Agent Harness学习-基础
2026-04-03
Agent Harness学习-基础
此笔记诞生的原因是：兴趣使然，我也想写一个渗透Agent，感觉CC的架构是一个很值得参考的东西，于是促使我开始参考 learn-claude-code 学习Agent Harness相关的知识，遂有此篇
在学习之前看到这样一句话：
Agent 是模型。不是框架。不是提示词链。不是拖拽式工作流。
这里奠定了我准备学习的内容：构建 Harness，编写代码，为模型提供一个可操作的环境
Harness
Harness 是 agent 在特定领域工作所需要的一切：
Harness = Tools + Knowledge + Observation + Action Interfaces + Permissions
Tools: 文件读写、Shell、网络、数据库、浏览器
Knowledge: 产品文档、领域资料、API 规范、风格指南
Observation: git diff、错误日志、浏览器状态、传感器数据
Action: CLI 命令、API 调用、UI 交互
Permissions: 沙箱隔离、审批流程、信任边界
模型做决策，Harness 执行；模型做推理，Harness 提供上下文
这样看来，其实我们使用的AI IDE也是这样，IDE、终端、文件系统就是为coding Agent提供的harness
Claude Code
我选择Claude Code的一大原因是它给到模型极高的行为自由度，这和我理想的渗透Agent很相似：
Claude Code = 一个 agent loop
+ 工具 (bash, read, write, edit, glob, grep, browser...)
+ 按需 skill 加载
+ 上下文压缩
+ 子 agent 派生
+ 带依赖图的任务系统
+ 异步邮箱的团队协调
+ worktree 隔离的并行执行
+ 权限治理
Agent Loop
tool loop
tool loop是AI Agent的最小循环：
THE AGENT PATTERN
=================
User --> messages[] --> LLM --> response
|
stop_reason == "tool_use"?
/ \
yes no
| |
execute tools return text
append results
loop back -----------------> messages[]
简单描述上面这个loop，就是：
- 没有显式“推理过程”
- LLM只是：
- 要么说话
- 要么调用工具
在此技术上我们可以衍生出更合理的loop
ReAct
即Reasoning + Acting，在基础loop上优化为 思考-行动-观察 的循环，即推理下一步应该干什么，再执行对应的行为，最后观察行动的结果，进行下一个loop的推理
Plan-and-Execute
将复杂任务分解为规划和执行两个阶段，由planner制定计划，executor机械执行，实现上通常需要维护一个任务队列和状态管理器，记录每个任务的依赖关系和完成状态，相较于ReAct：
- ReAct倾向于走一步看一步，适用于变数较多的场景
- Plan-and-Execute适用于步骤相对确定的复杂任务，既能节省Token成本，执行也能更可控