8.1
深览指数
产品Bestblogs·腾讯WorkBuddy··AI 生成
从模型到 Harness：WorkBuddy 如何把 Agent 做成可用产品
本文从产品工程视角，而非模型或提示词优化角度，拆解 WorkBuddy 将 LLM 变为稳定 Agent 的系统架构。核心观点是：Agent 可靠性取决于模型外部的 Context Engineering（上下文工程的五类动作）、Memory 系统的准入分层与程序性记忆管理、以及 Harness Engineering（引导、约束与编排）。适合正在将 LLM 能力产品化的工程师或产品经理，能提供具体可落地的机制设计参考。原文 ↗
核心观点
- ▍Agent 产品的可靠性主要取决于模型外部的 Context Engineering 与 Harness Engineering，而非模型本身或提示词技巧。
- ▍Context Engineering 追求相关、准确、及时，而非单纯堆叠 token，包含写入、选择、检索、压缩、隔离五类动作。
- 01Context Engineering 中，每轮模型调用应只包含当前决策所需的最小信息集，并采用渐进式加载和工具按需暴露等实践。
- 02Memory 系统区分陈述性记忆（用户事实、偏好）与程序性记忆（做事方法），后者不注入长期记忆，而是作为 Skill 管理，可版本化、评审、测试和回滚。
- 03Harness Engineering 负责方向引导、安全约束与系统编排，确保 Agent 行为可预测、可审计、可回退，如执行写文件、运行命令时拦截误操作。
- 04文章以一次完整调研任务作为案例，串联了从接收指令、分解任务、工具调用、结果验证到反馈纠正的整个流程。
- 05WorkBuddy 的 Skill 系统类似于 MCP 但更产品化，支持版本化、评审和测试，防止不良程序性记忆污染模型推理。
反方 / 局限
- — 文章主要基于 WorkBuddy 单一产品实践，其工程机制的普适性（尤其是在不同场景或模型规模下）尚未通过跨案例验证。
- — Harness Engineering 的约束机制可能在大规模复杂任务中引入新的编排瓶颈，文章未讨论其性能开销与扩展性限制。
3 分钟 · 3 卡片 · 6 资料
读原文 →