Harness Engineering 指南· №8
Harness Engineering 前沿挑战（八）：未解决的问题与未来方向
整理Harness Engineering领域七个未解决的核心问题：棕地项目改造、功能验证缺失、长期可维护性未知、Harness厚薄之争、单多Agent选择困惑、评测体系缺失、自适应Harness方向。附研究者可探索的四个方向。
- #AI 编程
👋 hi,这里是
随手记下关于代码、设计 与日常的一些小想法。
Journal
随笔、研究与作品 — 一个持续生长的写作实验室。
按标签筛选
Harness Engineering 指南· №8
整理Harness Engineering领域七个未解决的核心问题：棕地项目改造、功能验证缺失、长期可维护性未知、Harness厚薄之争、单多Agent选择困惑、评测体系缺失、自适应Harness方向。附研究者可探索的四个方向。
Harness Engineering 指南· №1
Harness Engineering是2026年AI Agent开发圈的高频词。本文解释核心定义：Agent = Model + Harness，模型之外的一切决定系统下限。包含Can.ac实验、40%上下文阈值、六层架构概览和工程师段位自测。
Harness Engineering 指南· №5
深度横评四大主流Harness框架：OpenClaw、Claude Code、OpenCode、Hermes Agent。从定位、架构、记忆系统、安全机制、适用场景等维度全面对比，附场景化选型指南。
Harness Engineering 指南· №3
详解生产级Harness架构：三层记忆系统（Filesystem/RAM/Context Window）、工具分类与安全设计、硬沙箱vs软沙箱隔离策略、以及Orchestrator-Worker多Agent编排模式。
2026年最热门的个人AI Agent框架对比：OpenClaw拥有24万开发者和5700+ Skills，是生态最庞大的选择；Hermes Agent以自改进学习循环和6种安全后端另辟蹊径。本文深度对比两者的技术内核、安全机制、记忆系统和真实用户体验，给出选型建议。
Anthropic于2026年4月16日发布Claude Opus 4.7，CursorBench 70%超越Opus 4.6的58%，视觉能力98.5%飞跃，定价与4.6相同。本文完整解析核心升级点、第三方评测、定价及与Mythos的关系。
AI Skill 使用指南· №5
本文是基于OpenClaw/Codex官方规范写的完整指南，手把手教你从零写出一个标准、规范、可分发的Skill。涵盖SKILL.md结构、触发词写作、scripts/references/assets规范，以及完整示例。
AI Skill 使用指南· №4
OpenClaw内置60+ Skills，覆盖飞书集成、日历管理、智能家居、文件处理等场景。本文详细介绍OpenClaw Skills的使用方法、如何从clawhub.ai安装新Skills，以及如何创建自己的自定义Skill。
AI Skill 使用指南· №3
OpenCode是2026年最热门的开源AI编程助手，支持Skills扩展生态。本文是快速上手指南，详细介绍OpenCode安装、Skills安装和使用方法，以及如何组合使用多个Skills完成专业级项目。
AI Skill 使用指南· №2
AI Skills是2026年最热门的技术方向之一。本文是入门教程，用通俗易懂的语言解释什么是Skills、它和Tools的区别、以及普通人如何开始使用Skills提升工作效率。
AI Skill 使用指南· №1
2026年AI领域最热门的方向不是大模型本身，而是Skills技能系统。本文深度解析AI Skills的技术原理、MCP/A2A协议栈、三国志框架生态（LangChain vs AutoGen vs CrewAI）、以及这场"技能之战"背后的战略逻辑。
一、OpenClaw 是什么 OpenClaw（曾用名 Clawdbot / Moltbot）是一个开源的本地优先个人 AI 智能体网关，由奥地利工程师 Peter Steinberger（PSPDFKit 创始人）于 2026 年 1 月正式开源
Claude Code 源码泄露深度分析：51 万行代码背后的 AI Agent 架构设计 本文基于 2025 年 3 月 31 日 Claude Code npm 包 source map 意外泄露事件，对其源码进行深度技术分析。 事件背景 2026 年 3 月 31 日，Anthropic
2026年，AI大模型战场正经历前所未有的格局重塑。从OpenAI、Google、Anthropic三巨头领跑，到国内通义千问、智谱GLM、Kimi、豆包等模型强势崛起，大模型评测已成为技术选型的关键参考。本文基于2026年最新评测数据，带您深入了解主流评测体系与模型表现。
AI Agent 智能体研究报告：技术架构与前沿进展 撰写：Kevin 日期：2026年3月31日 1. 引言：从 LLM 到 Agent 1.1 什么是 Agent？ 在 AI 领域， Agent（智能体） 指的是能够感知环境、制定计划、执行行动并从反馈中学习的自主系统。与传统的「输入
当 LangChain 团队在 Terminal Bench 2.0 上把他们的编码 Agent 从 Top 30 拉到 Top 5 时，他们没有换模型、没有加数据、没有做微调。他们只改了一样东西——Harness。12 这个结果揭示了一个正在重塑软件工程的事实：模型是商品，Harness 才是护城河。 本文将从概念起源、核心架构、三大支柱、工程实践和未来演进五个维度，对 Harness Engineering 进行一次完整的技术拆解。
从脚本自动化到智能体驱动: 多年来，开发者使用 Selenium、Puppeteer、Playwright 等工具自动化浏览器操作。这些工具功能强大，但本质上是"脆性"的——我们编写依赖特定 CSS 选择器、XPath 或元素 ID 的脚本，一旦网站 UI 发生变化，脚本就会崩溃，维护成本极高。 2024 年末至 2025 年初，一种全新的范式开始崛起：让大语言模型（LLM）直接"看懂"并"操控"浏览器。Browser Use 正是这一浪潮中最具代表性的开源项目之一。它由 Magnus Müller 和 Gregor Žunić 创建，是一个基于 Python 的开源库，通过将 LLM 的推理能力与 Playwright 的浏览器控制能力相结合，让 AI Agent 能够像人类一样浏览网页、点击按钮、填写表单、提取数据。 与此同时，2025 年下半年，OpenAI 在其内部 Codex 项目中提出了一个影响深远的工程理念——Harness Engineering（驾驭工程）。这一理念的核心观点是：在 AI Agent 时代，工程师的核心工作不再是编写代码，而是设计环境、明确意图、构建反馈回路，使 Agent 能够可靠地工作。 本文将深入剖析 Browser Use Agent 的技术架构、核心原理和实现细节，并结合 Harness Engineering 的最新理念，探讨如何在生产环境中构建可靠的浏览器自动化智能体系统。