企业官网建设流程全解析

Harness 边界

模型能力在拉平。能不能上线、敢不敢交给用户，取决于模型之外那一层。

Agent = Model + Harness Harness = 上下文管理 + 工具接口 + 约束 + 验证 + 纠正

Harness 是 Agent 边界内、模型之外的运行与治理层。它协调 Model 与 Environment，不包括 Environment 本身。工具定义、调用适配器、沙箱权限与重置属于 Harness；沙箱内变化的文件与进程、外部数据库、网页、用户、物理世界属于 Environment。仿真环境与 Agent 同进程部署，概念上仍是 Environment。

模型 / 上下文 / 工具

LLM 是决策核心，上下文决定观测空间，工具决定动作空间。模型固定时，扩展观测与动作空间往往比等模型升级更有效。很多任务不可解，不是模型不够强，而是观测缺失或动作不可用。

上下文经常是决定性因素。消融实验里，去掉工具定义或工具执行结果，会直接夺走行动与闭环能力；去掉其他部分，代价取决于信息能否从当前观测重建。

Manus 以隔离云端沙盒扩大动作空间。OpenClaw 借 WhatsApp、Telegram、Slack、Discord、iMessage 等已有消息渠道收发任务，本地 Gateway 连接 Google Drive、Notion 与本地文件系统，同时扩触达面和本地动作面。产品能力演进，很大程度上是观测空间与动作空间的演进。

通用 Agent 的共同特征：开放式动作空间、内部思考、持续交互。

工具体系

按职责分五类：

感知：搜索引擎、文件系统、API/数据库，提供观测

执行：代码执行、文件操作、系统命令、外部 API，改变环境状态

协作：委托子 Agent、关键点请求人类确认、多 Agent 协调

事件触发：邮件、定时、Webhook——外部事件驱动 Agent 启动，属于 Environment 向 Agent 提供观察的通道

用户沟通：主动向用户传递进展或信息

设计原则：通用基础能力用于组合与探索；高风险、强业务规则操作用专用工具约束。

模型与工具之间唯一通道是接口。接口模糊会被模型放大成系统性错误。要从 Agent 视角设计 ACI（Agent-Computer Interface），而不是传统程序员 API 视角——命名与参数要直观，易误用处从设计上消除错误可能（防呆，Poka-yoke）。

Harness 的重心

上下文管理 + 工具接口让 Agent 能做事；约束、验证、纠正让它不做错事。早期框架重心在前者，生产系统重心在后者。

Claude Code 是典型：文件读写、命令执行、搜索等工具只占小部分，大量代码是流程状态管理、多层上下文压缩、权限分类、熔断器、错误恢复。这里的熔断器指连续错误触发的自动停止重试。

行业在从「能做事」转向「可靠地做事」。Harness 工程因此成为核心竞争力。

工程范式：五层包含

提示工程 → 上下文工程 → Harness 工程 → Loop 工程 → Graph 工程。

层层包含：提示工程是上下文工程的子集，上下文工程是 Harness 的子集，Harness 是 Loop 的子集，Loop 是 Graph 的子集。单个 Agent 循环只是执行图中的一个节点。

上下文工程：系统化管理模型可见的全部信息（系统指令、工具定义、对话历史、外部知识）

Harness 工程：Agent 如何组织模型运行并与环境交互（上下文与工具接口 + 约束/验证/纠正/反馈/恢复）

Loop 工程：跨轮次持续自主运转——谁发现下一件事、何时验证、何时真正完成

Graph 工程：把 Agent 循环、确定性程序、人工审批编排成显式执行图；节点承担能力，边规定路由与依赖，结构化状态沿边传递并在关键边界持久化

LangChain 在 Terminal Bench 2.0 上得分从 52.8% 到 66.5%（30 名开外 → 前 5）。模型未变，变的是 Harness：自动检查执行结果、检测重复循环、优化思考策略。

模型能力趋同后，竞争优势在模型之外。

三个原则

保持简单。从最简方案开始，必要时才加复杂度。直接 API 调用优于复杂框架，清晰代码优于聪明抽象。每多一层抽象，调试就多一个盲区。

保持透明。规划步骤、执行日志、决策轨迹要可见。黑箱错误既无法定位也无法纠正；透明也是建立用户信任的前提。

设计好 ACI。从 Agent 视角设计接口，而非程序员视角。SIM 卡缺角、微波炉门未关不加热，都是「用设计消除错误」。

编排：从简单到复杂

顺序：单次 LLM 调用 → 工作流 → 自主 Agent。能通过优化提示词与上下文示例解决的，不要上 Agent；能清晰分解为固定子任务的，用工作流；需要动态决策与灵活路径的，才用自主 Agent。

权衡：Agent 系统通常用延迟和成本换更好的任务性能，需谨慎评估是否值得。

工作流优势是流程控制与安全性——关键步骤用代码强制（如「付款前不能预订」），执行路径确定，提示注入或模型错误最多影响当前节点，攻击面被限制在节点内。局限是缺乏变通：预设流程未覆盖的情况只能走异常分支或交还人类。

自主 Agent执行路径由环境反馈实时决定。自主不等于无限制，必须有停止条件：调用最终输出工具、模型返回无工具调用的响应、遇到错误、达到最大轮数。否则易死循环或过度执行。部署需沙盒测试、护栏、监控，关键决策点加人机检查点。

实践中二者常混合：合规关键流程用工作流，灵活决策切自主。n8n 可在同一系统中混用工作流节点与自主 Agent 节点。

主流框架在编排模式、开发方式和适用场景上的差异大致如下：

护栏三层 + 人工干预

单个护栏不够，需多层组合。同时警惕误拒绝：降低危险请求放行率时，可能误伤合法但形式敏感的任务（授权安全测试、模型蒸馏研究等）。评估护栏不能只测「该拦的是否拦住」，还要测「该放的是否完成」。

按被绕过难度分三层（越靠下越不依赖模型判断，越难被一次攻击穿透）：

上下文层管模型能看到什么，在内容进入上下文前拦截：相关性分类器、安全分类器（越狱 vs 提示注入）、内容审核、基于规则的保护（黑名单、长度限制、正则）。代表实践是 Anthropic Constitutional Classifiers：规则驱动生成合成训练数据；提问与回答联合判断；轻量探针全量扫 + 强分类器复审。结构性上限：同一上下文内的 Agent 难以判断自己是否已被注入，故该层只能降低成功率，给不出保证。

执行层管模型能做什么，在动作生效前验证。核心是工具风险评级（可逆性、权限等级、财务影响 → 低/中/高），高风险需额外审查或人工确认。关键：复核必须由上下文之外的机制完成（独立审查进程、最小权限凭证、沙盒隔离、人在回路），否则会与被注入的 Agent 一起沦陷。输出本身也是动作：PII 过滤、输出验证同属此层。

数据层管世界最终能被改成什么样：行级安全策略、约束与校验器、受控视图与存储过程、无法伪造的访问上下文。价值在于不依赖上两层是否正确——即使提示注入得手、生成代码漏写权限判断，越权仍会被拒绝。

人工干预触发时机：超过失败阈值（重试/操作次数上限）；高风险操作（大额退款、不可逆付款等）。部署早期尤为重要，用于识别失败模式、建立评估周期。客户服务升级人工客服，Coding Agent 交还控制权给开发者。

模型选型

开源 vs 闭源：闭源（GPT/o、Claude）能力更强；场景要求不高时开源更务实——成本低、可私有化、可微调，适合成本敏感或数据合规场景。

策略边界：基准测试具备某能力 ≠ 产品允许调用。各厂商对网络安全、蒸馏、提取、隐私、高风险操作策略不同；同一任务在聊天产品、Coding Agent、API 中结果可能不同。选型要在真实任务上测：模型是否愿意执行、接口是否暴露所需能力、服务条款是否允许。业务关键任务准备人工接管或合规模型兜底。

思考能力：绝大多数 Agent 需要支持 Reasoning 的模型。多步思考、工具选择等复杂决策，不带思考的模型表现很差。仅极少数场景例外（单步简单任务、固定位置 GUI 点击）。

输出速度与多模态：Agent 多轮推理，每轮需等输出完成才能继续。20 轮推理、每轮慢 2s = 端到端多等 40s。需理解图片/音频/视频时，多模态是硬性要求，模型间差异大。

模型即 Agent

Kimi K3：强化学习写进参数的是决策——何时调用工具、调用哪个、传什么参数、结果后是否继续、如何串联长链调用。工具实现仍在框架侧（web_search、code_runner、沙盒、结果回传）。编排循环没有消失，而是从客户端移到服务端，决策权交给模型。突出优势是长链工具调用稳定性：200～300 次连续调用仍保持思考一致性（多数模型数十次后退化）。开源，软件工程与 Agent 基准可与顶尖闭源比肩，说明 RL 赋予原生 Agent 能力这条路线有效。

GPT-5.6：自由格式工具调用（API 中 type: “custom”），允许模型直接发送原始文本（Python 代码、SQL），省去 JSON 转义。传统方式需将参数打包为严格 JSON。

Harness 会被模型吃掉吗

Rich Sutton《苦涩的教训》：研究者反复将领域理解编码进系统，短期见效，长期输给可随算力与数据扩展的通用方法（搜索与学习）。以此衡量，Harness 中的约束、验证、纠正有多少属于人类先验、终将被内化？

立场：方向认同，节奏务实。

方向上，模型会持续吃掉 Harness——工具调用、长程规划曾靠外部编排，如今已是原生能力。节奏上，远比想象慢：训练以月计，模型无法一次内化真实业务中的全部约束与偏好。

模型此刻的能力边界，就是 Harness 此刻的价值所在。模型做不稳的先由 Harness 补上；模型每内化一层，Harness 卸下一层，转而兜底新的能力前沿。

五个设计模式（全书反复出现）

提议者—审核者（Proposer-Reviewer）：产出与评判由不共享上下文的角色分别承担；评判方只看产物（渲染结果、测试输出、结构化参数），不看产出方推理过程。前提是自审不可靠——同一上下文中的模型难发现自身盲区，也难判断是否已被注入。后续章节用它更新知识、做工具调用事前审批与事后验证、评估 UI、审核更新提案。

渐进式披露（Progressive Disclosure）：不把全部信息一次性放进上下文，先给可检索目录，再按需加载细节。同时优化上下文预算与选择精度。Agent Skills、分层检索、主动工具发现、分页截断都是其变体。

只增不改（Append-only）：状态以追加方式演进，已写内容不回头修改。换可缓存、可重放、可审计。KV Cache 前缀稳定性是其性能形态——改动越靠前，作废缓存越多。事件式记忆、工具 schema 追加到轨迹末尾而非插回前缀，同属此纪律。

边界集 + 保留集（Boundary Set + Retention Set）：任何修改都要同时在「应当改变的样本」与「不应当影响的样本」上验证。只测前者会把过拟合当进步，只测后者会把无效修改当安全。回归任务、训练与评估隔离、更新提案验证都建立在此。

最小 diff + 可回滚：每次修改尽量小、带来源、可单独回滚，使归因成为可能。知识更新、代码补丁、Prompt 与程序更新都遵循此条。上下文内适应、外部产物更新、参数更新三条路径，正是按可回滚程度从高到低排列。

本章要点

Agent = 决策核心 + 观测空间 + 动作空间；模型固定时，扩展观测/动作是主要杠杆

上下文是决定性因素：消融实验显示，去掉工具定义或工具执行结果会直接夺走行动与闭环能力

Harness 是竞争力所在：生产系统绝大部分代码在实现约束、验证、纠正

编排顺序：先提示词，再工作流，最后自主 Agent

安全是架构问题：护栏按被绕过难度分上下文层、执行层、数据层，后续安全讨论挂在此骨架上

五个设计模式贯穿全书：提议者—审核者、渐进式披露、只增不改、边界集+保留集、最小 diff+可回滚

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】