1.harness技术的层次是什么样的？
harness是LLM外面马具，从层次上看，第一层是编排和控制，第二层工具调用，会参数判断、重试，第三层是上下文和记忆管理，第四层是状态和持久化，第五层是对输入输出的校验，确保可靠。
总结：这里的第四层的作用比如长任务，通过保存中间状态和相关信息，避免如果一次失败就重新开始。
2.AItools架构上是怎么实现的？
首先是模型按照schema格输出表示调用工具的意图，agent harness去校验参数，判断执行权限，超时重试，结果要返回给LLM作为分析
总结：模型不是真的去调用工具，调用工具是确定性的，由框架去做
3.prompt engineering、context engineering、skill engineering、harness engineering、loop engineering五种不同的范式背景和解决问题是什么？
prompt 是提供如输出，如何提问的问题，解决的模型不知道怎么完成任务；
context engineering是提供背景知识，解决的是模型不知道历史信息和相关知识的问题；
skill是提供可以复用的工作流程和专业经验，解决的是反复叙述工作方法的问题；
harnessengineering是构建模型周围的执行和约束环境解决的是模型执不可靠的问题；
loop engineering通过反复迭代直至完成，解决的是模型执行失败不能自我纠正的问题。
总结：harness解决的是模型不可靠问题，不管是编排和控制、工具调用、上下文和记忆管理、状态和持久化、输入输出校验都是这些。
4.在agent各个环节对随机性的容忍度是多少，如何解决？
从意图理解、任务规划、工具选择、参数校验和权限判断、工具执行、结果观察、最终输出几个角度去考虑
意图理解和任务规划对随机性容忍度较高，任务规划对抗随机性确保任务规不要过于复杂，工具选择容忍度较低，只能是注册时有的工具，参数校验和权限判断对随机性容忍很低，因为必须确定性调用，工具执行对容忍度较低，如果错误需要重试，或者让模型重新生成参数，在结果观察有一定容忍度，但是要确保结果是有可靠信息来源，最终输出要确保是建立在实时的基础上，由人去确认。
总结，在理解这些都是和刚刚说的harness关联起来的，比如任务规划和工具选择是agentharness编排和控制的事情，对于可靠性和最终输出，这些是刚刚的输入输出的可靠性保证的问题。
5.Agent的应用场景有哪些
如果是简单的回答问题，摘要，总结，使用LLM
如果是固定的流程，排查代码问题，可以使用预先编写的流程，workflow
如果是有一定随机性的任务，排查代码，探索仓库，agent
如果有并行进行的复杂研究，代码审查，使用多agent
总结：这里主要是对于agent的应用场景是有随机性的，排查代码问题就是有随机性的。
总结：感觉harness是一个非常高频的面经的问题，我个人因为不是纯agent所以被问到最多是可靠性保证，是skill和mcp的区别这些，比如被问过skill和mcp都是10个哪个耗费token多。