🐯虎嗅•較早收集於 36m
Harness Engineering：AI Agent 的作業系統
💡了解為何構建穩健的 Agent 基礎設施比單純擴展模型參數更為關鍵。
⚡ 30-Second TL;DR
有什麼變化
Harness 並非臨時補丁，而是 AI 自主化的永久基礎設施層。
為什麼重要
開發者應將重心從「提示工程」轉向構建穩健的「Harness」系統，以安全部署自主 Agent。
下一步行動
評估你的 Agent 架構：實作明確的狀態機與權限邊界，而非僅依賴 LLM 的推理能力。
誰應關注：Developers & AI Engineers
關鍵要點
- •Harness 並非臨時補丁，而是 AI 自主化的永久基礎設施層。
- •四大核心職能：上下文管理、權限邊界、任務編排與人機協議。
- •基礎設施的複雜度隨模型智慧程度正向擴展。
🧠 深度解析
Web-grounded analysis with 12 cited sources.
🔑 增強重點摘要
- •「Harness 工程」是一門專注於設計圍繞 AI 模型之環境、約束和回饋迴圈的學科，旨在確保 AI 模型在生產環境中的可靠性，而非僅僅優化模型本身。
- •「代理作業系統」（Agentic Operating System）或「代理線束」（Agent Harness）的概念，類似於傳統作業系統，負責管理 AI 代理的資源、流程和通訊，其中大型語言模型（LLM）充當中央處理器（CPU），上下文視窗則為隨機存取記憶體（RAM）。
- •一個完整的代理作業系統包含九個核心組件：身份層、記憶體系統、上下文管理、知識庫、工具註冊、工作流程編排、多代理協調、可觀察性和安全/權限管理，每個組件都旨在解決特定的故障模式。
- •Harness.io 公司正積極開發「Harness 代理」，這些是管道原生的 AI 工作者，專為 DevOps 任務設計，能夠在 CI/CD 管道中繼承上下文、權限、機密和治理控制，並執行多步驟操作。
- •Harness 工程透過三層結構運作：約束線束（預防性控制，如規則文件和架構規範）、回饋迴圈（實現自我修正）和品質閘門（強制執行前兩層無法預防的措施），以確保 AI 代理的可靠性。
📊 競品分析▸ Show
AI 代理框架比較
| 特性/框架 | LangChain/LangGraph | CrewAI | AutoGen | Harness.io (Harness Agents) | Salesforce (Agentforce) | MindStudio (Remy) |
|---|---|---|---|---|---|---|
| 主要用途 | 自定義 LLM 工作流程、DAG 式代理、狀態管理 | 多代理協調、角色型協作 | 對話驅動代理、研究級多代理系統 | DevOps 自動化、管道原生執行、SDLC 整合 | 企業級 AI 代理編排、CRM 數據模型整合、治理控制 | 代理基礎設施、記憶體、上下文、安全、協調 |
| 多代理支援 | 強 | 強 | 強 | 是 (Agentic Flows) | 是 | 是 (多代理協調) |
| 工作流程複雜度 | 最強 (複雜狀態管理) | 適中 | 強 | 強 (多步驟 DevOps 任務) | 強 (跨業務系統) | 強 (複雜、多步驟任務) |
| 生產部署 | 平台或 DIY | DIY | DIY | 管道原生執行 | 企業級平台 | 平台 |
| 學習曲線 | 陡峭 | 適中 | 陡峭 | 未明確說明，但與現有 Harness 平台整合 | 未明確說明，但強調企業級易用性 | 適中 |
| 基準測試 | LangGraph 在延遲和 Token 消耗上表現最佳，LangChain 顯著落後 | 生產就緒的多代理編排 | 未明確說明 | 未明確說明 | 未明確說明 | 未明確說明 |
| 獨特賣點 | 深度控制狀態、持久性、長運行工作流程 | 開源、團隊導向架構 | 事件驅動架構 | 深度整合 DevOps 管道、軟體交付知識圖譜 | 統一數據基礎、內建治理、集中監控 | 涵蓋身份、記憶體、工具、安全等九大核心組件 |
🛠️ 技術深入
- 代理線束定義：代理線束是 AI 代理系統中除模型本身之外的所有部分，包括工具、記憶體、約束、驗證檢查和編排邏輯，旨在使模型的推理能力變得實用可靠。
- 作業系統類比：AI 代理迴圈被視為一個作業系統，其中大型語言模型（LLM）是中央處理器（CPU），上下文視窗是工作記憶體（RAM），工具呼叫類似於系統呼叫（syscalls）。
- Harness MCP 伺服器：Harness 模型上下文協議（MCP）伺服器採用小型、穩定的介面設計，將大部分複雜性推到調度層之後，透過 10 個通用、可組合的工具來抽象複雜性，並保持上下文視窗的整潔，以實現更高品質、更具成本效益的 AI 代理推理。
- 可發現介面：該平台透過一個運行時可發現、基於模式的介面暴露，代理可以檢查、選擇和組合這些介面，而無需硬編碼的領域知識。
- 工具與知識圖譜：該介面包含 10 個通用工具，可分派到涵蓋 140 多種資源類型的 30 個工具集，以及 57 個用於跨模組分析的知識圖譜視圖。
- 代理作業系統組件：一個代理作業系統的核心組件包括身份層、記憶體系統、上下文管理、知識庫、工具註冊、工作流程編排、多代理協調、可觀察性和安全/權限。
- Harness 代理特性：Harness 代理是「管道原生」的，這意味著它們繼承了管道的執行上下文、權限、機密和治理控制。它們還能存取「軟體交付知識圖譜」以獲取上下文感知智能。
- Harness AI 架構：Harness AI 採用「代理流」（Agentic Flows），由專門的代理（如 DevOps、SRE、發布、AppSec、測試和 FinOps 代理）組成網路，並透過「智能工作流程編排」層協同工作。
- Harness 工程三層：包括約束線束（預防性控制，如規則文件、架構規範和類型系統）、回饋迴圈（實現自我修正，無需人工干預）和品質閘門（強制執行前兩層無法預防的措施）。
🔮 前景展望AI analysis grounded in cited sources
AI 代理在企業環境中的可靠性和採用率將大幅提升。
對「Harness 工程」和「代理作業系統」的關注，直接解決了目前阻礙 AI 代理在企業中廣泛採用的核心可靠性和治理問題。
AI 工程師的角色將從主要專注於提示工程轉變為系統設計和「Harness 工程」。
隨著模型能力的增強，關鍵瓶頸轉移到設計圍繞 AI 代理的基礎設施，以確保其可靠、安全地運行並在定義的邊界內運作。
專業的 AI 代理平台將與現有的企業系統（如 DevOps 管道、CRM 和 ERP）深度整合。
Harness.io 和 Salesforce 等公司已經透過將 AI 代理直接嵌入其平台，以自動化複雜的多步驟工作流程，並實現共享上下文和治理，來證明這一趨勢。
⏳ 時間線
2017
Harness 公司成立，專注於自動化軟體交付。
2018
推出持續驗證（Continuous Verification），利用 AI/ML 增強軟體交付流程。
2020-08
收購開源 CI 平台 Drone.io，擴展 CI/CD 產品。
2024-09
推出首批 AI 代理：AI QA 助理、AI 程式碼助理和 AI DevOps 助理，轉變軟體交付方式。
2025-02
與 Traceable 合併，透過 AI 代理增強安全軟體交付能力。
2026-03
Workday 宣布選擇 Harness 平台，以 AI 驅動的驗證來提升其代理 AI 軟體交付能力。
📎 來源 (12)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗