很多人在使用 AI 时会发现：让它写个短句它很行，但让它开发一个完整的系统，它就会顾头不顾尾，甚至陷入逻辑死循环。这是因为模型本质上是“逐词预测”的，它缺乏对复杂任务的长远构思。
为了解决这个问题，Agent 架构引入了 Harness（运行环境） 来充当“监工”，并赋予模型 Planning（规划） 的能力。
1. Plan：给 AI 的脑子装个“进度条”
在执行复杂任务前，模型不再直接动手，而是先生成一份 Plan。
-
思维链 (CoT)： 这就是最简单的 Planning。通过在 Prompt 中加入“一步步思考”，迫使模型在给出最终答案前，先在上下文里加载逻辑路径。
-
动态修正： Plan 是可交互的。
- 第一步：模型制定计划（Step 1... Step 2...）。
- 第二步：Harness 检查计划，甚至请人类确认。
- 第三步：执行过程中如果 Step 1 失败了，模型会修改剩下的 Plan。
2. Harness：不仅仅是“马具”
Harness（动力外壳/运行环境） 是包裹在 LLM 外面的一层软件系统。模型虽然聪明，但它是不完整的，它不能自发地去调 API 或循环思考。
Harness 的三大核心功能
graph TD
User((用户指令)) --> Harness[Harness 调度器]
subgraph Engine [循环控制中心]
Harness --> LLM[LLM 决策]
LLM --> Action[工具调用请求]
Action --> Exec[执行器]
Exec --> Result[执行结果]
Result -->|回传/重试| Harness
end
subgraph Safety [安全与监控]
Harness --- Token[Token/成本监控]
Harness --- Guard[Guardrails 安全护栏]
Harness --- Human[Human-in-the-loop 人工干预]
end
Harness --> Final((任务完成))
style Harness fill:#f96,stroke:#333,stroke-width:2px
style Engine fill:#f1f1f1,stroke:#333
- Loop (循环管理)： Harness 会盯着模型。如果模型说“我需要查天气”，Harness 查完后会主动把结果塞回模型嘴里，问：“结果拿到了，下一步你干啥？”
- State (状态保持)： 现在的模型依然有上下文限制。Harness 负责管理哪些记忆该保留，哪些该丢弃（这涉及到我们之前提过的 Memory 模块）。
- Error Handling (容错)： 工具调用报错了怎么办？Harness 会捕捉异常并告诉模型：“API 挂了，请尝试换一个方法。”
3. Skill 的本质
为什么说 Skill（技能） 是封装好的经验？
一个 Skill 其实就是一个 “Harness 配置包 + 特定的 Planning 模板” 。
- 例子： “代码重构 Skill”。
- 当你加载这个 Skill 时，Harness 会自动加载一套 Rules（代码规范），并强制模型使用一种特定的 Planning 模式（先写测试用例，再改逻辑，最后跑测试）。
4. 人机协作：Human-in-the-loop
在这一层，Harness 还承担了一个重要定位：断路器。 涉及到高风险操作（如：删除数据库、发送支付指令）时，Harness 会挂起进程，弹出窗口问人类：“AI 计划执行删除操作，你批准吗？”
AI 能够进入生产环境的关键：智能由模型出，责任由系统担。
5. 总结：第六课的心得记录
- Planning 解决了“鲁莽”： 让模型从“直觉反应”转向“逻辑规划”。
- Harness 解决了“落地”： 没有这个运行外壳，模型只是一个只会说话的孤岛。
- 系统化思维： 开发 AI 应用，本质上是写一个强大的 Harness，去管理那个聪明的 LLM。
