# LangChain: The Anatomy of an Agent Harness

> 原文链接：https://blog.langchain.com/the-anatomy-of-an-agent-harness/
> 作者/来源：LangChain
> 阅读日期：2026-04-02

## 一句话总结
LangChain 提出 **"Agent = Model + Harness"** 的基本公式，系统性地拆解了 agent harness 的核心组件（文件系统、代码执行、sandbox、memory、context 管理），并指出 model 和 harness 正在走向协同进化。

## 核心论点
文章的核心公式非常简洁有力：**"Agent = Model + Harness"**。Harness 包含了围绕模型的所有代码、配置和执行逻辑——"如果你不是模型，那你就是 harness"。这个定义比其他文章更为宽泛和清晰。

文章从模型的根本局限出发论证 harness 存在的必要性：原始模型无法维持跨交互的持久状态、无法自主执行代码、无法访问实时信息、无法配置环境或安装依赖。这些能力缺口必须由 harness 来填补，将模型的能力转化为实际的工作引擎。

文章进一步提出了一个重要趋势：**model-harness 协同进化（co-evolution）**。越来越多的模型在特定 harness 环境中进行 post-training（如 Claude Code、GPT-5 Codex），这创造了一个反馈循环——harness 的基础组件影响模型的原生能力。但作者也提出了一个重要的警告：在一个 harness 中训练的模型可能在其他系统中表现不佳。

## 关键概念
- **Agent = Model + Harness**：定义 agent 的基本公式。模型提供智能，harness 提供让智能变得有用的系统。
- **Context Rot（context 腐化）**：随着 context 填满，agent 性能退化的现象。类似于 [Anthropic](03-anthropic-harness-design-long-running.md) 所说的 "context anxiety"，但更侧重于信息过载导致的注意力分散。
- **Compaction（压缩）**：缓解 context rot 的策略，通过总结和卸载较早的 context 来维持有效的工作记忆。
- **Ralph Loop**：一种跨 context window 继续工作的模式，使 agent 能够在 context 耗尽时优雅地恢复并继续任务。
- **Progressive Skill Disclosure（渐进式技能披露）**：控制工具的可用性，不一次性暴露所有工具，而是根据需要逐步提供。这减少了 context 占用和决策复杂度。
- **Tool Output Offloading**：将大型工具输出移至文件系统存储而非保留在 context 中，是缓解 context rot 的关键策略。
- **Model-Harness Co-Evolution**：模型和 harness 之间的协同训练趋势，模型在特定 harness 中进行 post-training。

## 实践建议
1. **提供文件系统访问而非仅有工具调用**：文件系统使 agent 能持久化工作、卸载大型输出、支持跨 session 记忆。Git 集成进一步增加版本控制能力。
2. **优先提供通用代码执行能力**：让 agent 能编写和运行自己的解决方案，而非限制在预配置的工具集中。
3. **使用 sandbox 确保安全执行**：在隔离环境中执行代码、安装依赖和验证结果，避免对本地系统的风险。
4. **主动管理 context rot**：通过 compaction、tool output offloading 和 progressive skill disclosure 组合策略来维持 context 质量。
5. **实施 AGENTS.md 等 memory 标准**：让 agent 能存储知识供未来 session 使用，实现持续学习。
6. **为长周期任务设计持久状态跟踪**：结合文件系统、git 和 "Ralph Loop" 模式实现跨 context window 的任务续接。

## 独到观点
LangChain 这篇文章最独特的贡献有两点。第一是**提供了最系统化的 harness 组件分类法**——从文件系统到 sandbox 到 memory 到 context 管理，每个组件都从"期望行为"倒推而来，形成了清晰的"需求→组件"映射。第二是 **model-harness co-evolution** 的观点——这是其他文章较少涉及的前瞻性洞察，暗示了未来 harness 设计者需要关注特定模型的训练环境。"context rot" 概念的提出也丰富了关于 context 管理挑战的术语体系。

## 与其他文章的关联
- "Agent = Model + Harness" 的公式为 [Inngest: Harness Not Framework](08-inngest-harness-not-framework.md) 中关于 harness vs framework 的讨论提供了基础定义。
- Context rot 和 compaction 策略直接关联 [Manus: Context Engineering](10-manus-context-engineering.md) 和 [Anthropic: Context Engineering](09-anthropic-context-engineering.md) 的 context 管理讨论。
- AGENTS.md 和 memory 系统与 [OpenAI: Harness Engineering](01-openai-harness-engineering.md) 的 repo-native knowledge 策略一致。
- Progressive skill disclosure 与 [HumanLayer: Advanced Context](12-humanlayer-advanced-context.md) 中的 context 优化策略相关。
- 长周期执行模式与 [Anthropic: Effective Harnesses](02-anthropic-effective-harnesses.md) 中的 session startup routine 和进度管理方法互补。