多数Agent不需要Agent:Anthropic六种模式,和一层更该先补的harness
Anthropic把Agent构建拆成六种模式,多数任务在第一种就该停下。Trackmind那篇harness长文补了另一半:模型之外,任务合同、地图文件、证据门禁、权限、重试上限和状态文件,才决定Agent能不能交付。
先看一张图。
很多团队做Agent的路径很固定:先上复杂编排,失败后改prompt,再换模型,再塞文档。Trackmind转述Anthropic那份材料时,给了一个更扫兴的答案:大多数任务根本不需要一个“真Agent”,只需要能工作的最简单模式。
六种模式,第一种就该拦住多数需求
Anthropic把构建方式拆成六种:
- 增强型LLM:一个模型,加工具,加记忆。多数所谓Agent应该停在这里。
- Prompt chaining:任务拆成步骤,每步之间做检查,再进入下一步。
- Routing:先分类输入,再送到合适的prompt,或者送到更便宜的模型。
- Parallelization:拆分后并行跑,再合并;或者同一任务跑三次投票。
- Orchestrator-workers:一个模型做规划,派发worker,最后合并结果。
- Evaluator-optimizer:生成,批评,修正,循环到通过。
只有这些都不适配,才考虑真正的Agent:一个带工具的循环,有停止条件,有人工检查点。
这组模式的杀伤力在于顺序。不是先问“怎么让Agent更自主”,而是先问“这件事配不配拥有一个循环”。有网友Sogav的评论很刻薄,也很接近现实:一半的Agent就是一个for循环加一个非常自信的system prompt,能跑起来的恰好是这些。Russell说得更直接,多数Agent本应只是一个好prompt。
模型之外,还有一层东西
Trackmind那篇长文把问题往下推了一层。原文提出一个公式:Agent = Model + Harness。模型负责推理和提出下一步,harness负责其余所有事:模型能看到什么,能碰哪些工具,会话之间记住什么,什么算完成,什么被禁止,出错后怎么办。
原文给了两组公开数据。LangChain把编码Agent从Terminal Bench 2.0的52.8%提到66.5%,模型没换,改的是prompt、工具和中间件。OpenAI描述过一个实验,三名工程师往一个仓库里灌了约1500个PR,每一行代码由Codex写。早期进展慢,他们的诊断是环境描述不够清楚。工程师的工作从写代码转向设计环境、表达意图、搭反馈回路。
Trackmind还记录了一个更小的实验。20个真实任务,同一个模型,同一份基础prompt,同一台机器,跑两遍。Run A只给裸prompt。Run B加了一个周末搭起来的harness:每个任务一份短合同,带“done when”行;一份40行以内的地图文件;完成前必须过测试门禁;重试上限三次;一份规则文件说明哪些能碰、哪些不能碰。
结果:无需人工接手就通过的任务,Run A是8/20,Run B是16/20;失控重试循环,5次对0次;每个被接受任务的平均成本,约4.10美元对1.60美元;每天看护时间,约两小时降到25分钟。模型没换,prompt措辞也没改。
这就是harness的价值。它不提高模型智商,它减少模型在错误世界上浪费的智商。
七个失败,七种外围修复
原文列了七个高频故障,修复方式都落在模型外面。
任务做偏。先写任务合同,包含目标、约束、交付物、“done when”、需要审批的事项、被阻塞时怎么办。没有“done when”,Agent会顺手解一个更简单的问题,然后一脸平静地报告成功。
在代码库里迷路。给地图,不给手册。根目录放一个40行以内的AGENTS.md或CLAUDE.md,指向架构、测试、产品规则、安全文档。上下文是注意力预算,不是存储空间。倒得越多,理解越少。
说完成了但其实没有。把证据变成完成门禁。原文的裸跑里,Agent对20个任务全报完成,真正跑测试只有8个站得住。一个check.sh打印GATE: PASS,才算完成。检查角色和构建角色分开,verifier的问题不是“看起来好吗”,而是“什么理由能拒绝它”。
做了没批准的事。权限放到模型外面。可逆操作放开并留痕,对外可见的操作要审批,难逆转的操作直接关通道。模型建议,harness决定,工具执行。
反复重试同一个错误。先分类失败,再设上限。超时、参数错、缺信息、测试失败、权限拒绝,对应不同动作。同样错误出现两次就停,默认三次后升级给人。原文作者提到一次夜间运行重试失败API 41次,加了三次上限后,Agent停下来留下尝试记录,反而成了有用的调试报告。
忘了之前定过什么。状态放在对话外面。一个STATE.md记录当前步骤、已做决策及原因、产物、风险和下一步。新会话读状态,不读一段有损回忆。
重复犯同类错误。把教训变成基础设施。先解释,再清单,再自动检查,最后强制。UI代码不许直接导入数据层,写在prompt里是愿望,写进lint规则才是墙。
起步别搭平台
原文给了一个渐进路径。Level 0是prompt加模型,适合低风险快任务。Level 1加合同、短地图、少量定义清楚的工具。Level 2加状态、真实检查和有边界的循环。Level 3加权限、追踪、恢复路径和人工审批。每加一层,都应该先亲眼看过它要防的失败。
有个判断标准很实用:每条Agent指南都应该能追溯到一次真实事故。指不出事故,那条规则大概率是噪音。
模型几个月换一次。合同、测试、地图、状态、权限会留下来。多数Agent项目缺的不是更聪明的模型,是这层愿意干脏活的外围系统。
Trackmind原帖:https://x.com/0xTrackmind/status/2121647160387092518
发布时间: 2026-11-15 17:32