这次 Seminar 的主线是：AI Agent 时代的软件工程方式变化，核心主题叫 Harness Engineering（AI 编排 / AI 驾驭工程）。简单说，它不是在教“怎么写一个好 prompt”，而是在讲：以后我们不是直接和 AI 模型对话，而是通过 Agent / Harness 这一层来管理模型、工具、上下文、权限和记忆，让 AI 能像一个可工程化的软件系统一样工作。

1. 这次 Seminar 主要在介绍什么？

主要介绍的是：

从 Prompt Engineering 走向 Harness Engineering：如何把 AI Agent 当成一个可设计、可测试、可复用、可部署的工程系统。

老师/嘉宾强调：现在用户表面上是在和 AI 对话，但实际上中间有一层 Agent / Harness。这一层会负责：

• 管理上下文 context；
• 注入技能 skills；
• 管理记忆 memory；
• 控制权限 permission；
• 调用工具 / API / MCP；
• 组织 system prompt；
• 决定下一步行动。

所以重点不是“我怎么写一句神奇 prompt”，而是：怎么设计一套稳定的 AI 工作流程，让 AI 能重复、可靠、安全地完成任务。

2. Seminar 的主要内容结构

第一部分：从 Prompt Engineering 到 Harness Engineering

一开始讲了 AI 使用方式的演变：

1. Prompt Engineering 阶段 早期大家关注“怎么写 prompt”，比如怎么表达、怎么提问、怎么让 ChatGPT 给出想要的结果。
2. Context Engineering 阶段 后来出现 RAG，也就是把外部资料切成 chunks，放进 vector database，通过语义搜索取出相关内容，再塞进上下文里，让模型生成答案。
3. Harness Engineering 阶段 现在重点变成：不只是聊天，而是围绕 AI 模型搭建一个完整系统。模型只是核心能力之一，真正有价值的是围绕模型的那一层工程系统。

一个很好理解的比喻是：

AI model 像汽车发动机，Harness 像整辆车。

发动机很重要，但你真正驾驶的是整辆车，包括方向盘、刹车、导航、座椅、安全系统。模型可以换，但 Harness 决定了使用体验和工程能力。

第二部分：Agent / Harness 的基本工作方式

Seminar 讲了一个核心概念：用户并不是直接把 prompt 发给模型。

实际流程更像这样：

用户意图 → Harness / Agent → 权限检查 → 系统提示词组装 → 技能调用 → 记忆管理 → 工具调用 → 模型生成结果。

也就是说，Agent 会先“加工”用户输入，把需要的背景、规则、工具说明、历史记忆、权限信息组合起来，再交给模型处理。

所以用户从 prompt writer 变成了 harness user：

你不一定需要很强的语言技巧，但需要清楚表达任务目标、约束和业务知识。

第三部分：Harness Engineering 的设计模式

这一部分是本次 Seminar 的核心。主要讲了几个 pattern。

1. Agent Loop：推理、行动、观察、重复

Agent 工作不是一次性回答，而是一个循环：

1. Reasoning：分析任务，制定计划；
2. Acting：调用工具、运行命令、访问 API、修改文件；
3. Observing：观察执行结果；
4. Repeating：判断目标是否完成，没完成就继续下一轮。

这类似 ReAct pattern：Reason + Act。

例如：AI 写代码时，不是直接一次性写完，而是先计划，再改文件，再运行测试，再根据报错继续修复。

2. Context Management：上下文管理

上下文是非常宝贵的资源。因为模型处理上下文需要 token、时间和成本。

这里讲了几个重点：

• 上下文窗口有限，不能无限塞资料；
• 长任务需要总结 summarisation；
• 可以用 checkpoint / memory 压缩之前做过的事情；
• KV cache 可以减少重复计算，降低成本；
• static head，例如 agent.md、skills、MCP 信息，最好不要在 session 中途乱改；
• 不要中途随便 mutate system prompt，否则会破坏 cache，也会导致模型行为漂移。

简单理解就是：

上下文不是垃圾桶，不能什么都往里扔；它更像工作台，只放当前任务真正需要的东西。

3. Skills：可复用的能力模块

Skill 可以理解成 Agent 的“技能包”。

一个 skill 通常是一个 skill.md 文件，里面写清楚：

• 这个技能叫什么；
• 什么时候使用；
• 做事流程是什么；
• 需要调用什么工具；
• 输出格式是什么；
• 有哪些限制。

Skill 的两个重点是：

• Reusable：可以重复使用；
• Progressive disclosure：不是一开始把所有细节都塞进上下文，而是先只告诉模型“我有这个技能”，等真正需要时再加载详细说明。

这可以节省 token，也让系统更模块化。

4. MCP / Tools：让 Agent 调用外部服务

Seminar 也解释了 MCP 和工具调用。

可以把 MCP 理解成一种“告诉模型我有哪些函数可以用”的协议。

它会描述：

• API 或工具叫什么；
• 参数是什么；
• 参数类型是什么；
• 这个工具能做什么。

模型本身不直接执行 API，而是决定“应该调用哪个工具、传什么参数”，然后由 Agent 这一层真正执行。

老师还特别把这个和 assignment 中的第三方 web service 联系起来，比如天气查询、航班查询、价格比较等。

5. Subagents：把复杂任务拆给多个子 Agent

Subagent 用于更复杂的任务。

它有两个特点：

• 可以并行做任务；
• 可以从同一个上下文点分叉出去，各自专注完成不同部分。

例如一个复杂项目可以拆成：

• 一个 Agent 做 research；
• 一个 Agent 写代码；
• 一个 Agent 写测试；
• 一个 Agent 更新文档；
• 一个 Agent 做 review。

最后再把结果合并。这有点像 MapReduce：先分发任务，再汇总结果。

6. Session Persistence：会话和记忆如何保存

Seminar 讲到一些 Agent 会用很简单的方式保存 session，比如 JSONL 文件。

每一行代表一个事件，这样可以：

• 回看历史；
• rewind 到某个点；
• 保持上下文连续；
• 让 Agent 记住项目状态。

还提到了不同类型的 memory 文件，比如：

• agent.md：项目级规则 / 记忆；
• memory.md：跨项目记忆；
• soul.md：类似 identity / personality 的长期设定。

7. System Prompt Assembly：系统提示词如何组装

系统提示词不是随便写一大段，而是由多个部分组合起来：

• 项目记忆；
• Agent identity；
• 工具接口 / MCP；
• skills index；
• permission list；
• 当前上下文。

重点是：system prompt 应该可组合、可维护、可审查，而不是一坨不可控的文字。

8. Permission and Security：权限与安全

这一部分也很重要。嘉宾强调不能只依赖 LLM 自己“守规矩”，因为模型可能被 jailbreak，或者 skill 里可能藏了人类看不懂但模型能理解的危险指令。

所以 Agent 需要做权限控制，比如：

• read-only；
• local write；
• network access；
• system-level operation；
• destructive action，比如删除文件，需要额外确认。

简单说：

安全边界不能只放在模型脑子里，而要放在 Agent / Harness 的执行层。

3. 后半部分 Demo：LM Wiki / Knowledge Base

后半部分做了一个 hands-on demo，展示如何用 Agent + Skill 管理一个知识库。

大概流程是：

1. 把原始资料放进 raw folder；
2. Agent 读取资料；
3. 自动提取 summary、entities、concepts；
4. 生成 wiki 页面；
5. 建立概念之间的链接；
6. 用 log 记录哪些文件已经处理过；
7. 遇到新资料时只处理新增内容；
8. 最终在 Obsidian 里形成一个知识图谱。

这个 demo 的意义是：

Harness Engineering 不只是理论，它可以用来做真实的知识管理系统。

比如你可以把课程资料、assignment brief、lecture notes、seminar transcript 放进去，让 Agent 帮你整理成一个可搜索、可链接、可更新的课程 wiki。

4. 这次 Seminar 想让你带走的核心理解

我觉得这次 Seminar 最重要的 takeaway 是：

未来的软件工程不只是“会不会写代码”，而是“会不会设计 AI Agent 的工作系统”。

也就是：

• 代码可以让 AI 写；
• 但目标、约束、架构、测试、权限、流程，仍然需要工程师设计；
• 好的 Agent 不是靠一句 prompt，而是靠 context、skills、tools、memory、permissions、workflow 组合出来；
• 模型会不断变化，但 Harness / 工程流程才是长期能力。

5. 用一句话总结

这次 Seminar 主要是在讲：AI Agent 背后的工程系统如何设计，也就是如何从简单使用 ChatGPT，升级到构建可复用、可控制、可观察、可安全运行的 AI 工作流。