pi 所属公司 Earendil 联合创始人Colin Daymond 写了篇文章讲 harness，偏科普向

开篇将 agent harness 比作攀登安全带，后者有两个作用：

- 承托你并保障安全，它连接的锁扣与绳索这些装备，可以防止坠落、调节攀登节奏并引导路线
- 可以挂载其他工具

当你攀登不同山峰或尝试不同路线时，可以携带同一套安全带。根据地形特征，你也可以调整安全带的配置及装备环上的挂载物。

攀登 harness 和 agent harness 在结构功能上存在诸多相似之处。

agent harness 通常具备四大核心功能：

- 系统提示
- 工具
- agentic loop
- 翻译层

1、系统提示词

它更像是新员工入职时收到的工作指南。模型虽未完全内化这些指令，但明白执行相关任务时应当遵循。系统提示会随每次用户输入一同注入对话流程，在确保 AI 模型于特定框架内恰当行为方面起着关键作用。

2、工具（tools）

工具是一组以代码编写的能力，模型可以对其进行“调用”。工具框架不仅描述这些工具，还提供作为工具本身的软件实体。这类工具的实例可能包括网络搜索工具、允许模型编写和执行软件代码的工具，或允许模型撰写电子邮件的工具。关键在于，工具框架通常不会规定人工智能模型何时及如何使用工具；相反，它只是使工具可用，对其进行清晰描述，并允许人工智能模型自行决定何时以及如何使用它们。

3、agentic loop

这里作者以 agent 的实际运作进行了举例说明：

现在我们有一个 AI 模型运行于 agent harness中，配备了一系列指令和工具。假设我们的框架专为电子邮件环境设计，配备了前述工具（网络搜索、代码编写、邮件撰写），且用户要求 agent 比较并测试本地小学的排名情况并给出推荐建议。

agent 会如何运作？

首先，它会尝试理解这项请求（或称"提示词"）。它将运用预训练知识和模型权重来理解"小学"的定义、"本地区域"的范围，以及用户可能关注的排名类型。

随后它将构建网络搜索查询以获取最新数据。

对于搜索结果它会如何处理？

在 harness 中，AI 模型能结合初始请求的背景来审阅这些结果。它可能判定首次搜索未能获取准确信息或信息不足，并自主决定再次执行搜索。这种基于自主判断再次调用工具的行为，正是"循环"机制的首个清晰体现。

现在假设它已收集完所有相关数据。

AI 模型决定使用"代码编写"工具创建一份电子表格。

接着将电子表格与原始提示词进行比对。若数据不符合要求，它可能会"循环"回去重新搜索。

当判断信息足够时，它会调用 ComposeEmail——这个工具允许 AI 审阅发现的内容、进行总结、撰写邮件，并附上电子表格等附件。

模型会最终审阅这份成果，并确认任务完成。

"agentic loop"就此闭合。

用户将在数秒内收到一封邮件：正文包含总结与建议，附件则是呈现研究发现的电子表格。

4、翻译层

翻译层是 harness 得以兼容不同 AI 模型的关键所在。在某些情况下，harness可能会在同一个 agentic loop 中调用不同模型，因为不同 AI 模型各自在特定任务上更具优势。翻译层同时也是 harness 的核心要素，因为它将控制权交还给终端用户——这意味着使用者可以带着自己的 AI harness，搭配 Anthropic 或 OpenAI 的模型使用，亦可探索那些往往具备高性价比的开源 AI 模型。

---

与 AI 模型本身不同，你可以拥有并定制这个 harness 。就像登山 harness，你可以让它完全属于你。

链接：earendil.com/posts/what-is-a-harness