8.7
深览指数
科技Bestblogs·浮之静··AI 生成
Agent 开发指南：技术太多，该怎么学？
文章核心判断是：Agent 开发的核心挑战已从"生成代码"转向"可信完成"，系统性地分析了 Harness、Context、Memory、Subagent 等关键组件，并横向对比了 Vercel 与 Cloudflare 两大平台的技术布局。作者从"回答不等于负责"这一根本差异出发，构建了一套从目标定义到结果验证的完整责任链框架。适合已具备 Agent 基础认知、正在搭建生产级系统的开发者阅读。原文 ↗
核心观点
- ▍Agent 的核心挑战已从代码生成转向可信完成，因为生成和试错成本已经很低，但环境、状态与失败面的复杂度急剧上升，真正稀缺的资源变成"可信结果"。
- ▍生产级 Agent 需要确定性执行外壳（Harness）来承载不确定的推理核心，而非继续优化 Prompt 或代码生成能力。
- 01Harness 持有任务全程，负责从目标定义、状态持久化、能力授权、隔离执行到结果验证与人工接管的完整责任链，而 Prompt 只负责一次推理。
- 02Agent Memory 应拆分为五类：工作状态（需 checkpoint）、事件历史（追加写）、领域知识（版本溯源）、情节偏好（衰减）、身份与隐私（独立权限边界），不能简单视为统一的向量库。
- 03Subagent 作为工具运行于主 Agent 控制下，Handoff 则整体转移会话控制权；可靠移交需包含目标、已验证事实、待确认副作用、资源租约等完整上下文，不能只传自然语言摘要。
- 04Vercel 从 Web 开发体验向下补齐执行层，其布局包括 AI SDK、Sandbox、agent-browser、Turborepo、scriptc、Skills 包管理器等。
- 05Cloudflare 从 runtime 与状态向上补齐体验层，其布局包括 Durable Objects、Browser Run、Nimbus、Workflows、Workers AI 等。
- 06文章引用了 Anthropic、OpenAI、Vercel Labs、Cloudflare 等官方文档与开源项目，并对事实、推断、预测做了明确区分。
反方 / 局限
- — 作者承认，当前 Agent 可观测性、可验证性与可恢复性的基础设施仍不成熟，无论是 Vercel 还是 Cloudflare 的框架都尚未完全解决这些问题。
HarnessAgent MemorySubagentHandoffVercelCloudflareAI SDKSandboxDurable ObjectsBrowser RunNimbusAnthropicOpenAI
4 分钟 · 5 卡片 · 15 资料
读原文 →