本文深入剖析了Coding Agent的核心模块重点介绍了Agent Harness在提升LLM应用效能中的关键作用。文章详细阐述了Coding Harness的六大核心组件实时仓库上下文、prompt上下文组装与Cache复用、工具访问与使用、上下文管理、结构化会话记忆、Subagent任务执行。通过这些组件的协同工作极大提升了LLM在编程场景中的表现远超普通多轮对话模式。对于希望利用大模型提升编程效率的小白和程序员本文提供了宝贵的实践指导。背景根据Sebastian Raschka老师的博客和Mini Coding Agent项目分析作为Coding Agent的核心模块Agent已经成为当下最火的的话题之一当前实用搭载LLM 系统的大量进步并不单纯来自模型本身的提升而是来自我们使用模型的方式。在很多真实场景里Agent Harness成为了重要影响因素——工具调用、上下文管理、记忆机制—的作用丝毫不亚于模型本身。claude code运行过程Claude Code、Codex 这类系统即便是接入的模型的是和普通聊天界面一样的模型实际表现出来的能力却要强得多。本文用到的关键术语LLM原始模型Reasoning 模型经过优化能输出中间推理轨迹并完成更多自我验证的 LLMAgent结合模型、工具、记忆与环境反馈的循环系统Agent Harness围绕智能体的软件脚手架负责管理上下文、工具调用、提示词、状态与控制流Coding HarnessAgent Harness 的专用形态面向软件工程重点管理代码上下文、工具、执行与迭代反馈智能体框架Agent Harness范围更广不限于编程如 OpenClaw编程框架Agentic Coding Harness专门围绕模型构建的脚手架用于高效编写与修改代码Codex 和 Claude Code 都属于此类Claude Code、Codex CLI 一类的Coding Agent本质上把LLM套了一层外壳用最新的术语叫agentic coding harness目标是让coding工作更高效、更便捷。Claude Code CLI、Codex CLI 以及 Mini Coding AgentCoding agent 的关键不只是选用哪个模型而是一整套Harness系统代码仓库上下文、工具设计、提示词缓存稳定性、记忆能力以及多轮对话的连续性。LLMs、Reasoning 模型与 Agents区别三者的关系并不复杂LLM核心是下一个 Token 预测模型推理模型本质还是 LLM但经过专门训练或 prompt 工程优化会在中间推理、答案验证、候选搜索上投入更多计算智能体构建在模型之上的一层控制循环——给定目标后由智能体层来决定下一步查什么、调哪些工具、如何更新状态、什么时候停下来核心思想对比LLM 是引擎推理模型是强化版引擎更能干成本也更高Agent Harness 是驾驶系统帮我们真正驾驭这台引擎LLM 和推理模型也可以脱离 harness 独立使用。传统 LLM、推理 LLM 以及封装在 agent harness 中的 LLM 之间的关系一句话总结更好的 LLM 为推理模型提供了更优质的基础Harness 则进一步挖掘推理模型的潜力。当然LLM 和推理模型脱离框架也能完成编码任务——但真实的软件开发远不止生成下一个 Token仓库导航、搜索、函数查找、应用 diff、执行测试、排查错误、维持全局上下文……一个优秀的编程框架正是在这些地方大幅拉开差距。Coding Harness 包含三个层次——模型家族、智能体循环和运行时支持。循环内部观察从环境收集信息检查分析信息选择确定下一步执行计划。什么是Coding HarnessHarness通常指的是围绕模型的软件层它负责组装提示词暴露工具接口跟踪文件状态应用代码编辑执行命令管理权限缓存稳定前缀存储记忆如今使用 LLM这一层直接决定了绝大部分用户体验远胜于直接 prompt 或使用网页聊天界面。当前主流 LLM 的基础能力已经相当接近GPT-5.4、Opus 4.6、GLM-5 等Harness 往往才是区分产品体验的真正影响因素。如果把当前最强开源 LLM如 GLM-5放进同等水平的框架其表现可能接近 Codex 中的 GPT-5.4 或 Claude Code 中的 Claude Opus 4.6。Coding harness 的主要框架功能从零开始的 Mini Coding AgentMini Coding Agent 六大核心组件coding agent的6个核心组件1. 实时仓库上下文用户下达修复测试或实现 xyz这类指令时智能体首先得搞清楚几件事当前是否在 Git 仓库里在哪个分支项目文档里有没有关键信息目录结构长什么样这些信息直接决定接下来的每一步是否正确。修复测试本身不是自包含的指令。智能体得先通过AGENTS.md 或 README 搞清楚测试命令通过目录结构定位相关文件再结合 git 分支、状态和提交记录判断当前修改范围。agent harness 首先构建工作区摘要与用户请求结合提供额外的项目上下文Coding agent 在执行任务之前会先把这些工作区信息收集好形成稳定事实层避免每次提示都从零开始重建上下文。2. prompt上下文组装与 Cache 复用怎么高效地把这些信息喂给模型一个 coding session 里有大量内容是高度重复的agent 规则基本不变、工具描述基本不变、工作区摘要大部分稳定——真正每轮变化的只有最新请求、对话历史和短期记忆。如果每次对话都把所有内容重新拼成一个巨型 prompt那是相当浪费的。聪明的做法是把不变的部分构建成稳定 prompt prefix缓存复用只在动态部分追加变化内容。agent harness 构建稳定的 prompt prefix添加变化的会话状态然后将组合后的提示输入模型这种结构在大规模应用中能显著降低重复计算提升效率、压低成本。3. 工具访问与使用工具能力是区分普通聊天和智能体的核心差异。chat模式模型只能用自然语言建议你运行 xxx 命令但到底运行不运行、结果是什么模型一无所知coding harnessLLM 可以直接执行命令并拿到结果形成完整的反馈闭环。Harness 通常不会让模型随意生成任意指令而是预定义一套结构化、带权限的工具集比如列出文件读取文件内容搜索代码执行 shell 命令写入文件模型生成结构化操作harness 验证操作可选地请求批准执行操作并将受限结果反馈回循环下面是用 Mini Coding Agent 时常见的工具审批交互不如 Claude Code 或 Codex 精美——因为它极简纯 Python无任何外部依赖Mini Coding Agent 中工具调用审批请求示意沙箱与权限控制虽然限制了自由度但它换来的是安全性和可靠性——这个取舍在真实工程场景里往往是值得的。4. 最小化上下文防止爆炸上下文爆炸是所有 LLM 系统的共同挑战。Coding agent 因为多轮交互、大量文件读取、冗长工具输出这个问题尤为突出。即便现代 LLM 支持了很长的上下文窗口长上下文依然意味着高成本和更多噪声。真正的解法不是暴力塞满而是主动管理。大输出被截断旧读取被去重转录文本在返回提示词前被压缩常用的三种压缩策略裁剪clip限制过长的文本片段和工具输出避免单个内容吃掉整个 token 预算历史压缩summarize将对话历史压缩成精简版——越近的内容保留越多细节越早的内容越激进地压缩去重dedup对重复读取的文件内容去重别让同一个文件出现三遍有句话说得很到位很多看似模型能力强的表现本质上是上下文质量高。5. 结构化会话记忆上一节关注的是提示时如何使用历史压缩、截断、时效性这一节关注历史本身如何存储。Coding agent 通常把状态分为两层工作记忆Working Memory轻量、精炼、可更新——记当前目标、关键文件、重要笔记完整记录Full Transcript永久性转录——包含所有用户请求、工具输出、模型响应新事件追加到完整记录并在工作记忆中进行摘要。磁盘上的会话文件通常以 JSON 格式存储。新事件用户请求 / 工具输出 / 模型响应 ↓ ┌────────┴────────┐ ↓ ↓Full Transcript Working Memory完整记录 精简摘要 可复盘/恢复 维持任务连续性 ↓ ↓ JSONL 短期上下文注入两层设计各有侧重完整记录保证会话可恢复、可复盘工作记忆则维持任务的连续性和当前焦点。每个新事件都会同时追加到完整记录并更新工作记忆。6. 定义执行边界利用 Subagent 执行任务有了工具和状态管理之后下一个关键进阶是任务分配能力。核心思路是把复杂任务拆解成并行子任务让 main agent 专注主线开发同时派出 subagent 去做符号查找、配置检查、测试失败排查等支线工作。但 subagent需要设置边界控制。它必须继承足够的上下文才能工作同时必须加以约束否则就会出现无限递归、重复操作、互相干扰等问题。subagent 继承足够的上下文以发挥作用但其运行边界比 main agent 更严格常见的约束方式只读权限subagent 只能读不能写递归深度限制防止 subagent 再派 subagent 无限嵌套任务范围限定只允许操作特定文件或目录沙箱隔离限制 subagent 能访问的工具集Claude Code 很早就支持 subagentCodex 近期也加入了这个能力。两者的主要差异体现在任务范围、上下文限制与深度控制的具体策略上。总结六个组件相互协作通过coding harness 能让 LLM 的表现远超普通多轮对话。coding harness 六大主要特性与 OpenClaw 的对比不同点OpenClaw本地化通用智能体平台具备编程能力但并非专用终端编程助手Coding Agent专注于代码仓库内的开发工作面向程序员核心能力是文件检查、编辑、工具执行相同点都支持 AGENTS.md、SOUL.md、TOOLS.md 等指令文件都保留 JSONL 会话记录都具备上下文压缩与会话管理都支持 subagent如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取