最近看了不少关于 Agent 开发的技术文章，发现一个挺有意思的现象：很多人还在研究 Prompt 怎么写，但真正决定 Agent 能力上限的，已经不只是提… · @xulijian1994 · TwKit

@xulijian1994

最近看了不少关于 Agent 开发的技术文章，发现一个挺有意思的现象：很多人还在研究 Prompt 怎么写，但真正决定 Agent 能力上限的，已经不只是提示词了。 如果你准备系统学习大模型应用开发，我建议重点搞懂三个核心概念：Agent Loop、Context Engineering、Harness Engineering。 这三个东西基本构成了现代 Agent 的技术骨架。 1. Agent Loop：让模型真正执行任务 Agent 的核心并不复杂，本质就是一个循环： 用户输入 → LLM 推理 → Tool Call → 工具执行 → 结果反馈 → LLM 继续推理。 直到任务完成，或者触发终止条件。 理解这个循环，比上来就研究 LangChain、LangGraph 的各种封装更重要。 建议自己实现一个最小 Agent Loop，支持工具调用、错误处理、最大迭代次数和任务终止。 2. Context Engineering：决定模型每一步能看到什么 Agent 能不能完成任务，很大程度取决于每次调用模型时，提供了什么上下文。 常见的上下文包括： System Prompt、用户输入、会话历史、工具定义、外部知识、执行结果和长期记忆。 真正麻烦的是长任务。 随着执行次数增加，上下文会不断膨胀，出现信息污染、目标漂移、历史冲突等问题。 所以需要掌握几个关键技术： • Context Compaction：上下文压缩 • Progressive Disclosure：渐进式加载 • Memory Management：长期记忆管理 • Context Retrieval：动态检索 • Context Orchestration：上下文编排 尤其是渐进式加载，不要一开始就把所有知识塞给模型，而是让 Agent 在需要的时候主动读取。 3. Harness Engineering：让 Agent 稳定运行 这是我认为非常值得深入研究的方向。 模型本身只负责推理，Harness 则负责给模型创造一个可以持续工作的运行环境。 包括工具系统、执行环境、权限控制、任务调度、状态管理、错误恢复、反馈机制等。 以 Coding Agent 为例，Read、Write、Edit、Glob、Grep、Bash 这些基础工具，就能组合出相当强大的能力。 特别是 Bash，能力非常强，但也带来了命令执行安全、超时控制、输出截断和环境隔离等问题。 这些才是真正需要工程能力解决的地方。 4. RAG 不再是唯一的知识获取方式 以前做知识库，很多人第一反应就是 Embedding + Vector Database + RAG。 但现在的 Coding Agent 已经证明，基于文件系统和搜索工具的动态检索同样有效。 比如通过 Glob 定位文件、Grep 搜索内容、Read 按需读取。 当然，这不代表 RAG 过时了。 结构化知识、语义检索、大规模文档库仍然有 RAG 的优势。 关键是根据任务选择检索方式，而不是为了使用向量数据库而使用向量数据库。 5. 多 Agent 不一定比单 Agent 更好 我现在更倾向于先把单 Agent 做好，再根据需要引入 SubAgent。 多 Agent 虽然可以拆分任务，但同时会引入上下文同步、任务交接、状态一致性和协作成本。 很多场景，一个主 Agent 加少量专用 SubAgent 就够用了。 不要为了架构复杂而复杂。 6. Agent Evals：最容易被忽略的一环 这可能是整套技术体系里最值得重视的部分。 很多 Agent 项目都是先开发，觉得效果不好就改 Prompt，改完再人工试几次。 这种方式很难持续优化。 更合理的做法是先构建评估数据集，再开发 Agent。 至少关注几个维度： • Task Success Rate：任务成功率 • Tool Call Accuracy：工具调用准确性 • Token Cost：执行成本 • Latency：任务耗时 • Recovery Rate：异常恢复能力 • Trajectory：执行轨迹是否合理 每次调整 Prompt、Context 或工具系统，都通过相同的数据集进行回归评估。 这样才能知道一次优化到底是真的提升了效果，还是只改善了几个特定案例。 7. 学习资源推荐 如果想系统学习大模型应用开发，下面这些资源值得收藏。 ① 通往 AGI 之路（飞书知识库） https://waytoagi.feishu.cn/wiki/QPe5w5g7UisbEkkow8XcDmOpn8e ② Anthropic Engineering（工程实践） https://www.anthropic.com/engineering ③ Claude Blog（Claude 团队博客） https://claude.com/blog ④ Anthropic Research（前沿研究与论文） https://www.anthropic.com/research ⑤ Cursor Blog（Coding Agent 工程实践） https://cursor.com/cn/blog ⑥ Lilian Weng Blog（LLM、Agent、强化学习等技术原理） https://lilianweng.github.io/ ⑦ Claude Code Docs（工具、Hooks、Skills、Agent 等） https://code.claude.com/docs/en/overview ⑧ Lenny's Podcast（AI 产品、工程与行业访谈） https://www.youtube.com/@LennysPodcast ⑨ Pi（Agent Toolkit，适合研究 Agent Loop 和底层实现） 源码： https://github.com/earendil-works/pi 文档： https://pi.dev/docs/latest 最后说一下我的理解。 大模型应用开发正在从 Prompt Engineering，逐渐走向 Context Engineering 和 Harness Engineering。 未来真正有竞争力的 Agent 开发者，不一定是最会写提示词的人，而是能够把模型能力、上下文、工具系统和评估体系组合起来的人。 与其不停追逐新的 Agent 框架，不如先把这些底层原理真正吃透。

曝光 95 · 评论 0 · 点赞 1 · 书签 0