Agent Harness进化史：从链、图到“用代码思考”

如果你在 2023 年做过一个 LLM 应用，大概率写过这样的代码：把提示词串起来，第一步的输出喂给第二步，再调几个工具，最后拼成答案。系统能跑，但一遇到异常就散架。上游一句话理解错，后面全盘皆输，而且没人知道错在哪一步。

这正是智能体 Harness 要解决的问题。所谓 Harness，可以理解为围绕概率模型搭建的“确定性执行脚手架”：模型负责判断，脚手架负责约束、记录和恢复。LinkedIn 工程师 Karthik Ramgopal 把这段演进拆成三个阶段：链、图、代码化。每一步，都是被真实业务逼出来的。

一分钟速览

• 链式范式：提示词线性串联，落地快，但缺乏可控性，上游错误会级联放大。
• 图范式：用节点和边显式表达分支、并行、重试，催生多智能体与“人在回路”。
• 代码化范式：把代码而不是提示词作为推理媒介，让 Agent 自己编写执行逻辑。
• LinkedIn 早期用 LangChain 实现“路由—检索—生成”三步链，把 LLM 当黑盒文本函数。
• 长耗时任务通过消息队列拆分，获得 FIFO 投递、并行、弹性重试和异步流式输出。

第一阶段：链，能跑但脆弱

最早的智能体系统，围绕简单的线性工作流构建。把一系列提示词串起来，第一步的输出作为第二步的输入，依此类推。Harness 框架不过是工具调用、对话记忆的粘合代码，最终把 LLM 当作一个黑盒函数：文本进、文本出，外加一些语法糖。

LinkedIn 早期的实践很典型：路由、检索、生成三步。路由负责判断查询是否在范围内，以及应由哪个专门的 AI 专家处理；检索负责调用合适的工具收集信息，为 RAG 提供事实依据；生成负责过滤和综合检索结果，形成最终答案。

这种结构构建和部署都很快，但非常脆弱。整个工作流完全依赖前一步的文本保真度，上游一个错误会级联传播，使流程偏离轨道；系统没有内置机制来系统性识别错误或自动修复。它体现的是早期智能体产品“尽力而为”的特点：做出最初 80% 的体验很快，但要达到生产质量，需要大量评估、提示词优化和工程投入。

第二阶段：图，把控制流显式化

随着场景变复杂，线性链的局限无法忽视。开发者转向图：用节点表示任务，比如 LLM 调用、工具调用或验证；用边控制流程。分支、条件逻辑、并行执行和重试，都可以被表达出来。

图系统的关键创新，不只是增加了分支，而是让控制流变得显式且可声明。开发者不再把逻辑隐式塞进提示词或代码，而是定义成可查看、可修改、可梳理的执行计划。这形成了一种推理循环控制流，LLM 可以在动态环境中利用图结构，路由和执行复杂的长耗时任务。

对于许多复杂任务，单体智能体已经不够用。图系统催生了多智能体系统，由顶层编排器管理任务流和依赖关系。这也带来了新的工程问题：智能体之间如何异步通信、如何保证消息不丢、如何在关键决策点让人介入。

LinkedIn 的解法是复用现有的消息系统，把长耗时任务拆成消息序列，获得严格的 FIFO 投递和无缝的消息历史查找。这套基础提供了并行能力、弹性重试和灵活的执行模式：智能体可以一次性返回结果、同步流式输出，或者跨多条消息异步流式输出。

在此基础上，条件执行、重试与回退、状态管理、显式验证等能力被加入。系统不再盲目信任 LLM 的输出，而是通过模式检查、业务规则或辅助模型来验证。人在回路机制也不可或缺：智能体并非完全自主，它们会在关键决策点向人类寻求澄清、反馈或批准，在自主性与可控性之间取得平衡。

第三阶段：代码，成为推理的媒介

图虽然扩展了可处理任务的复杂度，但本质上仍是由人预先定义好工作流的自动化程序。随着工作流和状态空间越来越复杂，开发者面临越来越大的压力：需要手动编写大量故障恢复逻辑、校验规则和边界异常处理。最终的流程定义和评测框架容易变得脆弱、繁琐、难以维护。

更根本的问题是僵化。基于图的方法不适合那些无法被清晰表达为确定性工作流的任务。现实中的很多问题，边界模糊、步骤动态，事先画不出完整的图。

于是，最近一次重大突破出现了：把代码，而不是提示词，作为推理的主要媒介。不再简单地要求模型“下一步做什么”，而是让模型编写可执行的代码，用代码来表达计划、调用工具、处理异常。代码本身就是一种结构化、可验证、可组合的语言；模型可以在运行时检查结果，并根据反馈修改下一步逻辑。

这也解释了为什么“代码化 Harness”会成为 2026 年的热词。它把确定性从外部编排，转移到了模型生成的程序里。脚手架仍然存在，但不再试图穷举所有分支，而是提供执行环境、权限边界和观测手段。

趋势洞察

从链到图，再到代码化，这条演进线的共同驱动力，是生产环境对“稳定、可观测、可维护”的要求。模型越强，系统越不能把稳定性寄托在模型“这次表现好”上。Harness 的价值，就是为概率模型构建确定性边界。

对做 Agent 平台的团队来说，有三个判断值得记住。第一，不要跳过图阶段直接谈代码化：没有显式的状态管理和验证，代码化只会把混乱藏得更深。第二，人在回路不是过渡方案，而是长期机制，关键决策点必须留给人。第三，长耗时任务是试金石，消息队列、重试、状态恢复这些“传统后端”能力，在 Agent 时代依然是基础设施。

结语

智能体的进步，不只是模型变聪明了，也是脚手架变结实了。链教会我们如何把提示词串起来，图教会我们如何控制流程，代码化则让模型有机会自己编写执行逻辑。下一步会是什么，没人能确定；但可以确定的是，谁能把不确定性关进可观测的笼子里，谁就更接近生产级 Agent。