# 1.1 从大语言模型到智能体的快速过渡

本节介绍从大语言模型到完整智能体系统的演进过程，阐述为什么单纯的模型能力还不足以构建生产级应用，以及Harness作为关键中间层的必要性。

## 1.1.1 问题的演变

在大语言模型刚出现时，应用开发的重点聚焦于模型本身：使用更大的模型、更好的提示词、更优质的数据。开发者期望通过改进模型，直接获得智能应用。

然而现实迅速转变。当LLM从实验室走向生产环境时，开发者面对了意外的复杂性：

* **可靠性问题**：同样的问题，同一个模型的多次回答可能差异巨大，导致生产系统不可预测
* **外部交互问题**：LLM只能生成文本，无法直接与真实世界系统交互。调用数据库、API、执行系统操作都需要额外的工程工作
* **成本控制问题**：大规模调用API的成本快速增长，需要更精细的控制和优化
* **安全性问题**：让LLM任意调用系统权限和外部接口存在严重的安全风险

对这些挑战的回应，催生了智能体的概念——一个能够感知环境、规划行动、执行任务、学习反馈的自主系统。

## 1.1.2 智能体的三个核心能力

一个完整的智能体系统需要三个维度的能力：

**第一维：思维能力** 这是LLM的长项。通过提示词工程、思维链(Chain-of-Thought)、多步推理等技术，让模型能够分解问题、规划步骤。

**第二维：行动能力** 这是传统系统工程的领地。智能体需要能够调用工具、操纵外部系统、获取实时信息，这涉及工具注册、权限管理、结果验证等一系列机制。

**第三维：学习能力** 即从执行结果中反馈、调整策略、积累经验。这涉及记忆机制、强化学习信号、迭代优化等。

在这三维中，LLM主要贡献第一维。而第二维和第三维的高质量实现，才是决定智能体系统成败的关键。

由此我们可以得出本书的核心等式：

> **Agent = LLM + Harness**

大模型提供推理和决策的“大脑”，而 Harness 提供感知、执行、记忆和安全保障的“身体”。

模型决定了智能体的思维上限，Harness 决定了智能体的工程下限。一个没有 Harness 的大模型只是一台发动机，一个经过 Harness 工程化的智能体才是一辆能够可靠载人行驶的汽车。

## 1.1.3 为什么需要Harness

一个朴素的想法是：既然大模型已经能够推理和规划，为什么还要额外构建复杂的系统工程层？答案在于 **可靠性和可控性的鸿沟**。

考虑以下场景：一个智能体需要调用一个支付API。在LLM的推理中，它正确地识别了需要支付的金额、收款人等信息。但在实际调用时：

* LLM是否正确地以API期望的格式构造了请求？
* API返回了错误状态码，智能体是否能够正确地理解和处理？
* 网络超时了，是否应该重试？重试多少次？
* 重复调用相同的支付请求是否会导致重复扣款？

这些问题不能依靠LLM的“聪慧”来解决。它们需要系统工程层面的保障——这正是Harness要做的工作。

**Harness不是要让智能体更聪明，而是要让智能体更可靠、更可控、更安全。**

它通过以下方式实现这一目标：

* **标准化的工具调用协议**：确保工具的输入输出格式一致、可预测
* **多层权限控制**：从 Ask-first（事前询问）/ Approve-once（任务级一次授权）到 Free（自动放行）的梯度化信任管理
* **执行结果的验证和反馈**：不仅记录智能体做了什么，更要验证它真正做了什么
* **故障恢复机制**：当某个步骤失败时，系统能够优雅地降级或恢复
* **完整的可观测性**：通过日志、追踪、指标等多个维度观察系统运行状态

## 1.1.4 本章的位置

本书假设读者对智能体的基本概念已有了解。关于智能体理论、多智能体协作、规划算法等深层内容，请参考《AI Agent完全指南(agentic\_ai\_guide)》。

本章及后续各章的重点，是 **如何将一个理论上的智能体概念转化为生产级别的系统**。这个转化过程，就是Harness工程要解决的问题。

带着这样的理解，我们可以开始深入Harness的定义与设计。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/harness_engineering_guide/di-yi-bu-fen-harness-gong-cheng-ji-chu/01_harness_intro/1.1_from_llm_to_agent.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.