ai-boost/awesome-harness-engineering

📌 【開源資源】AI Agent 的成敗不在模型，而在於「Harness Engineering」

TL;DR：專注於 Agent 外圍支架（Scaffolding）的資源清單，定義如何透過工程化設計提升 AI 代理的可靠性。

大多數開發者在建構 AI Agent 時，習慣將焦點放在「選擇哪個模型」或「如何撰寫 Prompt」，但真正的關鍵可能在於模型之外的支架設計。

🤔 什麼是 Harness Engineering？

根據 awesome-harness-engineering 的定義，Harness Engineering 是一門設計「支架（Scaffolding）」的學科。這些支架包括：上下文傳遞（Context Delivery）、工具介面、規劃產出物、驗證迴圈、記憶體系統以及沙盒環境。

其核心理念在於：模型無法單獨完成所有任務，而一個優秀的 Harness 是為了補足模型的不足。作者強調，最頂尖的支架設計應基於一個前提：隨著模型能力的提升，這些工程元件最終會變得不再必要。

🧩 建構可靠 Agent 的核心元件

該專案將 AI Agent 的工程設計拆解為多個關鍵維度，為開發者提供參考模式與模板：

• 執行與規劃：涵蓋 Agent Loop、任務分解（Task Decomposition）以及任務執行器與編排（Task Runners & Orchestration）。
• 資料與記憶：包含上下文傳遞與壓縮（Context Delivery & Compaction）、記憶體與狀態管理（Memory & State）。
• 能力擴充套件：聚焦於工具設計（Tool Design）、技能開發以及 MCP（Model Context Protocol）。
• 安全與驗證：包含許可權與授權（Permissions & Authorization）、沙盒環境、驗證與 CI 整合（Verification & CI Integration）。
• 開發者體驗：提供可觀測性與追蹤（Observability & Tracing）、除錯（Debugging）以及人機協作（Human-in-the-Loop）的實作方式。

🎯 實務啟示：從「調教模型」轉向「設計系統」

對於 AI 工程師而言，這意味著開發重心應從單純的 Prompt Engineering 移向系統工程。當模型在現實任務中失敗時，問題可能不在於模型不夠強，而是在於缺乏有效的驗證迴圈（Verification Loops）或不夠精確的工具介面。透過建立標準化的支架，可以將模型的能力最大化，並在模型升級時更輕鬆地替換底層元件。

🔗 來源

• 標題：awesome-harness-engineering
• 作者／機構：ai-boost
• 連結：https://github.com/ai-boost/awesome-harness-engineering

#AI #AIAgent #HarnessEngineering #LLM #SoftwareEngineering #AgenticWorkflow #OpenSource #DeveloperExperience #SystemDesign #AIInfrastructure