这些类别会发生重叠,因为软件层本来就会重叠。但当系统出错时,三层架构分别为团队提供了不同的改进抓手。
根据故障选择要改进的工程层
| 症状 | 优先检查 | 可能的修复方式 |
|---|---|---|
| Agent 无法安全访问正确的数据或工具 | Harness | 改进 Tool Contract、权限、Sandbox 和 Context Injection |
| Agent 在不同 Session 之间忘记进度 | Harness | Durable State、Checkpoint、进度产物和 Compaction |
| 第一次结果通常接近正确,但不够可靠 | Loop | 外部 Grader、确定性测试、Feedback 和 Bounded Retry |
| Agent 在成功后仍继续工作,或尚未证明成功就提前停止 | Loop | 基于 Evidence 的 Terminal State 和考虑预算的 Stop Rule |
| 多个 Specialist 必须按受控顺序运行 | Graph | 显式 Node、Edge、Routing Condition 和 Join |
| 多步流程中的失败位置难以确定 | Graph + Harness | 让 Stateful Trace 与 Graph Node、State Transition 对齐 |
| 工作流变化太频繁,不适合固定图 | 更简单的 Harness | 继续由模型主导控制,推迟 Graph 形式化 |
薄弱 Agent 架构背后的高成本错误
1. 还没理解工作,就先构建 Graph
有些团队甚至没有观察过一个能力足够强的 Agent 会怎样解决问题,就先把业务流程拆成几十个 Node。更合理的做法是:先从简单 Harness 中收集真实 Trace,再把其中稳定的执行路径形式化为 Graph。
2. 让同一个模型既写答案又负责评分,却没有任何保护措施
Self-review 有一定帮助,但写作者和评分者容易共享同样的盲点。应该尽可能使用确定性检查,给 Reviewer 提供独立 Context,并对高影响操作强制要求人工批准。
3. 把“继续尝试”当成循环规范
无上限的 Retry Loop 是成本泄漏。每个 Loop 都必须具备:
- 可度量的目标;
- 新的 Evidence;
- 最大尝试次数;
- 明确的升级路径。
4. 把 Harness 当成什么都往里塞的垃圾场
更多工具和更多 Memory 并不一定更好。工具集越拥挤,选择错误越多;Context 越嘈杂,模型越容易混乱;权限越宽,风险越大。
5. 把编排故障归咎于模型
模型无法稳定弥补过期的 State、含糊的 Tool Schema、损坏的 API 或缺失的 Exit Condition。应该改进真正拥有该故障的工程层。
面向生产环境的设计检查清单
- Harness:工具是否足够聚焦、文档清楚并可观察?State 是否持久化?权限是否遵循最小权限原则?操作人员能否暂停、检查并恢复一次运行?
- Loop:什么 Evidence 能证明成功?失败时会返回什么 Feedback?允许重试多少次?预算耗尽后会发生什么?
- Graph:哪些路径必须是确定性的?哪些工作可以并行?哪些 State 需要共享?人工 Gate 和恢复路径在哪里?
- Evaluation:团队能否 Replay 真实 Trace、比较不同版本,并把改进归因到某项具体修改,而不是凭直觉判断?
- Operations:生产环境是否监控成本、延迟、失败率、人工介入率和任务级成功率?
记住三者区别的最简单方法
- Agent Harness 工程让模型具备实际工作的环境与能力。
- 循环工程让工作过程能够迭代、验证并恢复。
- 图工程让复杂执行路径变得显式、可检查、可控制。
三者无法互相替代。
如果 Harness 已经丢失了 State,那么 Graph 画得再漂亮也没有用。反过来,即使拥有最完善的 Harness,如果系统没有 Evidence 和 Stop Rule,也只会持续浪费成本。精心设计的 Loop 如果仍被埋在临时代码里,遇到分支、并行和审批时同样很难维护。
只有把这三层架构放在一起设计,并且明确每一层究竟要解决什么问题,才能构建出可靠的 Agent 系统。
最后
2026年技术圈的分化愈发明显:降薪裁员潮持续蔓延,传统开发、测试等岗位大批缩水,不少从业者陷入职业焦虑;与之形成鲜明对比的是,AI大模型相关岗位迎来疯狂扩招,薪资逆势飙升150%,大厂更是直接开出70-100W年薪,疯抢具备实战能力的大模型人才,甚至放宽年龄限制,只求能快速落地技术、创造价值!
很多程序员、职场新人纷纷入局大模型领域,绝非盲目跟风,而是实实在在看到了不可替代的价值优势,这也是2026年最值得抓住的职业风口:
1、窗口期红利,入门门槛友好:不同于成熟赛道的“内卷式招聘”,2026年大模型人才缺口巨大,简历只要达标(掌握基础AI应用+具备简单项目经验),年龄、学历均非硬性要求,小白可快速入门,转行程序员也能无缝衔接;
2、技术可复用,上手速度翻倍:如果你有前后端开发、测试、数据分析等基础,在大模型落地、系统部署、Prompt工程等环节会更具优势,无需从零开始,复用原有技术能力就能快速进阶;
3、懂业务更吃香,竞争力翻倍:单纯懂技术已不够,2026年大厂更看重“技术+业务”的复合型人才,有垂直领域(金融、医疗、工业等)经验者,能精准定位模型落地痛点,薪资比纯技术岗高出30%以上;
更重要的是,即便没有转型需求,用AI大模型工具为工作赋能、提升效率,也已经成为80%企业的硬性要求——不会用大模型提效,未来很可能被行业淘汰!

那么2026年,小白/程序员该如何高效学习大模型?
很多人想入门大模型,却陷入两大困境:要么到处搜集零散资料,不成体系,越学越懵;要么被收费高昂的课程割韭菜,花了钱却学不到实战技能,白白浪费时间走弯路。
今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包,覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程,所有资料均已整理归档,无需拼凑,直接领取就能上手学习,小白可照做,程序员可进阶!

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线
这份学习路线结合2026年行业趋势和新手学习规律,由行业专家精心设计,从零基础到精通,每一步都有明确指引,帮你节省80%的无效学习时间,少走弯路、高效进阶,避免踩坑。

2、从0到进阶大模型学习视频教程
从入门到进阶这里都有,跟着老师学习事半功倍。

3、大模型学习书籍&电子文档
涵盖2026年最新技术要点,包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告
报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容,还有2026年中文大模型基准测评报告、AI Agent行业研究报告等,帮你站在行业前沿,把握技术风口。

5、大模型项目实战&配套源码
项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向,还有视频配套代码,手把手教你从0到1完成项目开发,既能练手提升技术,又能丰富简历,为求职和职业发展加分。

6、2026大模型大厂面试真题
2026年大模型面试已全面升级,不再单纯考察基础原理,而是转向侧重技术落地和业务结合的综合考察,很多程序员和新手因为缺乏针对性准备,明明技术不错,却在面试中失利。

适用人群

四阶段学习规划(共90天,可落地执行)
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
-
硬件选型
-
带你了解全球大模型
-
使用国产大模型服务
-
搭建 OpenAI 代理
-
热身:基于阿里云 PAI 部署 Stable Diffusion
-
在本地计算机运行大模型
-
大模型的私有化部署
-
基于 vLLM 部署大模型
-
案例:如何优雅地在阿里云私有部署开源大模型
-
部署一套开源 LLM 项目
-
内容安全
-
互联网信息服务算法备案
-
…
👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗?
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理,现任上海殷泊信息科技CEO,其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证,服务航天科工、国家电网等1000+企业,以第一作者在IEEE Transactions发表论文50+篇,获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目,无论你是小白还是有些技术基础的技术人员,这份资料都绝对能帮助你提升薪资待遇,转行大模型岗位。


这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

6万+



被折叠的 条评论
为什么被折叠?



