6.5
深览指数
科技Bestblogs·AI Engineer··AI 生成
超越固定 Harness：走向运行时自适应的 AI 工程
演讲者 Rajiv Chandegra 提出，当前 AI 工程（如 Claude Code、Cursor、LangChain 等）采用的固定 Harness 在应对复杂真实世界时过于脆弱，其可靠性源于运行前压制变化。他认为，随着多智能体、多机构协作成为常态，瓶颈将从模型能力转向 Harness 适应性。核心观点是工程师应转向设计约束、激励与感知机制，让智能体在运行时自组织出角色与协议。此文为概念性框架，对思考未来 AI 编排的资深工程师很有启发，但缺乏具体实现与案例。原文 ↗
核心观点
- ▍AI 工程必须从预先固定的 Harness 转向运行时自适应的多智能体系统，让结构在执行过程中涌现、稳定并持续变化。
- ▍当前固定 Harness（如 LangChain 编排）虽对可预测问题可靠，但面对真实世界的复杂系统（如市场、组织）时，其脆弱性成为瓶颈。
- 01演讲将当前 AI 工具（Claude Code、Cursor、Codex）概括为类似工厂流水线的系统，其能力来自运行前压低变化空间。
- 02作者区分了“可分析系统”（钟表、飞机）与“复杂系统”（市场、组织），强调后者依赖探测、感知、反馈与适应，而非线性拆解。
- 03在自适应模型中，工程师的杠杆从编排顺序转向约束设计，包括调节护栏、奖励、惩罚、耦合速度和感知机制。
- 04自适应系统通过让有能力的智能体通过局部互动，自行涌现出专业分工、协作模式和治理结构，而非预先定义所有角色。
反方 / 局限
- — 作者承认自适应系统以可预测性换取横向智能，并指出其失败模式包括：次优吸引子、智能体单一化、可解释性下降以及运行前可预测性降低。
4 分钟 · 3 卡片 · 6 资料
读原文 →