Harness Engineering 技术原理（二）：Feedforward、Feedback 与六层架构详解
约 14 分钟3977 字43 次阅读系列第 1/8 篇
Harness Engineering 技术原理（二）：Feedforward、Feedback 与六层架构详解
引言
第一篇我们建立了核心认知：Agent = Model + Harness，模型决定上限，Harness 决定底线。
这一篇来深入技术原理——Harness 是如何通过**引导（Feedforward）和反馈（Feedback）**两大机制来控制 Agent 行为的？六层架构每层解决什么问题？ReAct 循环是怎么运转的？
一、Feedforward vs Feedback：控制论视角
1.1 核心概念
Martin Fowler 在深度分析中提出了一个关键框架——Harness 本质上是一个控制论调节器（cybernetic governor），通过引导和反馈两条路径将代码库调节到期望状态。
引导（Feedforward Controls）：
事前约束——在 Agent 行动之前就设定好边界和方向，提升它第一次就做对的概率。
反馈（Feedback Controls）：
事后检测——在 Agent 行动之后观察结果，帮助它自我修正。
两者的关键区别：
| 维度 | Feedforward（引导） | Feedback（反馈） |
|---|---|---|
| 时机 | 行动之前 | 行动之后 |
| 目的 | 预防问题 | 发现并修正问题 |
| 本质 | 塑造概率空间 | 提供验证信号 |
| 典型实现 | AGENTS.md、Skill、Linter 规则 | 测试、CI、浏览器自动化 |
为什么缺一不可？
- 只有 Feedback：Agent 会重复犯同样的错误
- 只有 Feedforward：Agent 编码了规则但从不知道效果好不好
1.2 Computational vs Inferential：执行方式的差异
引导和反馈各自有两种执行方式：
| 类型 | 特点 | 执行速度 | 可靠性 | 典型实现 |
|---|---|---|---|---|
| Computational（计算型） | 确定性强，CPU 执行 | 毫秒~秒级 | 高 | Linter、测试、类型检查、ArchUnit |
| Inferential（推理型） | 语义分析，GPU/NPU 执行 | 秒~分钟级 | 中等（概率性） | AI Code Review、LLM as Judge |
Computational 的价值：用确定性工具提升好结果出现的概率。速度快到可以每次变更都运行。
Inferential 的价值：处理需要语义判断的问题——同类语义重复代码检测、过度设计的解决方案识别等。但成本高、不确定，不能每次 commit 都跑。
二、六层架构详解
2.1 L1：信息边界层——Agent 该知道什么
核心问题：定义 Agent 该知道什么、不该知道什么，避免它对无关信息做出反应。
关键设计：
- 定义角色与目标：Agent 是代码审查员、前端开发者还是全栈工程师？
- 裁剪无关信息：不在上下文中塞无关文件
- 结构化组织任务状态：任务描述、进度、验收标准
典型实现：
# AGENTS.md（入口文件，约100行）
## 角色
你是一个专门处理 [具体系统] 的后端工程师。
## 关注范围
- 只修改 `src/services/` 和 `src/models/` 目录
- 不碰基础设施代码（CI、部署脚本）
## 当前任务状态
[见 progress.md]
2.2 L2：工具系统层——Agent 怎么跟外部世界交互
核心问题：Agent 需要用哪些工具？什么时候调用？结果怎么提炼？
工具分类：
| 工具类型 | 作用 | 例子 |
|---|---|---|
| Bash | 通用命令执行 | 运行测试、构建、脚本 |
| Filesystem | 安全文件操作 | 读、写、搜索，带路径验证 |
| State Management | 会话内任务追踪 | Todo list、进度文件 |
| Orchestration | 派生子 Agent | OpenCode task tool、Claude Code agent tool |
| MCP Servers | 外部系统集成 | GitHub、Slack、数据库 |
工具调用设计原则：
- 反馈优先：给 Agent 验证方式提升 2-3 倍质量（Boris Cherny, Claude Code 创始人）
- 限制探索 Agent 的写权限：防止意外修改
- 工具结果要 LLM 友好：自定义 Linter 报错带修复指令
2.3 L3：执行编排层——多步骤任务怎么串
核心问题：让模型像人一样走完"理解目标→判断信息→分析→生成→检查"的完整轨道。
ReAct 循环（Reasoning + Acting）：
用户请求 → 模型接收当前状态
→ Reasoning（推理）：思考下一步做什么
→ Acting（行动）：通过工具执行
→ Observation（观察）：获取结果
→ 循环直到满足停止条件
举例：用户让 Agent 修复一个失败的测试。
- 模型读测试输出，推理发现导入路径错误
- 通过 Edit 工具修改文件
- 重新运行测试，看到新的类型不匹配错误
- 再次修复，运行测试
- 测试通过，推理任务完成，停止
停止条件的设定至关重要：没有明确停止条件，Agent 会无限循环或过早退出。
2.4 L4：记忆与状态层——中间结果怎么管
核心问题：长任务中间结果怎么管？防止系统混乱。
三层记忆架构：
| 层级 | 存储 | 持久性 | 作用 |
|---|---|---|---|
| Filesystem | 磁盘 | 永久 | 进度文件、git 历史、session 记录 |
| RAM | 内存 | 会话内 | 对话历史、工具结果 |
| Context Window | 模型上下文 | 当前请求 | 模型实际看到的 |
状态持久化最佳实践（Anthropic）：
- 初始化 Agent 创建 progress file（进度文件）和 feature list（功能列表）
- 编码 Agent 每轮从 git logs 和 progress files 读取
- 每轮结束时更新 progress file
- 没有数据库，没有向量存储，只有文件系统
2.5 L5：评估与观测层——怎么知道自己做对了
核心问题：Agent 怎么知道自己做对了？建立独立于生成过程的验证机制。
验证方式：
| 验证类型 | 例子 | 优点 |
|---|---|---|
| Computational | 单元测试、集成测试、架构测试（ArchUnit） | 快速、确定性强 |
| Inferential | AI Code Review、AI-generated tests | 能验证语义正确性 |
| Human-in-loop | 人工审查 | 最终保障 |
Boris Cherny 的洞察：给模型验证自己工作的方式，质量提升 2-3 倍。
2.6 L6：约束校验与恢复层——出错怎么办
核心问题：预设规则拦截错误，失败时提供重试或回滚机制。
约束类型：
| 类型 | 例子 |
|---|---|
| 架构约束 | 自定义 Linter 检查分层结构，违反报错 |
| 安全约束 | 白名单工具调用、文件系统路径限制 |
| 格式约束 | ESLint、Prettier 代码风格 |
| 恢复机制 | API 超时重试、上下文超限重启 |
OpenAI 的原则："If it cannot be enforced mechanically, agents will deviate."——文档中记录约束是不够的，如果不能机械化地强制执行，Agent 就会偏离。
三、上下文管理与 40% 阈值
3.1 为什么上下文不是越多越好
Dex Horthy 的研究：168K token 上下文窗口，用到约 40%（~67K tokens）时，Agent 输出质量急剧下降。
| 区间 | 表现 |
|---|---|
| Smart Zone（0-40%） | 推理聚焦、工具调用准确、代码质量高 |
| Dumb Zone（>40%） | 幻觉增多、兜圈子、格式混乱 |
Anthropic 把这个问题叫"上下文焦虑"——Sonnet 4.5 快到上下文上限时变得犹豫，倾向于提前收工。
3.2 应对策略
策略一：压缩（Compaction）
将上下文中的冗长内容压缩为 LLM 摘要要点，保留关键信息的同时减少 token 占用。
策略二：上下文重置（Context Reset）（Anthropic 的选择）
不压缩，而是把当前任务状态、已完成工作、待办事项结构化提取出来，然后启动一个全新的干净 Agent，把交接文档交给它。
这就像程序碰到内存泄漏时的解法——不是手动释放每一个内存块，而是直接重启进程从检查点恢复。
策略三：渐进式披露（Progressive Disclosure）
不要把整个 AGENTS.md 塞进上下文。而是把 AGENTS.md 当目录用（约 100 行），指向深层文档，Agent 需要什么再加载什么。
3.3 生产环境建议
设置 40% 阈值告警——当 Agent 上下文占用超过 40% 时，触发上下文压缩或任务交接。等 Agent 已经变蠢了再处理就晚了。
四、Steering Loop：人机协作的核心
4.1 什么是 Steering Loop
Human's job is to steer the agent by iterating on the harness——每当 Agent 多次犯同一个错误，就要改进 Feedforward 和 Feedback 控制，让这个问题在未来更少发生甚至完全防止。
Agent 犯错 → 人类分析根因 → 改进 Harness（规则/工具/验证）→ Agent 不再犯
4.2 Harness 也是代码
Böckeler 提出的一个关键观点：Harness 是需要维护的软件。
- Skills、prompts、MCP 配置都是代码
- 应该版本化管理、在 PR 中审查
- 过时的 prompt 会像过时的测试一样腐烂
4.3 用 AI 改进 Harness
AI 也可以用来改进 Harness 本身：
- 帮助写结构测试
- 从观察到的模式生成规则草稿
- 搭建自定义 Linter
- 从代码库考古中创建操作指南
五、Timing：保持质量靠左
5.1 左移原则（Shift Left）
CI/CD 的成熟团队早就知道：检查越早发现错误，修复成本越低。
Harness Engineering 同样适用：
| 时机 | 应该做什么 |
|---|---|
| Commit 前（最左） | Linter、快速测试、基本代码审查 |
| Commit 后 | 慢速测试、mutation testing |
| 集成后 | 全面代码审查、端到端测试 |
5.2 持续监控
除了变更生命周期，还需要持续运行的监控：
- 死代码检测
- 测试覆盖率质量分析
- 依赖漏洞扫描
- 运行时 SLO 监控（让 Agent 关注性能退化）
总结
Harness 的技术原理可以浓缩为三个核心机制：
1. Feedforward + Feedback 双轨控制：事前引导 + 事后验证，缺一不可
2. 六层各司其职：L1 定义边界 → L2 装备工具 → L3 编排执行 → L4 管理记忆 → L5 验证结果 → L6 兜底恢复
3. 上下文是硬约束：40% 是红线，超过后质量断崖式下跌；重置优于压缩
下一期我们将从系统设计的角度，讲解生产级 Harness 的架构——记忆系统、工具设计、沙箱隔离、多 Agent 编排。
标签：#AI #Agent #HarnessEngineering #ReAct #Feedforward #Feedback #六层架构