Context 与 Harness 工程 智能体 Agent
阅读 6 评论 0 点赞 0

Context 与 Harness 工程

大模型应用工程分四层递进:Prompt Engineering让模型听懂需求,Context Engineering提供决策信息,Harness Engineering确保稳定执行,Learning Loop实现持续优化。后一层包含前一层。Agent落地中,模型决定天花板,Harness决定落地能力,其六层组件覆盖输入侧(上下文精细化)、动作侧(工具系统、执行编排)和校验侧(评估观测、约束恢复)。上下文腐化通过召回(RAG)、压缩(摘要提炼)、组装(结构化存储)治理。状态必须外化到文件系统,按任务状态、会话中间结果、长期记忆分层存储。实操中通过项目级/用户级/会话级配置及自动化钩子实现稳定执行。掌握这些工程方法可让大模型从“听话”到“能干”,显著提升复杂任务成功率。

#Context工程#Harness#Claude Code
Agent 与记忆系统 智能体 Agent
阅读 3 评论 0 点赞 0

Agent 与记忆系统

Agent与记忆系统是AI应用的核心。短期记忆采用MySQL会话表实现滑动窗口机制,只保留最近5轮对话并生成摘要,避免Token过载。长期记忆基于Weaviate向量数据库,按6种类型分类管理(如偏好、承诺),设定不同重要性阈值与保留天数,冲突处理采用时间衰减系数而非物理覆盖。意图识别通过轻量提示词将用户输入路由至预设模块,兜底策略调用大模型。Agent规划从基础的ReAct到复杂决策的ToT/GoT,工业级采用Plan-and-Execute加Self-Reflection确保稳定性。多Agent动态路由通过LangGraph条件边实现任务分发。框架选型上,线性任务用LangChain,复杂循环与多Agent协同用LangGraph。记忆更新遵循版本化与时间戳加权原则。工程挑战包括分层治理、增量摘要、强制终止条件等。

#Agent#记忆系统#ReAct