北京
把LLM和一个工具接起来，一个下午就够了。真正把demo和生产系统区分开来的，是一个能连续运行数小时、触达几十个工具、在重启后依然存活、会拒绝危险命令、并且不会悄悄忘记昨天所学内容的agent。
这些能力没有一样来自模型本身，它们全部来自模型周围的东西。
生产级agent不是"用户→提示→LLM→工具→答案"这样一条直线。它是一套完整的harness（调控框架）：上下文组装、分层记忆、权限控制、子代理、生命周期钩子……LLM被装在这套框架内部，充当推理组件，而不是整个系统。
这套结构可以简单勾勒为：用户请求先进入agent harness，harness负责上下文管理、记忆、规划、权限、子代理调度与生命周期钩子，然后才调用LLM；LLM输出推理结果后，再去实际调用工具、子代理和API完成动作。LLM是大脑，但骨骼、肌肉和神经系统都是harness给的。
构建这样一套harness，有12个被反复验证的通用模式。其中第一个也是作者强调"必须一开始就做"的，是一个极容易被忽略的细节——持久化规则记忆。
每次开启新会话，你都要重新向agent解释一遍：使用pnpm、完成前先跑测试、绝不push到Git。但agent第二天会全部忘掉。所以不要反复告诉它——把它存下来。项目结构中专门放一个AGENTS.md文件，在会话启动时自动加载，agent在动手之前就带着项目规则，而不是等它犯错了再纠正。这个模式解决的，恰恰是agent"工作记忆每天清零"这个最隐蔽的生产级问题。
这个模式绝不限于编码agent。作者在企业销售copilot上应用了类似版本，它同样适用于检索agent、工作流copilot和自主运维工具。任何需要长期运行、多步决策、多工具调用的agent，都需要一层可靠的持久化规则记忆——这是demo与生产系统最直观的分界线。
核心认知只有一条：别把LLM当系统，当零件。真正决定agent能不能扛住生产环境考验的，是围绕它构建的那套harness。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
