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：
- 提示工程：优化输入指令提升输出质量
- 上下文工程：系统管理模型能看到的所有信息
- Harness 工程：扩展到 Agent 如何组织模型运行并与环境交互
- Loop 工程：从单次运行扩展到跨轮次持续自主运转
- 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：
- 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
- 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
- 只增不改：状态以追加方式演进，换来可缓存、可重放、可审计
- 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
- 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