软件工程师 Isuru Wijesiri 发布了开源项目与在线书籍《Harness Engineering 101》（版本标为 1.0 — September 2026），提出了一个极具去魅色彩的工程隐喻：大模型是大脑，Harness（机架/载体）是身体。作者在纯 Python 环境中仅用约 300 行原生代码，便拼装出一个最小可用的智能体闭环。这一实践给出了清晰的技术判断：大模型接口本质上是无状态的，业界所包装的各类复杂 Agent 概念，归根结底只是围绕保护、修剪和维护那个在网络两端来回传输的 JSON 消息数组所追加的一系列工程补丁。
这套极简主义教程击碎了开发者对重型框架的盲目崇拜，但若把工业级落地也简单降维为“修剪 JSON 数组”，则是另一种技术误判。当任务周期从几分钟拉长到数小时，决定系统可靠性的关键变量往往不再是提示词的组织技巧，而是暴露在上下文注意力漂移、缓存策略互斥以及沙箱权限失控等深层工程裂缝之中。
极简主义去魅：300 行原生代码里的工程补丁
《Harness Engineering 101》全书包含 15 个正文章节、1 个结语以及 4 个附录。项目遵循清晰的开源边界：代码部分采用宽松的 MIT 协议，教程散文与附录文本则采用带有商业限制的 CC BY-NC-ND 4.0 协议。作者并非停留在空泛理论，其生产级架构模式直接衍生自基于轻量级框架 pi 构建的开源编码智能体 One Code。
在教程构建的体系中，大模型 API 每次请求都必须接收全量的对话历史并吐出文本。模型无法主动感知外部世界，因此需要引入工具映射将 JSON 字段转译为本地函数；单个工具调用无法解决长链路任务，系统便被迫加入循环机制；循环导致消息数组急剧膨胀，上下文预算（Context Budget）管理与提示词修剪便成了刚需。
这套约 300 行原生 Python 展现出的强大解释力证明了一点：现存诸如 LangChain 等厚重封装，底层本质依然是在对数组进行增删改查。然而，教程将所有失败模式都归结为“给数组打补丁”，恰恰显露了第一性原理教学模型在面对工业落地时的局限。
一切看似自主的智能体循环，本质上只是机架在替无状态模型承担记忆与修正的工程代价。
还原论的工程盲区：缓存效率与上下文预算的撕裂
把 Agent 还原为客户端维护的 JSON 数组，极易掩盖生产级环境中的两项关键物理限制。第一项限制来自于注意力机制本身的认知缺陷（Lost in the Middle）。信息只要被装入 JSON 数组，理论上就存在于上下文中，但这并不等同于大模型能够稳定提取。伴随交互轮次递增，数组膨胀引发的注意力衰减会导致模型出现目标漂移，盲目塞入更多历史反而加速了崩溃。
更尖锐的工程矛盾在于 Prompt 缓存 与上下文动态修剪的不可兼得。在主流 API 计费体系下，启用 Prompt 缓存是降低调用延迟与成本的核心手段。但缓存的前提是请求前缀必须保持绝对的一致性与稳定性。
Prompt 缓存虽然降低了重复处理的计算支出，但根本无法消除这些信息占用的物理窗口。当机架为了控制上下文预算而修剪陈旧消息或压缩工具日志时，稳定的前缀随即被破坏，导致 Cache Hit Rate 归零；若为了保住缓存而拒绝修剪，数组便会迅速撑爆模型的有效注意力范围。
- 风险.若机架盲目维持前缀以追逐缓存折扣，外部工具返回的不可信数据会被固化在上下文中，导致潜在的提示词注入漏洞被反复加权激活。
工业落地的深水区：从客户端数组到服务端状态链
真实的智能体工程早已脱离了纯粹的客户端数组维护阶段。OpenAI 现已在 API 层面推行服务端状态管理，允许客户端通过 previous_response_id 实现轻量化的响应级联，数据通信正在从传输全量数组向服务端有状态游标演进。
在框架生态内，不同流派也在重新确立定位。LangGraph 主打图状态与持久化检查点，以保障分布式进程崩溃后的状态恢复；Claude Agent SDK 选择将底层工具循环暴露给开发者；面向安全合规的 OpenAI Agents SDK 则把重心置于沙箱容器与委托鉴权；而紧凑型编码智能体 Pi 则力图在专业垂直场景压榨本地机架的灵活性。
工业实践表明，仅依赖 Context Compaction（上下文压缩）无法支撑复杂任务的可靠执行。不管是 Anthropic 针对 Claude Code 的优化，还是 OpenAI 的内部实践，都指向了同一路径：必须将关键状态提取为显式的进度工件（Progress Artifacts），并依赖操作系统级别的独立沙箱进行确定性增量验证。
- 结论.开发者应当摆脱对高层框架的神秘感迷信，但在生产场景中，切忌把防御重心押注在脆弱的 Prompt 级护栏上，底层的环境沙箱与状态持久化才是智能体落地的硬指标。