Harness vs 原生 ReAct Agent 对比

Harness vs 原生 ReAct Agent 对比

原生 ReAct:最基础的 Agent 范式;Harness 是工程化 Agent 运行框架,在 ReAct 基础之上做了完整封装、管控、扩展,用于生产落地。

1. 整体架构

原生 ReAct Agent

  • 极简结构:Prompt + LLM + Tools + 循环
  • 流程:Thought → Action → Observation,循环,达到最大轮次就结束
  • 全部规则写死在单个 System Prompt里;记忆一般只有对话上下文
  • 没有分层,没有钩子,没有权限管控,适合 Demo、原型验证

Harness Agent

  • 在 ReAct 循环内核之上,增加多层外围管控层
  • 分层提示文件:CLAUDE.md / AGENTS.md / MEMORY.md / Skill,规则模块化,不堆在一个 prompt
  • 增加:Hook 钩子系统、Memory 持久层、权限控制、Trace 日志、多 Agent 调度、Runtime 动态约束
  • 面向线上工程落地,解决原生 ReAct 上生产遇到的各类问题

2. 提示词管理

原生 ReAct

  • 全部角色、规则、工具描述全部塞在同一个 System Prompt 字符串
  • 修改规则要改代码里的 prompt 字符串;规则多了 prompt 爆炸,容易互相干扰
  • 没有专门记忆、Agent 行为的独立约束片段

Harness

  • 提示词文件化、分层管理,不同职责放在不同 md 文件
  • CLAUDE.md:项目业务红线;AGENTS.md:Agent 循环行为;MEMORY.md:记忆读写规则;各个 Skill 独立提示
  • 运行时框架自动拼接,按需加载 skill 提示,不会一次性把全部内容塞上下文
  • 运行时动态追加 System‑Reminder(剩余步数、已执行动作、防循环提醒),每轮动态更新约束

3. Memory 记忆能力

原生 ReAct

  • 大多只有会话上下文短期记忆;长期记忆需要自己手写实现
  • 没有约束:模型想写什么就写什么,很容易把幻觉写入记忆
  • 没有记忆摘要、记忆过滤,长任务上下文极易溢出

Harness

  • 内置完整记忆组件:短期会话记忆 + 长期持久记忆
  • 通过MEMORY.md提示词约束哪些可以存、哪些禁止写入记忆
  • 框架层提供记忆摘要、检索过滤,防止错误幻觉落地到长期记忆

4. 循环与防无限循环

原生 ReAct

  • 仅靠一个最大迭代轮次数字做硬截断;没有业务层面循环检测
  • 防循环逻辑靠 prompt 文字提醒,模型经常无视提示,重复同样 Action
  • 终止逻辑完全交给大模型判断,什么时候退出全靠模型自己

Harness

  1. 底层:最大迭代步数硬限制;框架层检测历史 Action,识别重复动作,直接强制终止(代码层拦截,不只靠提示词)
  2. AGENTS.md 提示词定义终止策略:什么时候停止、什么时候请求人工确认
  3. Runtime 每轮注入提醒:当前已经做过哪些动作,禁止重复操作
  4. 支持 Reflection 反思钩子,停滞时主动校验任务进展

5. 工具 / Skill 能力

原生 ReAct

  • Function Calling 列表写死代码;所有工具一次性全部暴露给模型
  • 调用前无校验,模型想调用哪个就调用哪个,高危操作没有拦截
  • 工具调用前后没有统一钩子,日志 Trace 需要自己开发

Harness

  • Skill 模块化,工具附带独立提示词,按需加载,不是全部一次性暴露
  • Hook 钩子机制:工具调用前、调用后可以做校验,可以拒绝越权调用
  • 可以叠加权限策略(OPA),提示词做软约束 + 代码做硬拦截,双重防护

6. 可观测性 Trace 日志

原生 ReAct

  • 需要自己开发埋点;Thought、Action、Observation 日志需要手动打印,没有标准 Trace
  • 调试困难,出问题很难定位是 prompt 问题、模型问题还是工具问题

Harness

  • 框架原生内置 Trace,完整记录每一轮:输入、thought、action、observation、记忆读写、prompt 拼接快照
  • 便于线上排查 Agent 故障

7. Multi‑Agent 多智能体

原生 ReAct

  • 原生不支持多 Agent,多 Agent 通信、调度全部需要手写代码实现

Harness

  • 原生支持多 Agent 调度,Agent 之间消息通信有封装好的能力

8. 适用场景

✅ 原生 ReAct 适合

  • POC 原型、Demo、学习理解 Agent 原理;简单实验场景
  • 任务简单,不需要严格管控,不在乎稳定性

✅ Harness 适合

  • 生产环境落地 Agent;业务有红线、权限要求;长任务、多技能、多 Agent 场景
  • 需要可观测、可管控、降低幻觉与越权风险

精简版

原生 ReAct 是基础循环范式,只有 LLM+prompt+tools 循环,规则全部写在单个 system prompt,缺少记忆管控、权限、trace,适合 Demo 原型。

Harness 基于 ReAct 内核,做工程增强:提示词分层文件化(CLAUDE.md/AGENTS.md/MEMORY.md),内置记忆层,Hook 钩子校验,代码层面防循环拦截,完整 Trace,Skill 模块化,原生支持多 Agent,用于线上生产环境。

关键区别:ReAct 更多是模型侧范式;Harness 是一套运行时框架,既有提示词软约束,又有代码层硬防护。

相关推荐
土豆12509 分钟前
你只说要什么,它负责拆活交付:任务编排插件上手指南
人工智能·llm
GoldenSpider.AI2 小时前
讲透 Claude Code 的 Code Mode:原理、流程、用法与 24 轮实测
人工智能·ai编程·claude code
oak隔壁找我2 小时前
一款运行在 DSH(DeepSeek Harness)中的工作区文件管理插件
人工智能
江屿风2 小时前
AI Agent架构全解析:从规划到记忆的智能跃迁
人工智能·笔记·架构·agent·c/s·mcp工作流
ZONGYUAN-ROOT2 小时前
【API配额】多源 LLM API 配额池化实战:轮换调度、变化量监控、故障自愈一套方案(Python 完整实现)
人工智能
syso_稻草人2 小时前
qwen-image-2.1 高清放大拆解:Qwen21LatentUpscale 潜空间 2x + denoise 0.35 修细节,12 组场景实测
人工智能·stable diffusion·prompt·comfyui·qwen-image2.1
羲云网络3 小时前
GPT Image 2.6 动态表情怎么改:从情绪歧义到动作节奏验收
人工智能·gif·图像编辑
EatFan4 小时前
AI Agent 工程化元年:从单体智能到 Agent 集群的架构演进与落地路径
人工智能·架构·ai agent·autogen·crewai·agent集群·记忆工程
泯泷4 小时前
别再“裸聊”大模型了!你家的 AI 为什么总胡说八道?根子在 RAG
人工智能·算法·架构