智能体Harness从链式编排走向代码化执行

大语言模型智能体已从临时提示词拼接，逐步发展为围绕概率模型搭建的结构化执行框架（Harness）。这一过程由真实业务需求推动，大致经历链式编排、图式控制和代码化执行三个阶段，目标是提升稳定性、可观测性与生产可用性。

早期“链”把多个提示词首尾相接，将模型视为“文本输入—文本输出”的黑盒。LinkedIn曾用 LangChain 搭建路由、检索、生成三步流程：先判断问题范围和处理专家，再通过必应搜索或内部 API 获取资料，最后筛选整合信息生成答案。该方案上线快，但上游文本出错会级联影响后续步骤，必须依靠评测、提示词优化和持续工程投入弥补质量。

复杂场景随后转向“图”范式，以节点表示模型、工具或验证任务，以边声明分支、并行、重试和状态转换。图结构支持多智能体协作，A2A 成为异步通信协议，ACP 后续并入 A2A；人在回路机制则让系统在关键节点请求澄清、反馈或批准。LinkedIn复用消息系统处理长任务，提供 FIFO 投递、持久重试、多线程并行，以及一次性、同步流式和跨消息异步流式执行。

基于 LangGraph 的工作流进一步提供条件路由、故障回退、结构化状态和显式校验，并将认知记忆设计为独立智能体。相关实践支持了面向招聘人员的 Hiring Assistant，用于寻找候选人和筛选申请人。不过，图仍依赖人工预设流程，故障恢复、边界处理和评测规则会随状态空间扩大而变得复杂僵化。

代码化 Harness 则把代码作为主要推理媒介，让模型在沙箱中生成、执行并修改程序，而不是只用自然语言描述方案。其核心包括隔离执行环境、执行日志与埋点、单元测试或断言组成的验证 Harness，以及失败后的迭代重试循环。代码具有编译、运行成功或失败的确定反馈，可显著增强可靠性。

LinkedIn还构建了面向开发者、产品经理、数据科学家和运营人员的分析工具。系统把自然语言问题转换为声明式 SQL 与命令式 Python，在样本数据上运行，并按隐私、可见性、权限和合规规则验证结果，模型交互经批准的合规基础设施路由。该方案减少了提示词、工具和流程图定制，提升了上线速度、可审计性与可复现性。

实践上，应把模型输出视为不可信输入，先做模式、业务和合规校验；将规划与执行分离，增强全链路观测并脱敏记录轨迹；同时建立失败反馈、评测和仿真闭环。简单线性任务适合链式方案，条件分支、工具调用和重试适合图式方案，而软件工程、金融分析、法律核验、科学流程及基础设施自动化等高准确性场景，更适合具备沙箱和验证循环的代码化 Harness，但其计算、延迟与运维成本也更高。