Harness Engineering 的基本逻辑：   Agent 每次犯错，不是换模型，而是工程化一个永久性解决方案，让它永远不再犯同样的错误。 这层脚手架包括：   CLAUDE.md / AGENTS.md — 行为约束文件 工具调用规范 — 什么时候用什么工具 验证回路 — 每个输出都有检查机制 错误处理 — 失败怎么恢复，不是靠重试   你的 Agent 有 Harness 吗？

鳥哥 Eugene 再次喊多 - 未來一週將是正式啟動行情之時 💥 💡觀察整體成交量與未平倉合約（OI）水位，目前大多數幣種只需要相對少量的邊際買盤就能推動行情，這代表市場整體仍處於低配狀態 💡現在我們需要的，是 BTC 乾淨俐落地突破 8 萬美元，並帶動核心山寨幣（ETH / SOL / HYPE）同步啟動新的上升趨勢 我的看法是 1️⃣ 其實 $HYPE 又偷偷要破前高了... 穩到不行，但是假日明顯持倉變化增速快的幣種變少了，數據慘的可憐 2️⃣ 當前 BTC 現貨 ETF 流入速度趨緩，近兩日都是流出但金額不大，持續關注每天數據，有大額流出現象需注意風險 3️⃣ 下週川普訪華，市場預計又要有波動，鑑於 crypto 仍然會跟美股，到時候看美股如何走了 接下來值得關注的幾個時間點 🔴 5/13 週二 — CPI 🔴 5/15 週四 FOMC 🔴 美聯儲主席鮑先生 5 月 15 日屆滿，再來就是 Warsh 時代了

Cursor 的 Agents Window 是针对 agentic engineering 场景的 agent-first Zen mode 交互界面。 和 Claude Code / Codex / Conductor 这种把 agents 当一等公民对待的 desktop GUI 对齐。 搞笑的是目前这个界面的配色和 Cursor IDE 用的无法统一，看起来非常难受。

Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😆 构建有效 Agent 的三大要点： 1. 明智选择应用场景，并非所有任务都需要 Agent； 2. 找到合适的用例后，尽可能长时间地保持系统简单； 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助； Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。 Agent 系统的演进 - 简单功能： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础； - 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身； - Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作； - 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。 核心观点一 并非所有场景都适合构建 Agent (Don't build agents for everything) - Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。 - 何时构建 Agent 的检查清单： 1. 任务复杂度 ： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流； 2. 任务价值： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适； 3. 关键能力的可行性 ： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围； 4. 错误成本与发现难度： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性； - 编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证，例如单元测试、CI。 核心观点二 保持简单 (Keep it simple) - Agent 的核心结构： 模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。 - 三个关键组成部分： 1. 环境：Agent 操作所在的系统； 2. 工具集： Agent 采取行动和获取反馈的接口； 3. 系统提示： 定义 Agent 的目标、约束和理想行为； - 迭代方法： 优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。 - 一致性： 尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。 核心观点三 像 Agent 一样思考 (Think like your agents) - 问题： 开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误； - 解决方法： 将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）； - 换位思考练习： 尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索； - 利用模型自身： 可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。 个人思考与未来展望 - 预算感知 Agent (Budget-aware Agents)： 需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。 - 自进化工具 (Self-evolving Tools)： Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。 - 多 Agent 协作 (Multi-agent Collaboration)： 预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。

GitHub早上跟我推的这个项目 ai-engineering-from-scratch 400多节课，看着还挺有意思的，但是我觉得，如果为了找AI Agent学这些课，感觉太枯燥了 还不如把一些Agent的开源项目源代码给AI，然后加一些自己的想法，这样可能会更有实战性吧🤣

🎉家人们，新课更新了：《Harness Engineering 入门实战课：如何让 AI 稳定开发项目？》。 AI 编程正在从“写好 Prompt”进入“让 Agent 稳定干活”的阶段，真正重要的不只是怎么提问，而是如何给 Agent 准备好产品说明、架构边界、工作规则和交接记录。 这节课会带大家用 4 个基础 Markdown 文件搭建一个最小 Harness，并让开发 Agent 基于这些文档，一次性完成一个本地项目看板应用，支持项目卡片拖拽、IndexedDB 本地保存，以及通过右侧 Agent 面板用自然语言新增、删除和修改项目。 课程地址：