为什么同样的模型在 Chat 界面和 Coding Agent 里表现完全不同最近读到 Sebastian Raschka 的一篇深度文章拆解了 Coding Agent代码智能体的核心架构。Sebastian 是《Build a Large Language Model (From Scratch)》的作者也是 AI 领域最会写技术博客的人之一。这篇文章回答了一个我长期困惑的问题为什么 Claude Code 或 Codex CLI 里的模型感觉比网页版 Chat 强那么多答案很简单模型还是那个模型但周围的系统完全不同。今天这篇文章我结合自己的理解带你拆解 Coding Agent 的 6 大核心组件。一、先厘清概念LLM、Reasoning Model、Agent 的区别Sebastian 在文章开头做了一个很好的区分概念定义类比LLM基础的 next-token 模型引擎Reasoning Model训练/提示后会花更多计算在推理过程上加强版引擎Agent包裹在模型外的控制循环自动驾驶系统Agent HarnessAgent 的软件脚手架车身传感器控制系统Coding Harness专门用于代码任务的 Harness赛车专用套件关键洞察Coding Agent 的强大不在于用了什么模型而在于 Harness 怎么管理上下文、工具、状态和反馈循环。二、Coding Agent 的 6 大核心组件Sebastian 开源了一个 Mini Coding Agent纯 Python 实现零依赖开源地址见文末参考链接用代码注释标注了 6 个核心组件。我逐一解读组件 1实时仓库上下文Live Repo Context问题当你说修复测试时模型需要知道什么这是 Git 仓库吗当前在哪个分支有哪些未提交的修改项目文档README、AGENTS.md里有什么指令解决方案 Harness 在每次交互前先构建一个 Workspace Summary工作区摘要包含Git 状态分支、未提交更改、最近提交项目结构关键文件位置文档内容README、配置说明效果模型不是从零开始而是带着上下文工作。组件 2Prompt 结构与缓存复用Prompt Shape Cache Reuse问题Coding 会话是重复的但每次都重建整个 Prompt 很浪费。解决方案把 Prompt 分成两部分┌─────────────────────────────────────┐│ Stable Prompt Prefix (稳定前缀) │ ← 缓存不重复计算│ - 通用指令 ││ - 工具描述 ││ - 工作区摘要 │├─────────────────────────────────────┤│ Dynamic Session State (动态状态) │ ← 每次更新│ - 短期记忆 ││ - 最近对话历史 ││ - 最新用户请求 │└─────────────────────────────────────┘效果缓存稳定前缀只计算变化部分大幅降低延迟和成本。组件 3结构化工具、验证与权限Structured Tools, Validation, and Permissions问题模型可能生成任意命令怎么保证安全解决方案预定义工具列表 严格验证流程# 工具定义示例tools { read_file: { description: 读取文件内容, params: {path: string}, approval: False# 低风险自动执行 }, write_file: { description: 写入文件, params: {path: string, content: string}, approval: True # 高风险需要确认 }, run_shell: { description: 执行 shell 命令, params: {command: string}, approval: True # 高风险需要确认 }}验证流程模型输出结构化动作JSONHarness 检查是否是已知工具参数是否合法判断是否需要用户确认执行并返回结果效果模型不能随意执行命令安全性和可靠性大幅提升。组件 4上下文缩减与输出管理Context Reduction Output Management问题对话长了之后上下文窗口不够用怎么办解决方案Clip截断保留最近的 N 轮对话丢弃旧的Summary摘要对早期对话生成摘要替代原始内容优先级排序系统消息 工具结果 用户输入 模型输出效果在有限上下文窗口内保留最有价值的信息。组件 5对话记录、记忆与恢复Transcripts, Memory, and Resumption问题会话中断后怎么恢复长期记忆怎么管理解决方案SessionStore持久化存储每次交互Transcript对话记录完整的交互历史可回放Memory记忆提取的关键信息如用户偏好、项目约定Resumption恢复从任意点恢复会话状态效果Coding Agent 可以跨会话保持上下文像人类开发者一样记住项目细节。组件 6委托与有界子 AgentDelegation and Bounded Subagents问题复杂任务怎么分解怎么避免 Agent 陷入无限循环解决方案子 AgentSubagent把子任务委托给专门的 Agent 实例有界Bounded设置时间限制、步骤限制、范围限制父 Agent 协调管理多个子 Agent汇总结果示例用户重构这个模块 ↓父 Agent 分析任务 ↓├─ 子 Agent 1分析依赖关系限制5分钟├─ 子 Agent 2生成新接口限制10分钟└─ 子 Agent 3更新调用点限制15分钟 ↓父 Agent 汇总、验证、提交效果复杂任务可分解避免单 Agent 过载提高成功率。三、为什么 Harness 比模型更重要Sebastian 提出了一个有趣的观点“如果我把最新的开源模型如 GLM-5放进类似的 Harness它可能在 Coding 任务上表现与 GPT-5.4 in Codex 或 Claude Opus 4.6 in Claude Code 相当。”这意味着什么模型能力在收敛顶级模型的基础能力差距在缩小Harness 是差异化关键上下文管理、工具设计、缓存策略决定用户体验垂直优化空间大针对 Coding 场景的专门优化比通用 Chat 体验好得多四、实战启示基于这 6 个组件我总结了几个实用建议如果你在用 Claude Code / Codex✅ 利用.claude.md/AGENTS.md提供项目上下文✅ 允许 Agent 访问完整的 repo不要只给单个文件✅ 利用缓存机制相似任务连续做更高效如果你在构建自己的 Coding Agent✅ 先构建 Workspace Context别让模型盲猜✅ 设计好工具边界安全第一✅ 投资缓存策略降低延迟和成本✅ 考虑会话恢复用户体验更完整如果你在选择 AI 编程工具✅ 不要只看模型看 Harness 完整度✅ 上下文管理能力比模型参数更重要✅ 工具生态测试、调试、版本控制决定上限学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】