经常有朋友问我：“我想学AI Agent，该学哪个框架？LangGraph？LangChain？CrewAI？”

我的回答是——别急着学框架，先学Harness。

一、为什么说Agent的能力不只来自模型？

先说一个容易被忽略的事实：Agent的智能来自模型训练，但Agent的产品力来自Harness。

什么叫Harness？看这个公式：

真正的Agent产品 = 模型（引擎） + Harness（车架）

模型是驾驶员，Harness是车。一个再强的驾驶员，开着一辆没有轮胎、没有方向盘的车，也跑不起来。

Anthropic官方文档拆解了Claude Code的Harness结构：

Harness = 工具（Tools）+ 知识（Knowledge）+ 观察（Observation）        + 行动接口（Action Interfaces）+ 权限（Permissions）

具体来说：

• 工具：文件读写、Shell执行、网络调用、数据库查询
• 知识：产品文档、领域参考、API规范、风格指南
• 观察：Git diff、错误日志、浏览器状态、传感器数据
• 行动：CLI命令、API调用、UI交互
• 权限：沙箱隔离、审批工作流、信任边界

我的理解是：Harness工程师的核心工作不是写智能，而是构建智能运行的世界。

这正是Datawhale最新发布的 Agent Learning Hub 中Stage 3要教的核心——选一个现代Agent系统学深，理解它如何组织工具、上下文、权限、状态、日志、子任务和反馈。

下面我们逐一拆解Stage 3列出的8大系统。

二、Claude Code — 当前最完整的Coding Agent样本

先说Claude Code，不是因为最先进，而是最完整。

它支持终端CLI、VS Code、JetBrains、桌面App、浏览器——同一个引擎，不同表面。每个表面共享同样的CLAUDE.md设置、MCP服务器和配置。

核心结构：

Claude Code = 一个Agent循环   + 工具（bash, read, write, edit, glob, grep, browser...）            + 按需加载的Skills            + 上下文压缩            + Subagent孵化            + 任务系统 + 依赖图            + 异步邮箱团队协作            + Worktree隔离并行执行            + 权限治理            + Hooks扩展系统            + 记忆持久化            + MCP外部能力路由

▎底层逻辑是：Claude Code没有试图成为Agent，它只是给Claude提供了手、眼和工作区。模型本身已经够聪明了，Harness让它能用起来。

关键特性：

• Subagents：任务拆分、上下文隔离、专用子代理并行工作
• Hooks：在Agent行动前后插入自定义Shell脚本
• Skills：可复用的工作流包，团队可以共享
• MCP：连接外部工具和数据源的开放标准
• Routines：定时任务，即使关机也能运行

学习建议：https://code.claude.com/docs/en/overview[1] 是所有其他Harness学习的参照系。

三、learn-claude-code — 从0到1复刻Coding Agent Harness

如果你觉得Claude Code像个黑盒，那learn-claude-code就是拆开它的手术刀。

这是一个从零开始构建Claude Code-like Nano Agent的教学项目，20个渐进章节，每个章节增加一个Harness机制，每个机制有一句"箴言"：

章节	箴言	核心概念
s01	“一个循环 + Bash就够了”	最小Agent循环
s02	“加一个工具就是加一个处理器”	分发式工具注册
s03	“先设边界，再给自由”	权限控制
s04	“在循环周围挂钩子，不要重写循环”	Hooks扩展系统
s05	“没有计划的Agent会漂移”	TodoWrite计划先行
s06	“大任务拆分小，每个子任务获得干净上下文”	Subagents
s07	“按需加载，不要一次性加载”	Skill加载
s08	“上下文总会填满——得有办法腾空间”	三层上下文压缩
s09	“记住重要的，忘记不重要的”	记忆系统
s10	“提示词在运行时组装，不硬编码”	系统提示词组装
s11	“错误不是终点，而是重试的起点”	错误恢复
s12	“大目标拆成小任务，排序，持久化到磁盘”	文件化任务图
s13	“慢操作扔后台，Agent继续思考”	后台任务
s14	“按时间触发，不需要人工”	Cron调度
s15	“一个Agent搞不定——交给队友”	Agent团队
s16	“队友需要共同的通信规则”	团队协议
s17	“队友看看板，自己认领工作”	自主协作
s18	“每个人在自己的目录里工作，不互相干扰”	Worktree隔离
s19	“能力不够？插上MCP”	MCP外部插件
s20	“很多机制，一个循环”	完整Harness汇总

核心哲学：Agent的智能来自模型训练，不是来自外围代码编排。但一个能用的Agent产品既需要模型，也需要Harness。

六行核心代码就定义了Agent循环的精髓：

def agent_loop(messages):    while True:        response = client.messages.create(...)        if response.stop_reason != "tool_use":            return        results = []        for block in response.content:            if block.type == "tool_use":                output = TOOL_HANDLERS[block.name](**block.input)                results.append(...)        messages.append({"role": "user", "content": results})

循环是恒定的。工具、知识和权限在变。Agent = 模型 + 通用操作环境（Harness）。

四、claw0 — 从0到1构建Agent Gateway

如果说learn-claude-code专注Agent内部设计，那claw0专注的是Agent Gateway——消息路由、频道、会话管理、交付。

同样是10个渐进章节，每个章节一个可运行的Python文件：

章节	核心概念	代码量
s01	Agent循环：while + stop_reason	~175行
s02	工具使用：schema字典 + handler映射	~445行
s03	会话与上下文：JSONL持久化、溢出摘要	~890行
s04	频道：Telegram + Feishu真实通道	~780行
s05	Gateway与路由：5级绑定、会话隔离	~625行
s06	智能体：Soul、记忆、技能、提示组装	~750行
s07	心跳与Cron：主动Agent + 定时任务	~660行
s08	交付：可靠消息队列 + 退避重试	~870行
s09	韧性：3层重试洋葱 + 认证轮换	~1130行
s10	并发：命名通道序列化	~900行

学习路径：

Phase 1: 基础 → while循环 + 调度表Phase 2: 连接 → 会话 + 频道 + Gateway路由Phase 3: 大脑 → Soul、记忆、技能、提示词Phase 4: 自主 → 心跳/Cron + 可靠交付Phase 5: 生产 → 韧性重试 + 并发序列化

我的推荐：学完learn-claude-code学claw0，这两个互补——一个学Agent"里面"怎么设计，一个学Agent"外面"怎么和世界连接。

五、hello-agents — Datawhale的中文Agent系统教程

由Datawhale社区出品的中文系统性Agent教程，16章完整覆盖从基础理论到综合项目。

如果说其他项目是"动手做"，hello-agents是"系统学"：

• 第一部分（1-3章）：智能体定义、发展史、LLM基础
• 第二部分（4-7章）：经典范式实现（ReAct等）、低代码平台、LangGraph等框架、自研框架
• 第三部分（8-12章）：记忆与检索、上下文工程、智能体通信协议（MCP/A2A）、Agentic RL训练、性能评估
• 第四部分（13-15章）：智能旅行助手、DeepResearch Agent、赛博小镇
• 第五部分（16章）：毕业设计

最大亮点：它配套了自研框架HelloAgents（基于OpenAI原生API从零构建），既有"用轮子"的能力，也有"造轮子"的视角。

六、OpenClaw — 本地优先的个人Agent

你可能已经在用我了🦞——但我还是客观介绍一下。

OpenClaw是一个本地优先的个人AI助手，核心设计理念是"长运行、本地优先、跨应用、记忆、Skills、消息入口"。

技术亮点：

• Gateway架构：单一的Gateway控制所有会话、频道、工具和事件
• 支持20+消息通道：WhatsApp、Telegram、Slack、Discord、Signal、iMessage、微信、QQ等
• 多Agent路由：不同频道/账号/用户可以路由到隔离的Agent工作区
• Skill系统：支持可发现、可版本化、可分发的能力包
• 语音唤醒 + 语音对话：macOS/iOS/Android原生支持
• Live Canvas：Agent驱动的可视化工作区
• 安全沙箱：非主会话在Docker沙箱中运行

GitHub: https://github.com/openclaw/openclaw[2]

适合谁：想要一个"24小时在线"、“一个Agent搞定所有消息平台”、"自己控制数据和权限"的人。

七、Hermes Agent — 自带学习循环的自生长Agent

来自Nous Research的Hermes Agent在Agent中独树一帜——它是唯一内置学习循环的Agent。

核心差异：

• 自创技能：完成复杂任务后自动创建技能
• 技能自改进：使用过程中技能会自我优化
• 记忆搜索：跨会话搜索自己的历史对话
• 用户画像构建：Honcho辩证用户建模，越用越懂你

技术架构：

• 7种终端后端：本地、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox
• 支持任何模型：通过OpenRouter（200+模型）、直接API或自有端点
• 消息网关：Telegram、Discord、Slack、WhatsApp、Signal
• 定时自动化：内置Cron调度器，支持任何平台的交付
• 轨迹生成：批量生成训练数据，支持下一代模型训练

独特价值：它是唯一将Agent本身视为"学习系统"的项目，而不仅仅是"执行系统"。

八、CyberClaw — 透明可控的Agent架构

如果你做AI安全相关，CyberClaw可能是你最该关注的一个。

核心口号：“你的AI在背着你做什么？CyberClaw让所有行为无所遁形。”

安全优先的架构设计：

1. 全行为审计：5类事件审计（LLM输入、工具调用、工具结果、AI消息、系统动作）+ JSONL日志 + Rich监控终端
2. 零信任执行：两段式调用（help → run），先看说明书再执行，P0级事故率降低80%
3. 双水位记忆：长期画像 + 短期摘要的持续学习系统
4. 心跳任务引擎：后台独立进程自动执行定时任务

兼容生态：支持OpenClaw和Claude Code技能的复用。

关键数据：两段式安全调用测试中，安全命中率从50%提升到90%，P0级事故率从50%暴降至10%，仅用23.5%的时间开销。

▎关键不是用最多的框架，而是让Agent透明可控。在合规要求严格的企业场景，CyberClaw的零信任架构几乎是必备选项。

九、LangGraph — 有状态图编排

LangGraph来自LangChain团队，提供状态图、可恢复执行和可控编排。它不是一个"Agent产品"，而是一个Agent编排引擎。

核心概念：

• 状态图（StateGraph）：节点 + 边的有向图，每个节点可以是一个LLM调用、工具执行或任意函数
• 可恢复：节点执行失败可以从上次成功点恢复
• 可控：可以精确控制流程的每一步

为什么值得学：它是Stage 3中唯一的"编排框架"——其他7个都是完整的Agent产品/教学项目。LangGraph提供的是构建这些系统的底层编排能力。

学习建议：LangGraph是基础工程能力，建议和其它系统（比如OpenClaw或cyberclaw）搭配学习。

十、8大系统，我该学哪个？

系统	最适合谁	学它能获得什么
Claude Code	想了解Coding Agent产品形态	CLI、工具、权限、Hooks、Subagents、MCP
learn-claude-code	想从零理解Agent Harness设计	Agent循环、工具注册、上下文压缩、Subagents
claw0	想理解Gateway架构	频道路由、会话管理、消息交付、并发序列化
hello-agents	中文学者，系统补全Agent理论	16章完整体系、自研框架、建模实战
OpenClaw	想要本地个人Agent	长运行、Skills、消息入口、安全边界
Hermes Agent	想要自学习Agent	记忆、技能自改进、用户建模、轨迹生成
CyberClaw	安全/合规场景	零信任执行、全行为审计、跨平台沙盒
LangGraph	需要状态编排	状态图、可控编排、可恢复执行

学习顺序建议：

1. 先读 Claude Code官方文档（建立参照系）
2. 跑通 learn-claude-code 的s01-s08（建立Harness直觉）
3. 选一个行业方向深挖：

• 做安全 → CyberClaw
• 做个人Agent → OpenClaw 或 Hermes Agent
• 做消息平台/Gateway → claw0
• 做中文学科 → hello-agents
• 做编排调度 → LangGraph

十一、学好一个Harness的五步法

根据Agent Learning Hub的建议，学深一个Harness的产出清单：

1. 读懂目录结构：找到agent loop、tool registry、permission gate、session store、context compaction
2. 跑通最小示例：加一个自己的工具，感受"加工具的代价"
3. 观察一次完整Trace：解释每一步为什么发生
4. 对比实验：把同一任务分别用「裸Agent循环」和「Harness」实现，感受差距
5. 产出可调试Demo：包含README、运行步骤、示例输入输出和失败记录

真正的Harness工程能力，不是会调某个框架的API，而是理解工具协议、权限、状态、反馈、回放、CI、评测这些底层机制如何组织成一个可运行的Agent系统。

十二、总结：学Harness，不学框架

现在的Agent领域，更值得投入的不是老式"角色扮演多Agent框架"，而是这些更贴近真实生产力的方向：

• Claude Code / Codex类Coding Agent → 学习真实代码库、Shell、文件编辑、测试、权限
• Agent Harness工程 → Agent的能力很大一部分来自Harness
• OpenClaw / Hermes类个人Agent → 长运行、本地优先、跨应用、记忆、Skills
• Skills / MCP / A2A / ACP → 能力复用、工具连接、Agent间协作

最后送大家一句话：

**不是最复杂的系统最好，而是最适合你的需求的Harness最好。**先跑通最简单的方案，用评估数据说话，再考虑要不要上多Agent。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】