MIT 公开课 6.S950 更新 Lecture 5 讲义：用 300 行教学 Agent 讲透 Harness

meng shao· @shao__meng · X·2026-10-21 16:20· 27 分钟前AI 评分66

AI 导读

MIT 公开课 6.S950 Agency with AI 更新 Lecture 5: The Harness 讲义（agencyai.mit.edu/w5/），用约 300 行 Python 的教学 Agent Baby Anigans 拆解 Agent = LLM + Harness。

正文 · 原文

MIT 公开课 6.S950 Agency with AI

Lecture 5: The Harness 讲义更新了：
https://agencyai.mit.edu/w5/

从一个 300 行的教学 Agent 讲透可观测性、可控性和 "需要多少 Harness"，Harness 具体的最佳实践更新很快，但背后有几条几十年前的系统原则一直适用。理解 Harness 怎么工作，才能更好地和 Agent 协作。

Agent = LLM + Harness：用一个最小 Agent 拆解
课程自己做了一个教学 Agent，叫 Baby Anigans：针对一个文本文件回答问题，并且必须引用答案所在的行号。它在本地用 Ollama 跑模型，外层只有大约 300 行 Python、两个工具（search、read_lines），不依赖任何框架。
核心思想是 LLM 只提出请求，由循环决定执行什么：调用 LLM、执行工具、检查结果，然后决定继续还是停止。这就是 ReAct 循环，mini-swe-agent 和 Claude Code 的本质也是这样。

演示轨迹：模型一开始说"没有文件"，被要求先搜索；搜到第 125 行以后，又被要求读一下相邻的行，然后才被接受。搜不到时，系统会提示换更短的关键词；连续两次搜不到，就由 Python 强制返回固定的"拒答"，并说明"没找到不等于文件里没有"。

可观测性：能看到什么，厂商又藏起了什么
· 两个回答都通过了检查，但都漏掉了例外条款，而症状相同、原因不同：一个是第 127 行根本没有进入模型的视野（检索问题），另一个是例外内容进入了视野两次，却被答案丢掉了（模型问题）。检查只验证"有没有搜索、有没有引用"，并不验证答案完不完整，因为通过检查只说明它检查到的那部分没问题。
· 对比 Baby Anigans 和 Claude Code 各能检查到什么：/context 显示的是上下文清单，并不等于实际发出的请求；子 Agent 的汇报是父 Agent 写的摘要，会有遗漏；git diff 能看出改了什么，但看不出修改顺序，也看不出改得对不对。
· 趋势是厂商把越来越多的 Harness 封装到 API 后面：Codex 的上下文摘要变成了只有服务器能读的加密内容；Claude 的推理过程被加密，压缩摘要虽然能读，但一旦修改，API 就会拒绝。透明度被拿来换了便利，而被封装起来的部分可能恰恰很有价值（讲义引用了 OpenAI 的文章：调两个设置，ARC-AGI-3 分数提高了两倍）。

可控性：三条长期适用的原则统领各种具体做法
· 精简的 AGENTS.md、按需加载 Skill 和 MCP、大输入放进文件、子 Agent 只回传摘要、关键规则能在压缩后保留；原则是：管理上下文：只让正在用的东西进来，并且留得住；出处是：存储层级（1965）、工作集（1968）
· 会拦截的 hooks、在任何模式下都生效的 deny 规则；原则是：可检查的规则要用强制拦截来执行；出处是：引用监控器（1972）
· 权限控制、隔离的 MCP 服务器、两把钥匙分别交给两个人；原则是：最小权限、权限分离；出处是：Saltzer & Schroeder（1975）

到底需要多少 Harness？
· 对 Harness 工程的质疑，很像当年对提示词工程的质疑。
· 有一条研究路线是让 LLM 自己管理 Harness：MemGPT 自己在不同记忆层之间搬运数据，ACE 自己改写操作手册，Meta-Harness 读取过去的运行记录后自己写 Harness 代码。
· 没有通用最优解：5 个模型里有 4 个在不同基准上的最佳 Harness 不一样；同一个组件，对弱模型来说是提升效果，对强模型来说主要是省钱。
· Harness 变化很快：Manus 说他们的 Agent 框架已经重写了四次。

来源：meng shao · x.com