搜索
LLM Agent 做长任务时，真正让人头疼的往往不是模型不会推理，而是上下文开始失控：前几步还很清楚，后面就忘约束、丢状态、重复试错，最后把任务跑成事故现场。
一年前，行业还在为“从自动补全到 Agent”的进化感到兴奋。然而一年过去，我们不难发现单纯靠“Vibe Coding”和“Prompt 调优”，面对非确定性模型带来的风险和成本问题，显然无法撑起企业级软件开发。
本文将深入探讨 Anthropic、OpenAI、Perplexity 和 LangChain 究竟在开发什么。我们将聊聊编排循环、工具、记忆、上下文管理，以及那些将“无状态”的大语言模型（LLM）转变为全能智能体（Agent）的底层机制。
AI已经是一个彻底围绕Token的生意了， 或者说，Token经济学就是推理经济学, 我认为，今时今日的AI， 连这种基础设施层的东西（比如网络）， 都和业务理念融为一体了， 这真是一个大趋势。
在这篇文章里，我想介绍编码智能体（Coding agents）以及 Agent harnesses 的整体设计：它们是什么、怎么运作，以及各个零件在实践中怎么拼到一起。
最近，AI 圈子里又冒出一个新词：Harness Engineering。
这几天我注意到，我的「杉森楠 AI H1｜海内外产品交流」群里，大家一直在聊 Claude Code 和 Skills。
2026 年才开始，全球 AI 行业就迎来了第一个开年王炸。不是来自某个更大的模型参数，不是某家实验室刷新了榜单分数，而是一个看似不起眼、却迅速破圈的概念——Agent Skill。
Agent 并不是一次性输出的系统。它们运行在多轮交互之中：调用工具、修改内部状态、根据中间结果不断调整策略。也正是这些让 Agent 变得有用的能力 ——自主性、智能性与灵活性 —— 同时也让它们变得更难以评估。
谭老师我， 每年会找几个看似冷门， 其实值得深挖的选题， 啥意义，没苦硬吃？ 这是拉开认知差距的办法。 科技这行，赚小钱靠信息差， 抓大钱靠认知差， 这篇灵感来源于， 有几位搞AI底层技术的朋友常说，