AI Agent 架构反思：harness 变薄与单多智能体权衡

近期，关于 AI Agent 执行框架的设计方向与架构选型引发了社区的深度反思。随着底层模型能力的快速提升，传统的固定流水线式 harness 正面临挑战，核心议题在于：如何避免过度工程化，并在单智能体与多智能体架构之间做出合理的权衡。

harness 变薄与过度工程化风险

@xiaohu 转述 Anthropic 的观点指出，套在模型外面的 harness 正在变薄。过去很多外层流程是基于“模型做不到什么”来写死规则的，但这些假设正快速过期。@danshipper 转发的文章也印证了这一点，认为给智能体堆砌过多手工设计的 Agent Skills 属于过度工程化，这反而会让后续更强的模型发挥不佳，降低系统的泛化与升级能力。此外，@DanielKhashabi 转发的线程提出，在推理模型和“学会用工具”之后，下一步应把 agent loop（包含规划、工具调用、错误恢复、验证等）本身内化进模型中。

专用 harness 与生产环境的取舍

针对“变薄”的趋势，@bendee983 提出了基于应用成熟度的补充视角。他认为通用 harness 确实适合探索或一次性任务，但当应用逐渐成熟并进入生产环境时，规则会变得更明确，此时构建任务专用 harness 才能同时满足多方面的生产需求。此外，@kashifmanzoor 提醒开发者在立项前应先评估任务是否真的需要 Agent，而 @brandongalang 补充道，当工作需要放大产出时，模型选择会变得极为关键，因为任务中的歧义最终需要由环境、人工或模型来消化。

单智能体与多智能体架构的权衡

在架构选型上，@UsedMorning9886、@mdancho84 与 @shyaaaaaaaaaaam 均指出，多智能体架构本质上是可靠性与并行性的权衡，而并非能力上的升级。如果工作流是依赖性的顺序步骤，盲目使用多智能体反而会增加调试成本，此时单智能体往往就足够用了。

从静态图到自我改进型架构

在框架底层架构的演进上，@bingxu 结合自身开发 Triton GPU kernel generation 的实战经验进行了复盘。他提到，早期被批评为“只是一个循环”的架构，实际上是“自我改进型 harness”的雏形。虽然受 PyTorch 启发的动态异步图看似先进，但因缺乏适应性在复杂任务中表现不佳。@bendee983 也进一步强调，随着 agent 系统复杂度增加，让执行框架变得可优化、可自我调整的 harness engineering 将更加重要。此外，@prasannasays 强调了 agentic infra 的价值，认为真正决定效果的往往不是单一的 LLM，而是 LLM 与编排层结合后的整体系统组合泛化能力。

2026-07-19 ~ 2026-07-21 · 13 条相关

一手来源