AI Agent 基础架构解析：从 LLM 到 ReAct 循环与 Harness 工程的工程化路径

本文基于开源技术书《深入理解 AI Agent》第一章，系统梳理 AI Agent 的核心架构组件、运行机制和工程设计原则。该章从多个真实 Agent 产品出发，建立了对 Agent 的工程化理解框架，涵盖核心公式、ReAct 循环、Harness 工程以及从工作流到自主 Agent 的编排模式。

Agent 的工程公式：LLM + 上下文 + 工具

现代 Agent 的最小工程实现可以用一个公式表达：Agent = LLM + 上下文 + 工具。这三个组件不是抽象的理论概念，而是具体的工程组件：

• LLM 是大脑：决策内核，其能力来自预训练积累的世界知识与后训练固化的决策策略。
• 上下文是眼睛：Agent 在每个决策点收到并保留的信息表示，包括环境观察、用户记忆、领域知识和任务进展。
• 工具是手脚：Agent 用来感知或改变外部世界的接口。

在强化学习视角下，Agent 与 Environment 是闭环交互的两方。环境不断返回观察，Agent 根据上下文选择行动；行动改变环境状态，新状态产生下一次观察。这个闭环是理解所有 Agent 交互的最小结构。

图1-1 给出了两个抽象层次。外层是 Agent 与 Environment 的交互关系，内层是 Agent 的 Model-Harness 结构：Model 负责策略决策，Harness 是环绕模型的运行与治理层，负责构造上下文、暴露工具接口、维护循环和状态，并实施权限、验证与纠正。

观察空间与动作空间：能力扩展的核心杠杆

该章提出了一个关键的工程判断：在底层模型固定时，提升 Agent 任务表现最主要的系统工程手段，往往就是重新定义或扩展观察空间与动作空间。许多看似需要"更聪明模型"的问题，实际上只是接口问题——把任务所需的数据纳入上下文，或把完成任务所需的操作封装成工具，原本不可解的任务就可能变得可解。

以 Manus 和 OpenClaw 为例，两者的演进本质上都是观察空间和动作空间的扩展。Manus 把深度调研、代码生成和电脑操控三条原本独立的路线合并到同一个 Agent 中；OpenClaw 则通过 WhatsApp、Telegram 等消息渠道和本地 Gateway，把接口延伸到用户的整个数字生活。

五类工具体系

工具按 Agent 与外界互动的方向分为五类：

• 感知工具：让 Agent 访问信息（搜索引擎、文件系统、API）
• 执行工具：让 Agent 改变世界（代码执行、文件操作、系统命令）
• 协作工具：让 Agent 与其他 Agent 分工合作（委托子 Agent、请求人类确认）
• 事件触发工具：外部输入驱动 Agent 开始执行（新邮件、定时器、Webhook）
• 用户沟通工具：Agent 主动与用户传递信息（文字消息、语音通话、邮件）

工具调用（Tool Calling）的流程分四步：在上下文声明工具可用性、模型自主决定调用、框架执行工具、结果追加到上下文。开发者只需定义工具和执行工具调用，模型自主完成"要不要调用、调哪个、传什么参数"的决策。

ReAct 循环：Agent 的核心运行机制

Agent 执行任务的核心模式是 ReAct（Reasoning + Acting），包含三个环节：模型先思考当前该做什么，然后调用工具行动，再观察工具返回的结果并继续思考。这个"想-做-看"的循环不断重复，直到任务完成。

每次调用 LLM 时的完整上下文由两部分组成：静态前缀（系统提示词 + 工具定义）和轨迹（动态消息历史，包括用户消息、模型回复和工具执行结果）。这揭示了一个关键事实：Agent 的上下文 = 静态前缀 + 轨迹。

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=images%2Ffig1-4.png&pos_id=img-6ezs6U8J-1787973744736

以一个多币种收入汇总任务为例，Agent 的执行过程展现了完整的 ReAct 轨迹：用户提出需求后，模型先思考需要将不同货币转换为统一单位，然后并行调用三次货币转换工具，获得结果后继续思考并调用代码解释器进行汇总计算，最后生成最终答案。整个过程只用了 3 次迭代、4 次工具调用。

消融实验：上下文组件的贡献差异

该章通过实验 1-1 的消融实验（Ablation Study）系统验证了上下文各组件的作用。实验从五个上下文组件中选取四个进行测试，结果揭示了一个重要洞察：各组件并不等价，衡量的标准是它承载的信息能否从别处重建。

• 工具定义是行动能力的基础，缺失它 Agent 无法调用工具——但模型仍会给出格式工整的答案，数据却来自参数记忆
• 工具执行结果是闭环控制的关键，缺失会让 Agent"盲目"执行，反复重试直到耗尽迭代预算
• 思考过程记录"为什么这么做"，可以从工具结果重建时丢弃几乎无代价
• 历史消息防止冗余操作，避免重复犯错

这个实验的核心洞察是：上下文决定了 Agent 能看到什么，而 Agent 只能基于它看到的信息做决策。更值得警惕的是，“给出了回答"不等于"完成了任务”——上下文残缺时典型的失败不是报错退出，而是一个看上去毫无破绽的错误答案。

Harness 工程：模型之外的竞争力

从 Harness 工程视角看，可以把 LLM 抽象为核心组件 Model，把 Agent 边界内负责支撑模型运行的代码、配置和服务统称为 Harness。生产形态下的完整组成是：

Agent = Model + Harness
Harness = 上下文管理 + 工具接口 + 约束 + 验证 + 纠正

最小 Demo 只需 Model 和能构造上下文、暴露工具的 Harness；生产系统还要在同一边界内加入约束、验证和纠正。五个功能构成一个闭环：上下文与工具让 Agent"能做事"，约束预防错误，验证发现偏差，纠正使闭环得以形成，三者共同让 Agent"不做错事"。

以 Claude Code 为例，其 Harness 中绝大部分代码都是约束、验证和纠正，而非上下文与工具。这些机制包括流程状态管理、多层上下文压缩、权限分类、熔断器和错误恢复机制。行业正在从"能做事"向"可靠地做事"转变，Harness 工程因此成为 Agent 系统的核心竞争力。

工程范式的演进

该章梳理了 AI 应用工程的演进弧线：

1. 提示工程：优化输入指令提升输出质量
2. 上下文工程：系统管理模型能看到的所有信息
3. Harness 工程：扩展到 Agent 如何组织模型运行并与环境交互
4. Loop 工程：从单次运行扩展到跨轮次持续自主运转
5. Graph 工程：把 Agent 循环组织成显式的执行图

这五个阶段是层层包含关系，每一层都在前一层基础上扩展了工程师的关注范围。

构建有效 Agent 的三个原则

根据 Anthropic 的经验，成功的 Agent 系统遵循三个核心原则：

• 保持简单：从最简单的方案开始，只在确实必要时才增加复杂度
• 保持透明：明确显示 Agent 的规划步骤、执行日志和决策轨迹
• 设计好工具接口（ACI）：从 Agent 视角设计接口，采用"防呆"（Poka-yoke）思路让错误无法发生

编排模式：工作流与自主 Agent

该章区分了两种编排模式。

工作流通过预定义的代码路径编排 LLM 和工具，执行路径是确定性的。其优势在于严格的流程控制和安全性——提示注入最多只能影响当前节点，无法让 Agent 跳到不该执行的分支。局限是缺乏变通性。

自主 Agent的执行路径不是预先定义的，而是根据环境反馈实时决定。它本质上是在一个循环中使用工具的 LLM，通过持续获取环境反馈推进任务。

实践中，两者常常混合使用：关键且需严格合规的流程用工作流，需要灵活决策的部分切换到自主模式。选择编排模式的关键不是框架本身的复杂度，而在于它能否用尽可能少的抽象层让你专注于业务逻辑。

护栏与安全性

该章建立了全书统一的分层安全骨架。护栏按被绕过的难度分为三层：

• 上下文层：管模型能看到什么，在内容进入上下文前拦截（相关性分类器、安全分类器、内容审核、规则保护）
• 执行层：管模型能做什么，在动作生效前验证（工具风险评级、沙盒隔离、人在回路、输出检查）
• 数据层：管世界最终能被改成什么样，由稳定的、经过人类审查的机制强制执行（数据库行级安全、约束与校验器）

一个结构性判断是：处在同一个上下文里的 Agent，很难判断自己是否已经被注入。因此上下文层只能降低攻击成功率，给不出保证——这正是必须有下面两层的原因。

五个贯穿全书的设计模式

该章命名了五个将在后续章节反复使用的设计模式：

1. 提议者-审核者：产出与评判由两个不共享上下文的角色分别承担，成立前提是自审不可靠
2. 渐进式披露：先给可检索目录，再按需加载细节，同时优化上下文预算与选择精度
3. 只增不改：状态以追加方式演进，换来可缓存、可重放、可审计
4. 边界集 + 保留集：任何修改都要在"应改变"和"不应影响"两组样本上验证
5. 最小 diff + 可回滚：每次修改尽量小、带来源、可单独回滚

小结

第一章建立了理解和构建 AI Agent 的基础框架。其核心要点包括：Agent 的最小工程实现是 LLM + 上下文 + 工具；扩展观察空间和动作空间是模型固定时最有效的工程杠杆；ReAct 循环是串联三大组件的核心机制；Harness 工程（约束、验证、纠正）是模型能力商品化后的核心竞争力；从工作流到自主 Agent 的编排选择应遵循"从简单到复杂"的原则。这些框架为后续章节的具体技术展开提供了统一的概念参照坐标。

本文内容整理自开源技术书《深入理解 AI Agent》(bojieli/ai-agent-book)，采用 Apache 2.0 许可证