如何构建自定义 Agent Harness

构建有用的 Agent，核心在于定制化：将你的 Agent 连接到适合当前任务的上下文、数据和环境等。

从本质上讲，Agent 是一个模型循环调用工具，直到完成任务并返回结果：

你也可以将 Agent 定义为：agent = model + harness

Harness 是围绕模型的脚手架，负责将其与现实世界连接起来。

本文的其余部分基于以下假设：

• Agent 的好坏取决于提供给模型的上下文质量
• Harness 的职责是在每一步都为模型提供上下文

因此，要构建一个有用的 Agent，你需要一个 Harness，能够针对给定任务向模型精准交付正确的上下文。

2. 基础 Harness
   =============

create_agent 是 LangChain 用于构建 Harness 的原语。传入模型、工具集和系统提示词，你就拥有了一个可运行的 Agent：

from langchain.agents import create_agent
agent = create_agent(
model="anthropic:claude-sonnet-4-6",
tools=tools,
system_prompt="you are a helpful assistant..."
)

像 Deep Agents 和 Claude Agent SDK 这样的 Harness 已经预装了带有明确设计取向的中间件（Middleware）栈：记忆、上下文管理、沙箱环境等。它们旨在让你快速构建生产级 Agent，并且在大多数场景下表现良好。但许多 Agent 需要比这些 Harness 更细粒度的定制：自定义提示词、业务逻辑、护栏（Guardrails）等。

create_agent 采取了不同的方法：它是有意极简的。我们的理念与 Pi（一个高度可配置的编程 Agent Harness）类似。create_agent 只实现了核心的 Agent 循环，并将中间件（Middleware）作为定制的原语暴露出来。

3. 中间件：定制 Harness 的方式
   =====================

中间件在 Agent 循环的每一步进行介入：在模型调用之前和之后、在工具调用之前和之后、在 Agent 启动和销毁时。每一块中间件只处理一个关注点，并可以自由地与其他中间件组合：

中间件允许你通过几个通常协同工作的杠杆，为 Agent 添加能力：

• 确定性逻辑（Deterministic Logic）

业务逻辑、策略执行、动态 Agent 控制，任何需要在循环特定节点触发的逻辑。这包括对 Agent 本身的运行时控制：根据任务复杂度切换模型、调整提示词、更新 Agent 的消息历史（例如在历史压缩时）。任何无法（或不应）放在提示词中的逻辑，都应该放在这里。

• 工具（Tools）

与其直接在 Agent 上注册工具，不如让中间件来处理工具的完整生命周期：初始化、销毁、注册，并向 Agent 提供一套干净的工具集。当工具存在依赖、需要初始化或需要在运行结束时被干净地销毁时，这一点尤为重要。它还能让工具配置与其管理逻辑紧密耦合，而不是散落在 Agent 定义各处。

• 自定义状态（Custom state）

如果你的中间件需要在各个 Hook 之间追踪状态，中间件可以通过自定义属性扩展 Agent 的状态。这使得中间件能够在整个执行过程中追踪状态（维护计数器、标志位或其他在 Agent 运行期间持久化的值），并在不同 Hook 之间共享数据。

• 流处理器（Stream handlers）

中间件可以拦截并转换 Agent 的输出流，过滤事件、注入元数据、将不同类型的事件路由到不同的消费者。当你的技术栈中不同部分需要对 Agent 的不同行为做出反应时，这就非常有用：UI 消费 Token 增量、审计日志捕获工具调用、监控系统追踪延迟。

中间件的优雅之处在于：

• 它允许在 Agent 循环的任意节点进行定制
• 它将相关逻辑打包为可组合、可共享的代码单元

LangChain 为最常见的模式提供了预构建的中间件。任何针对你特定用例的定制需求，只需一个自定义中间件即可实现。由于每一块都是独立的，同一个中间件可以在组织内的每一个 Agent 中复用，从而让新 Agent 继承经过实战检验的行为，无需重复构建。

4. Harness 能力
   =============

Harness 的职责是在正确的时间，为给定任务向模型提供正确的上下文。

下表将常见能力映射到支持它们的中间件。大多数生产级 Agent 最终会根据自身需求（它是长时运行的吗？任务有多复杂？Agent 的行为有多敏感？等）组合使用多个中间件：

查看完整的预构建中间件列表，如下所示：

https://docs.langchain.com/oss/python/langchain/middleware/built-in

5. 任务-Harness 适配度
   =================

任务-Harness 适配度（Task-harness fit）衡量你的 Harness 与实际任务需求的匹配程度：它需要的上下文、可能遇到的故障、必须执行的策略、以及它运行的环境。一个客服 Agent 的 Harness 与一个长时运行的编程 Agent 的 Harness 看起来截然不同。

我们在 LangChain 构建的每一个 Agent，包括我们的 GTM Agent、异步编程 Agent 和无代码 Agent 构建器，都是基于 create_agent 构建的，并配有针对该 Agent 使命定制的中间件栈。

最好的 Agent 不仅仅是用强大的模型构建的，而是它们是用与任务高度适配的 Harness 构建的。构建自定义 Harness 的最简单方式，就是使用 create_agent。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】