Agent 架构设计的实践指南——涵盖 Harness Engineering、Loop Engineering、Context Engineering、Skill 体系、多 Agent 协作架构等关键议题，从原型到工程落地的完整路径。
全部文章（44 篇）
主-子 Agent 上下文设计：5 篇论文的深度拆解
Agent 系统从单 agent 走向多 agent，最难的不是调度，是上下文。主 agent 把任务拆给子 agent，子 agent 干完活把结果塞回主 agent 的上下文——这个过程里有多少坑，做过的人都知道。
Agent记忆与场景图谱
（本文内容生成中，请稍后刷新查看完整版本）
Loop Engineering 系列完结篇：闭环成熟度模型
写了这么多闭环的文章，从原理到实操到案例，该收束了。这篇给闭环能力定个级——你团队的闭环在哪个阶段，下一步该往哪走，一目了然。
写好 Agent Prompt：不是越长越好
Agent 的 Prompt 写法，和聊天机器人的 Prompt 不是一回事。聊天机器人可以写一长串人设、语气、规则，Agent 的 Prompt 是给机器执行用的——每个 token 都有成本，每个多余的指令都可能让模型走偏。
Loop Engineering 实战案例：一个电商平台的闭环演进
前面几篇讲了闭环的原理、反模式、LLM决策、跨服务设计。这篇换个角度——讲一个真实案例。数据做了脱敏，但演进过程是真实的。
微服务环境下跨服务闭环设计
单服务的闭环好搞——一个进程里，指标、决策、执行都在一块儿。但微服务环境下，一个业务流程横跨三五个服务，闭环就复杂了。订单服务降级了，支付服务不知道；库存服务扩容了，物流服务没跟上。各服务各搞各的闭环，要么重复动作，要么互相矛盾。
Loop Engineering 反模式：为什么你的闭环转不起来
上一篇搭了个最小闭环，代码跑得通。但真放到生产环境，闭环往往转不起来。不是代码的问题——是人的问题、指标的问题、信任的问题。
Loop Engineering 落地手册：从零搭建第一个工程闭环
搞工程闭环（Loop Engineering）的人很多，但真把闭环转起来的少。大部分团队的"闭环"就是加个监控面板，配个告警，完事。这不叫闭环，这叫"有监控"。
Loop Engineering 落地手册：从零搭建第一个工程闭环
上周三凌晨两点，支付服务 P99 飙到 8 秒，报警响了 47 条，值班的同事翻了半小时日志才定位到是下游优惠券服务超时。等熔断加上去，已经影响了 1200 笔订单。
指标内化：让技术和业务指标成为工程闭环的一部分
大多数团队的情况是这样的：技术指标归 SRE 管的上，业务指标归产品管的上，两边各搞一张仪表盘，周会的时候互相汇报一下，然后该干嘛干嘛。
swe-agent 项目深度分析报告
SWE Agent 是由 LangTalks 团队开发的一款基于 LangGraph 的智能软件工程代理。该项目的核心价值在于将复杂的代码实现过程自动化，通过“规划-执行”分离的多智能体架构，提升 AI 编写和修改代码的可靠性与精确度...
Agent 源码研究技巧：从 Prompt Engineering 视角拆解 Agent 运行
研究 Agent 源码，最快的方式不是从入口函数往下追调用链，而是直接读 prompt。Prompt 是 Agent 的灵魂——它定义了模型能做什么、怎么做、做到什么程度、什么时候停。读懂了 prompt，整个系统的设计意图就暴露了。
Loop Engineering 的动力分析：循环何以自驱
Agent 系统正在从"单次调用"走向"持续循环"。不是跑一遍就完，而是不断自我迭代、自我修正、自我进化。这个模式有个名字——Loop Engineering。
Agent 记忆投毒：攻击手法与防御全景
Agent 越来越依赖长期记忆来保持个性、积累经验、做更好的决策。但记忆是双刃剑——它让 Agent 变聪明，也让攻击者有了持久化的入口。
Loop Engineering：基于日志的自动化开发和运维
我最近在实践一种工作流，核心思路很简单：让工程自己给自己喂料。
Loop Engineering：循环不是问题，是解法
从 while(true) 到事件循环，从 CI/CD pipeline 到 Agent 的 self-correction，循环一直是系统的核心结构。但我们对它的态度很分裂——一边知道循环是必要的，一边又觉得循环是危险的（死循环、无...
微内核设计的Harness
代码：https://github.com/daoyuly/mirco-kernal-nanobot
规格驱动开发：AI 时代的软件工程新范式
传统软件开发里，规格文档通常是写完代码后的补品，甚至根本不存在。需求来了，打开 IDE 就撸，边写边想边改，这是大部分程序员的真实工作流。
大脑是大模型，身体是Harness
有人说大模型是"灵魂"，我觉得不太对。灵魂太虚了。更准确的说法：大脑就是大模型，身体就是 Harness。这个类比不是修辞，是真的能对上。
Loop Engineering：让诗词网站自己运转
Loop Engineering 不把系统当一次性交付的产物，而是当飞轮——上线只是起点，转起来才是正经事。
Loop Engineering 深度综述：从手动 Prompt 到自主循环的工程范式迁移
2026 年 6 月，"Loop Engineering"在 AI 工程社区爆发式传播。这不是又一个炒作概念——它精确地描述了一个正在发生的范式迁移：人从 Agent 循环的内部走向外部，从执行者变成设计者。
Agent Harness Engineering: A Survey
Junjie Li¹·⁶·, Xi Xiao⁶·, Yunbei Zhang⁵·, Chen Liu²·,
Loop Engineer 综述：AI Agent 时代增长最快的工程角色
2026 年，一个全新的工程角色正在迅速崛起——Loop Engineer。这不是又一个 AI 炒作概念，而是一个深刻反映了 AI 辅助开发范式转移的真实岗位。本文将从概念、演进、技能要求、行业影响等维度，全面综述 Loop Engi...
Code as Harness Agent
Xuying Ning¹† Katherine Tieu¹† Dongqi Fu²† Tianxin Wei¹† Zihao Li¹† Yuanchen Bei¹†
Vibe Coding 时代，真正重要的能力是什么
2026 年，一个产品经理坐在 Cursor 前面，用自然语言描述需求，30 分钟后一个可运行的原型出现在屏幕上。他没有写过一行代码。
swe-agent 项目分析报告
A sophisticated AI-powered software engineering agent that automates code implementation through intelligent planning...
多 Agent 协作设计模式：从拓扑结构到演化架构的体系化综述
Nechepurenko & Shuvalov 在 2026 年 5 月发表的 Coordination as an Architectural Layer 中给出了一个震撼的数字：多 Agent LLM 系统在生产环境中的失败率高达...
基于 Skills 的 Agent 进化：从工具调用到自主演化的技术范式
传统 AI Agent 系统依赖直接的工具调用（Tool Calling）机制。LLM 根据用户请求，选择适当的 API 或函数，传入参数，获取结果。这种模式看似简洁，却暗藏几个根本性缺陷：
AI Agent 任务规划的 DAG 设计：从理论到工程实践
大语言模型让 AI 具备了"单步推理"的能力——给它一个问题，它能给出回答。但现实世界的任务从来不是单步的：
Harness 的本质：确保 LLM 推理稳定、可靠、有效的关键架构
本文深入探讨了 Harness 在 AI Agent 和 LLM 推理系统中的本质作用。通过对多个开源项目（Hermes Agent、OpenManus、Agent Zero、AutoResearchClaw）的架构分析，我们论证了 ...
AI时代的DSL-Spec与Harness Engineering实践
大模型极大降低了代码生成的门槛，但“能写代码”并不等于“能构建可维护的系统”。当开发者被动接受AI的输出，缺乏架构约束的代码将迅速演变为难以维护的焦油坑。AI时代的软件研发，正经历从“效率革命”向“效果革命”的范式转移。本文基于Toc...
swe-agent 项目分析报告
A sophisticated AI-powered software engineering agent that automates code implementation through intelligent planning...
Agent 进化方法论与体系深度调研
随着 AI Agent 的广泛应用，如何让 Agent 持续进化、自主学习成为关键问题。传统的 Agent 开发模式存在能力固化、适应性差、学习效率低、泛化能力弱等挑战。
Hermes Agent 进化机制深度分析
Hermes Agent 是一个革命性的自我改进型 AI 系统，其核心在于构建了一个完整的封闭学习循环（Closed Learning Loop）。通过三个核心机制的协同运作——技能系统（Procedural Memory）、记忆系统...
OpenClaw 架构深度解析：插件、Skills、Channels 与扩展机制的完整技术分析
OpenClaw 使用 JSON over WebSocket 进行通信：
动态 Prompt 在个人 Agent 助理系统的可行性与应用深度分析
传统静态 prompt 存在以下根本性问题：
Agent Memory 评估的工程化解决方案综述
Agent 系统与传统 AI 应用的核心区别在于 上下文连贯性 和 长期学习能力，这两者都依赖于 Memory 系统。
Agent 系统交付的可量化指标：从理论到实践的全景指南
深入分析 AI Agent 系统的可量化评估指标体系，涵盖功能质量、性能效率、用户体验、成本效益等5大维度，结合业界落地案例，提供普通 Agent 项目的指标制定框架与实施路径。
Agent 系统交付的可量化指标研究
随着 AI Agent 在企业级应用中的广泛部署，如何科学、客观地评估 Agent 系统的交付质量成为关键问题。传统的软件测试和评估方法已不足以应对 Agent 系统的复杂性、自主性和不确定性。
Agent Harness 深度调研：AI Agent 的运行时基础设施
1. 什么是 Agent Harness？
AI Agent 记忆召回机制深度分析
- ✅ Recall 支持文本和日期两种检索
AI Agent 记忆存储机制深度分析
特点: Core Memory 始终在上下文中，Recall 存储对话历史，Archival 支持向量检索
AI Agent 记忆系统深度分析报告
- ⚠️ Core Memory 大小受限
提示词工程完全指南：从基础到Agent应用的技术全景
提示词工程（Prompt Engineering）是解锁大语言模型（LLM）能力的关键技术。随着Agent系统的兴起，提示词技术从简单的指令演变为复杂的能力编排系统。本文将系统性地介绍14种核心提示词技术，从基础到高级，从理论到实践，...