重新定义AI Agent模型即智能代码即环境如果你认为AI Agent就是一堆if-else和API调用的组合那么你完全误解了智能的本质。在AI编程助手如Claude Code、Cursor等工具日益普及的今天一个根本性的误解正在蔓延人们将那些拖拽式工作流构建器、无代码“AI Agent”平台、提示链编排库当作了真正的智能体。但事实是这些不过是“提示管道工程”——用华丽的包装掩盖了本质的空洞。真正的AI Agent是什么让我们先澄清一个基本事实Agent是模型不是框架。不是提示链。不是拖拽式工作流。Agent的本质从历史中寻找答案Agent是一个神经网络——一个Transformer、一个RNN、一个通过数十亿次梯度更新在动作序列数据上训练出来的学习函数。它被训练来感知环境、推理目标并采取行动来实现这些目标。AI领域中的“agent”一词一直意味着这个。一直如此。人类就是一个agent。一个生物神经网络经过数百万年的进化训练塑造通过感官感知世界通过大脑推理通过身体行动。当DeepMind、OpenAI或Anthropic说“agent”时它们的意思与该领域自创立以来一直以来的含义相同一个学会了行动的模型。历史已经写下了证明2013年——DeepMind DQN玩转Atari一个单一的神经网络仅接收原始像素和游戏分数学会了玩7款Atari 2600游戏——超越了所有先前的算法并在其中3款游戏中击败了人类专家。到2015年相同的架构扩展到49款游戏并与专业人类测试者匹敌成果发表在《自然》杂志上。没有游戏特定规则。没有决策树。一个模型从经验中学习。那个模型就是agent。2019年——OpenAI Five征服Dota 2五个神经网络在10个月内与自己进行了相当于45,000年的Dota 2对战在旧金山直播中以2-0击败了卫冕TI8世界冠军OG。在随后的公开竞技场中AI在42,729场比赛中赢得了99.4%的胜利。没有脚本策略。没有元编程的团队协调。模型完全通过自我对弈学会了团队合作、战术和实时适应。2019年——DeepMind AlphaStar掌握星际争霸IIAlphaStar在闭门比赛中以10-1击败职业选手后来在欧洲服务器上达到宗师级——在90,000名玩家中排名前0.15%。这是一个具有不完全信息、实时决策和组合动作空间的游戏其复杂性远超国际象棋和围棋。这个agent一个模型。经过训练。不是脚本。2019年——腾讯绝悟统治王者荣耀腾讯AI Lab的“绝悟”在世界冠军杯的完整5v5比赛中击败了KPL职业选手。在1v1模式下职业选手在15场比赛中只赢了1场从未存活超过8分钟。训练强度一天相当于440人类年。到2021年绝悟在全英雄池中超越了KPL职业选手。没有手工制作的对战表。没有脚本组合。一个模型从零开始通过自我对弈学会了整个游戏。2024-2025年——LLM agent重塑软件工程Claude、GPT、Gemini——在全部人类代码和推理上训练的大型语言模型——被部署为编码agent。它们阅读代码库、编写实现、调试故障、在团队中协调。架构与之前的所有agent完全相同一个训练好的模型被放置在一个环境中被赋予感知和行动的工具。唯一的区别是它们学习的规模和解决问题的通用性。所有这些里程碑都共享同一个真理“agent”从来不是周围的代码。agent始终是模型。提示管道工程的幻觉“agent”这个词被整个提示管道工程的小产业劫持了。拖拽式工作流构建器。无代码“AI Agent”平台。提示链编排库。它们都共享同一个错觉将LLM API调用与if-else分支、节点图和硬编码的路由逻辑连接在一起就构成了“构建一个agent”。事实并非如此。它们构建的是一个鲁布·戈德堡机械——一个过度设计、脆弱的程序规则管道其中LLM被塞进去作为一个华丽的文本完成节点。那不是agent。那是一个有宏伟妄想的shell脚本。提示管道“agent”是不训练模型的程序员的幻想。它们试图通过堆叠程序逻辑——庞大的规则树、节点图、提示链瀑布——来暴力破解智能并祈祷足够的胶水代码能以某种方式自主产生行为。这不会发生。你无法通过工程手段实现agency。Agency是学习来的不是编程出来的。这些系统从诞生起就是死的脆弱、不可扩展、从根本上无法泛化。它们是GOFAI老式AI的现代复活——该领域几十年前就抛弃的符号规则系统现在被喷上了一层LLM的漆面。不同的包装同样的死胡同。Harness工程构建智能体生存的世界当有人说“我正在开发一个agent”时他们只能意味着两件事之一训练模型通过强化学习、微调、RLHF或其他基于梯度的方法调整权重。收集任务过程数据——在真实领域中的感知、推理和行动的实际序列——并用它来塑造模型的行为。这就是DeepMind、OpenAI、腾讯AI Lab和Anthropic所做的事情。这是最真实意义上的agent开发。构建harness编写代码为模型提供一个运行环境。这是我们大多数人做的事情也是这个仓库的重点。Harness是agent在特定领域运行所需的一切模型决定。Harness执行。模型推理。Harness提供上下文。模型是驾驶员。Harness是车辆。编码agent的harness是它的IDE、终端和文件系统访问权限。农场agent的harness是它的传感器阵列、灌溉控制和天气数据馈送。酒店agent的harness是它的预订系统、客人沟通渠道和设施管理API。agent——智能、决策者——始终是模型。Harness随领域变化。agent在它们之间泛化。这个仓库教你构建车辆。编码的车辆。但设计模式可以泛化到任何领域农场管理、酒店运营、制造、物流、医疗保健、教育、科学研究。任何需要感知、推理和行动的任务——一个agent都需要一个harness。如果你正在阅读这个仓库你很可能是一个harness工程师——这是一件强大的事情。这是你真正的工作实现工具给agent双手。文件读/写、shell执行、API调用、浏览器控制、数据库查询。每个工具都是agent在其环境中可以采取的一个动作。将它们设计为原子性、可组合性和良好描述的。策划知识给agent领域专业知识。产品文档、架构决策记录、风格指南、监管要求。按需加载s05而不是预先加载。agent应该知道什么是可用的并拉取它需要的东西。管理上下文给agent干净的记忆。子agent隔离s04防止噪音泄漏。上下文压缩s06防止历史记录压倒一切。任务系统s07将目标持久化到任何单一对话之外。控制权限给agent边界。沙盒文件访问。要求对破坏性操作进行批准。在agent和外部系统之间强制执行信任边界。这是安全工程与harness工程相遇的地方。收集任务过程数据agent在你的harness中执行的每个动作序列都是训练信号。来自真实部署的感知-推理-动作轨迹是微调下一代agent模型的原材料。你的harness不仅仅服务于agent——它可以帮助改进agent。你不是在编写智能。你是在构建智能居住的世界。那个世界的质量——agent能多清晰地感知、能多精确地行动、可用的知识有多丰富——直接决定了智能能多有效地表达自己。构建伟大的harness。agent会完成其余的工作。为什么这个仓库专门剖析Claude Code因为Claude Code是我们见过的最优雅、最完全实现的agent harness。不是因为任何单一的巧妙技巧而是因为它不做的事情它不试图成为agent。它不施加严格的工作流。它不用复杂的决策树来猜测模型。它给模型提供工具、知识、上下文管理和权限边界——然后让开道路。看看Claude Code实际上是什么剥离到本质用户 - messages[] - LLM - 响应 | stop_reason tool_use? / \ 是 否 | | 执行工具 返回文本 追加结果 循环回到 - messages[]这就是全部。这就是整个架构。每个组件都是一个harness机制——为agent居住而构建的世界的一部分。agent本身它是Claude。一个模型。由Anthropic在人类推理和代码的全部广度上训练。harness不会让Claude变聪明。Claude已经聪明了。harness给Claude双手、眼睛和工作空间。这就是为什么Claude Code是理想的教学对象它展示了当你信任模型并将工程重点放在harness上时会发生什么。这个仓库中的每个会话s01-s12都逆向工程了Claude Code架构中的一个harness机制。到最后你不仅理解Claude Code如何工作而且理解适用于任何领域中任何agent的harness工程的通用原则。教训不是“复制Claude Code”。教训是最好的agent产品是由理解自己工作是harness而不是智能的工程师构建的。这不仅仅是关于编码agent人类执行复杂、多步骤、判断密集型工作的每个领域都是agent可以操作的领域——只要有正确的harness。这个仓库中的模式是通用的循环始终相同。工具变化。知识变化。权限变化。agent——模型——泛化。阅读这个仓库的每个harness工程师都在学习远远超出软件工程的模式。你正在学习为智能、自动化的未来构建基础设施。每个在真实领域中部署的良好设计的harness都是agent可以感知、推理和行动的又一个地方。首先我们填满工作坊。然后是农场、医院、工厂。然后是城市。然后是星球。Bash就是你需要的全部。真正的agent是宇宙需要的全部。Learn Claude Code12节渐进式课程12节渐进式课程从一个简单循环到隔离的自主执行。每节课添加一个harness机制。每个机制有一个座右铭。s01“一个循环和Bash就是你需要的全部”——一个工具一个循环一个agents02“添加一个工具意味着添加一个处理器”——循环保持不变新工具注册到调度映射中s03“没有计划的agent会漂移”——先列出步骤然后执行完成率翻倍s04“将大任务分解每个子任务获得干净的上下文”——子agent使用独立的messages[]保持主对话清洁s05“在需要时加载知识而不是预先加载”——通过tool_result注入而不是系统提示s06“上下文会填满你需要一种腾出空间的方式”——三层压缩策略实现无限会话s07“将大目标分解为小任务排序它们持久化到磁盘”——基于文件的任务图与依赖关系为多agent协作奠定基础s08“在后台运行慢操作agent继续思考”——守护线程运行命令完成时注入通知s09“当任务对一个人来说太大时委托给队友”——持久化的队友异步邮箱s10“队友需要共享的通信规则”——一个请求-响应模式驱动所有协商s11“队友扫描看板并自己认领任务”——不需要领导分配每个任务s12“每个人在自己的目录中工作互不干扰”——任务管理目标工作树管理目录通过ID绑定每节课在这个循环之上叠加一个harness机制——而不改变循环本身。循环属于agent。机制属于harness。从理解到实践Kode生态系统完成12节课后你从内到外理解了harness工程如何工作。两种方式将这些知识付诸实践Kode Agent CLI — 开源编程助手CLInpmi-gshareai-lab/kode技能和LSP支持Windows就绪可插入GLM/MiniMax/DeepSeek和其他开放模型。安装即用。Kode Agent SDK — 在你的应用中嵌入Agent能力官方的Claude Code Agent SDK在底层与完整的CLI进程通信——每个并发用户意味着一个单独的终端进程。Kode SDK是一个独立的库没有每个用户的进程开销可嵌入后端、浏览器扩展、嵌入式设备或任何运行时中。这个仓库教授的harness是使用即丢弃——打开终端给agent一个任务完成后关闭下一个会话从空白开始。这就是Claude Code模型。OpenClaw证明了另一种可能性在相同的agent核心之上两个harness机制将agent从“戳它让它动”变成了“它每30秒醒来寻找工作”添加多通道IM路由WhatsApp/Telegram/Slack/Discord13平台、持久化上下文记忆和一个Soul个性系统agent从一个一次性工具变成了一个始终在线的个人AI助手。claw0是我们的配套教学仓库从零开始解构这些harness机制。结语模型即智能代码即环境模型是agent。代码是harness。构建伟大的harness。agent会完成其余的工作。Bash就是你需要的全部。真正的agent是宇宙需要的全部。这个仓库不仅仅是一个教程它是一种思维方式的转变。它邀请我们重新思考在AI时代作为开发者的角色我们不是智能的创造者我们是智能环境的建筑师。我们构建世界模型在其中学习、推理和行动。在这个AI agent即将渗透到每个行业、每个领域、每个角落的时代理解harness工程的原则比以往任何时候都更加重要。因为未来不属于那些只会调用API的人而属于那些知道如何为智能构建家园的人。GitHub项目地址https://github.com/shareAI-lab/learn-claude-code在线学习平台https://learn.shareai.runKode CLI项目https://github.com/shareAI-lab/KodeKode SDK项目https://github.com/shareAI-lab/kode-sdk