搜索
最近一段时间，越来越多人开始讨论一个词：Loop。刚开始看到这个说法，我也觉得有点抽象。Agent 本身不就会反复思考、调用工具、修改代码吗？为什么还要专门设计一个 Loop？周末两天看完 Claude Code 团队写的一篇文章，我才发现，这件事其实没有那么玄乎。
我们汇总了两篇文章的要点，想要讲清楚几件事：到底什么是世界模型？什么不是？当下的竞争格局：世界模型将走向何方，哪条路线可能胜出？所有路线都会撞上的那堵墙是什么，有哪些可能的解法？
本篇文章根据我在本月 43 Talks 线下活动中的分享整理而成。主理人李继刚邀请我时，给的主题词只有一个：Context。我想从 Agent 的视角出发，讨论一个判断：随着模型和 Harness 逐步趋同，真正决定 Agent 能力边界的，会越来越是 Context。
LLM Agent 做长任务时，真正让人头疼的往往不是模型不会推理，而是上下文开始失控：前几步还很清楚，后面就忘约束、丢状态、重复试错，最后把任务跑成事故现场。
一年前，行业还在为“从自动补全到 Agent”的进化感到兴奋。然而一年过去，我们不难发现单纯靠“Vibe Coding”和“Prompt 调优”，面对非确定性模型带来的风险和成本问题，显然无法撑起企业级软件开发。
本文将深入探讨 Anthropic、OpenAI、Perplexity 和 LangChain 究竟在开发什么。我们将聊聊编排循环、工具、记忆、上下文管理，以及那些将“无状态”的大语言模型（LLM）转变为全能智能体（Agent）的底层机制。
AI已经是一个彻底围绕Token的生意了， 或者说，Token经济学就是推理经济学, 我认为，今时今日的AI， 连这种基础设施层的东西（比如网络）， 都和业务理念融为一体了， 这真是一个大趋势。
在这篇文章里，我想介绍编码智能体（Coding agents）以及 Agent harnesses 的整体设计：它们是什么、怎么运作，以及各个零件在实践中怎么拼到一起。
最近，AI 圈子里又冒出一个新词：Harness Engineering。
这几天我注意到，我的「杉森楠 AI H1｜海内外产品交流」群里，大家一直在聊 Claude Code 和 Skills。