玩过Agent的人都有这种体验：前五轮，它像个天才；十五轮后，开始犯蠢；二十轮后，它连自己最开始要干嘛都忘了。

很多人把Agent当成一个“模型+工具”的简单组合。但跑长了就知道，这远远不够。

philschmid打了个比方：模型是CPU，上下文是内存，而Harness是操作系统。没有操作系统，再强的CPU也撑不起复杂任务。

• 模型是CPU：提供原始处理能力
• 上下文窗口是RAM：有限的、易失性工作内存
• Agent Harness是操作系统：管理上下文，处理"启动"序列（提示词、钩子），并提供标准驱动（工具处理）
• Agent是应用程序：运行在操作系统之上的特定用户逻辑

目前，通用型Harness还很罕见。OpenDev是这一新兴类别的典型代表，他们把Agent跑长跑会遇到的坑，一个一个填平了。

AI编程助手正在经历一场根本性转变。从Copilot的代码补全，到Claude Code、Aider等终端原生Agent，开发者们发现：真正的自动化需要直接运行在开发者管理源码、执行构建、部署环境的地方——终端。

但构建一个生产级的终端Agent绝非易事。长周期会话中的上下文窗口爆炸、破坏性命令的安全风险、以及多步骤任务的推理退化，这些都是IDE插件时代不必面对的挑战。

Figure 2: OPENDEV的四层系统架构（Entry & UI → Agent → Tool & Context → Persistence）

OpenDev团队在这篇论文中提出了一个核心观点：Coding Agent的架构应该分为两个明确的阶段——Scaffolding（构建期）和 Harness（运行时）。这篇论文不仅贡献了代码，更贡献了一整套工程化的设计哲学。

2 核心理念：Scaffolding + Harness

传统Agent往往混淆了两个不同的阶段：

• Scaffolding（脚手架）：在第一个Prompt到达之前完成的工作——组装System Prompt、构建Tool Schema、注册Subagent。这部分应该eager construction（即时构建），确保Agent在运行时已是完全就绪状态。

Figure 4: Agent Harness的详细视图，展示了ReAct循环周围的七个支撑子系统

• Harness（马具/运行时框架）：第一个Prompt之后的所有工作——工具调度、上下文管理、安全强制执行、会话持久化。这是Agent的运行时编排层。

关键洞察：将构建期与运行时分离开，意味着你可以独立演化每个部分。新增工具只需修改Registry，而变更压缩策略只需调整Harness。

3 Extended ReAct：不只是"思考-行动"

Agent Harness架构实现了一个扩展的ReAct循环，包含六个阶段：

1. Pre-check & Compaction：检查注入队列，执行上下文压缩
2. Thinking：独立的思考阶段（无工具访问），防止过早行动
3. Self-Critique：自批判阶段（仅在HIGH级别启用）
4. Action：主LLM调用，产生工具调用
5. Tool Execution：并行/串行执行工具
6. Post-processing：学习记录、会话保存

Figure 8: Extended ReAct执行循环的详细视图，展示了从Initialization到Iteration的完整流程

特别值得注意的是Phase 0的Staged Context Management。系统监控Token使用率，在70%、80%、85%、90%、99%五个阈值采取不同策略：

Algorithm 1: Extended ReAct Loop with Five-Stage Compaction and Doom-Loop Detection

4 Context Engineering：上下文是一等公民

在长周期终端会话中，上下文管理不是优化项，而是基础性工程问题。OpenDev提出了Context Engineering Layer，包含四个关键子系统：

4.1 动态System Prompt组装

通过Priority-ordered conditional composition，根据运行时环境动态加载Prompt片段。例如，只有在Git仓库中才加载Git工作流指南，只有启用Todo跟踪时才加载任务管理指令。

Figure 10: PromptComposer的工作流程：Filter → Sort → Load → Join

4.2 自适应上下文压缩（ACC）

不同于简单的"到达阈值就总结"，ACC采用渐进式策略：

• Active State：最近的消息，完整保留
• Faded State：较旧的消息，替换为引用指针
• Archived State：归档到磁盘，完全移出上下文

Figure 13: 五级压缩管道（Warning → Masking → Pruning → Aggressive Masking → Full Compaction）

4.3 系统提醒（System Reminders）

解决"指令衰减"问题：随着会话变长，模型对初始System Prompt的关注度下降。OPENDEV通过事件驱动的即时提醒（Event-driven System Reminders）在关键时刻注入短小的user-role消息：

• 检测到未完成Todo却调用task_complete时
• 连续5次只读操作后（防止探索螺旋）
• 工具调用失败后

Figure 11: 系统提醒如何防止过早完成任务（左：无提醒导致用户信任丧失；右：有提醒确保任务完成）

4.4 双记忆架构（Dual-Memory）

为Thinking模型设计的特殊架构：

• Episodic Memory：LLM生成的长程对话摘要（每5条消息更新一次）
• Working Memory：最近6条消息的原文

这既避免了长上下文超限，又保留了关键细节。

Figure 14: Agentic Context Engineering (ACE) 记忆管道，包含Bullet Selector、Reflector、Curator和Playbook

5. 防御纵深：五层安全架构

---

终端Agent能执行任意Shell命令，这带来了巨大风险。OPENDEV采用五层独立的安全机制：

1. Prompt-Level Guardrails：System Prompt中的安全策略
2. Schema-Level Tool Restrictions：通过Tool Schema过滤（如Planner Subagent只能看到只读工具）
3. Runtime Approval System：Manual/Semi-Auto/Auto三级审批
4. Tool-Level Validation：危险模式检测（rm -rf /等）、陈旧读取检测
5. Lifecycle Hooks：用户自定义的Pre/Post工具钩子

Figure 3: 防御纵深安全架构的五层独立防线

关键设计：让危险工具"不可见"而非"被阻止"。当Tool Schema中根本不包含写工具时，LLM甚至不会尝试生成写操作，这比运行时权限检查更 robust。

6. 复合AI系统：多模型路由

---

OPENDEV采用Compound AI System架构，将不同工作负载路由到不同模型：

Model Role	Purpose	Fallback Chain
Action	主要执行模型	-
Thinking	深度推理（无工具）	Action
Critique	自评估	Thinking → Action
Vision	图像处理	Action (if capable)
Compact	快速总结	Action

Figure 1: OPENDEV的并发会话架构，每个Session包含多个Subagent，各自绑定到LLM Pool中的不同模型

这种设计实现了模型无关性：切换提供商只需改配置，无需改代码。

7. 工具系统：延迟发现与高效扩展

---

7.1 MCP（Model Context Protocol）延迟发现

为避免100个外部工具消耗20,000 Token的上下文，OPENDEV采用Lazy Discovery：只有在Agent调用search_tools或直接调用某个MCP工具时，该工具的Schema才被加载到上下文中。

Figure 19: ToolRegistry的延迟发现机制，将MCP集成的基线Token成本降至接近零

7.2 9-Pass模糊匹配编辑

LLM生成的代码编辑往往有微小偏差（空格、缩进、转义序列）。edit_file工具实现了9级渐进式匹配链，从精确匹配到上下文感知匹配，大幅降低了"内容未找到"的错误率。

Table D: Edit Tool的九级模糊匹配链

7.3 完整工具目录

Table 1: OPENDEV内置工具完整目录（按Handler分类）

8. 关键经验：五个设计权衡

---

OpenDev总结了五个跨领域的设计张力：

最后，Harness作为新的抽象层

OpenDev的贡献不仅是又一个开源Coding Agent，而是提出了Harness这一关键抽象——将Agent的运行时编排从业务逻辑中分离出来。

在终端原生Agent的时代，我们需要的不是更聪明的Prompt，而是更健壮的Scaffolding + Harness架构：

• Scaffolding确保Agent以正确的能力组合启动
• Harness确保Agent在长周期、高风险的终端环境中安全、高效、持续地运行

正如论文所言：“The design space for terminal-native agentic tools remains largely underexplored.” 而Harness，或许就是这个设计空间中最关键的 missing piece。

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】