1.3 五大核心子系统总览
一个完整的Harness系统可以分解为五个核心子系统和两大基础保障。这个分类方案既符合系统工程的模块化原则，也便于在不同的场景中选择和组合。
下图展示了五大核心子系统与两大基础保障之间的整体关系：
图 1-1：Harness 五大核心子系统与两大基础保障
1.3.1 五大核心子系统
本小节逐一介绍运行时引擎、工具层、记忆子系统、输出治理和编排引擎五大子系统的核心职责和设计要点。
1. 运行时引擎
职责：实现智能体的执行循环，协调各个子系统的交互。
运行时引擎是Harness的心脏。它维护智能体执行的主循环，通常遵循以下模式：
在这个循环中，运行时引擎的核心职责包括：
状态机管理：智能体从初始化、执行、暂停、恢复到完成的各个状态转移
消息编排：构造发给LLM的消息（包括上下文、历史记录、工具信息），以及处理来自LLM的响应
异步执行：在I/O等待期间不阻塞，并发处理多个智能体任务
超时和中断：设置合理的执行超时，支持优雅的任务中断和清理
在生产系统中，运行时引擎的实现策略因场景而异。Claude Code 采用 QueryEngine 异步生成器循环（约 50 万行 TypeScript），支持流式工具执行和智能重试。OpenClaw 则采用基于 WebSocket 的长连接心跳机制，Gateway 控制平面通过 30 分钟心跳自主唤醒智能体执行，支持数千个并发智能体。
2. 工具层
职责：抽象和管理各种外部工具的访问，提供统一的调用接口。
工具层是智能体与真实世界的连接点。它的设计直接影响智能体的能力范围和安全性。
核心职责包括：
工具注册：维护一个工具注册表(Tool Registry)，记录每个可用工具的定义、参数、返回值类型、权限要求等
工具发现：根据智能体的需求，推荐合适的工具。这可能涉及语义搜索、工具分类、相似度匹配等
参数验证：在调用工具前，验证智能体提供的参数是否符合工具的签名，防止类型错误或格式不当
权限检查：检查智能体是否有权限调用该工具，如果权限不足，启动审批流程
执行隔离：在沙箱或容器中执行工具，防止工具故障对系统的影响
结果标准化：将不同工具返回的结果统一为标准格式，方便智能体处理
在生产系统中，工具层的规模和管理方式差异显著。Claude Code 提供 24+内置工具的类型安全注册，使用 TypeScript interface 定义工具契约，StreamingToolExecutor 支持流式工具执行和中间结果处理。OpenClaw 的 ClawHub 技能注册中心维护了 13000+ 预构建 skills，支持 20+ 消息平台接入，每个 skill 定义了输入输出 schema、权限、触发条件和集成方式。
3. 记忆子系统
职责：管理智能体的各种记忆，支持上下文理解和学习。
一个没有记忆的智能体，每次执行都要从零开始。记忆子系统让智能体能够学习、改进、个性化响应。
记忆的类型通常按生命周期分为三层：
工作记忆 (Working Memory)：当前对话的上下文窗口，包含最近的消息、执行结果和即时状态，容量受 LLM 上下文窗口限制
短期记忆 (Session Memory)：跨轮次但会话级别的信息，如会话摘要、用户在当前项目中的偏好、最近的执行结果，生命周期从数小时到数周
长期记忆 (Persistent Memory)：跨会话的用户档案、学到的模式、系统策略，生命周期可达数月至数年，通常借助向量索引支持语义检索
核心职责包括：
记忆存储：实现支持快速访问和更新的存储结构（如向量数据库、缓存层）
记忆检索：根据当前上下文，检索相关的历史信息
记忆压缩：当记忆累积过多时，总结和压缩，以节省存储和计算成本
遗忘策略：决定哪些信息应该被保留，哪些应该被清除
在生产系统中，记忆子系统的设计反映了不同的运行模式。Claude Code 的 autoDream 记忆整合引擎使用 LLM 对长上下文进行摘要和压缩，将整合后的记忆持久化存储到 CLAUDE.md 文件中，支持跨多个会话的记忆回顾。OpenClaw 采用 MEMORY.md 系统记录每日关键决策和上下文，结合 SOUL.md 约束的双层记忆体系，Lobster 工作流引擎支持确定性重放，存储完整的操作历史。
4. 模型集成与输出治理
职责：管理与LLM的交互，控制和验证模型的输出。
这个子系统解决一个关键问题：LLM的输出不一定总是可靠的。我们需要在充分利用LLM能力的同时，防止其产生幻觉、矛盾或危险的决策。
核心职责包括：
模型选择：根据任务的复杂度、成本预算、延迟要求，选择合适的模型（可能是GPT、Claude、开源模型等）
提示词管理：维护高质量的系统提示(system prompt)、任务描述、工具信息、示例等
输出解析：从LLM的文本输出中，结构化地提取工具调用、参数、推理步骤等
输出验证：检查输出是否符合预期的格式、是否包含自相矛盾、是否超出安全边界
降级策略：当输出质量不满足要求时，进行重试、提示词调整、或切换到更强大的模型
在生产系统中，输出治理的侧重点各有不同。Claude Code 采用系统提示词缓存架构减少重复计算，SDKMessage 类型确保输出结构一致，40+ 编译时特性门控提供精细的行为控制。OpenClaw 支持多模型策略，通过 SOUL.md 约束来检查输出的安全性，并支持工具调用的语义验证，确保 Agent 提议的操作合理。
5. 编排引擎
职责：支持复杂的多步任务和多智能体协作。
单个智能体往往无法解决复杂的业务问题。编排引擎提供了一套机制，让多个智能体能够协作完成任务。
核心职责包括：
工作流定义：支持定义复杂的任务流程，包括顺序执行、条件分支、并行执行、循环等
依赖管理：跟踪任务之间的依赖关系，确保按照正确的顺序执行
智能体分配：根据任务特点，将子任务分配给合适的智能体专家
结果聚合：收集各个智能体的执行结果，进行验证和合并
故障恢复：当某个智能体失败时，启动恢复策略（如重试、切换智能体、降级等）
在生产系统中，编排引擎的设计体现了确定性与灵活性之间的权衡。Claude Code 的 Coordinator 多智能体编排模块支持动态智能体生成、任务分解和结果合并。OpenClaw 的 Lobster 确定性工作流引擎支持 YAML 定义的流程，可以精确重放和审计每一步。
1.3.2 两大基础保障
除了五大核心子系统，还有两大基础保障贯穿整个Harness系统——它们不是独立的模块，而是渗透在每个子系统中的能力。
6. 安全层
职责：在整个智能体生命周期中，防止安全威胁和风险。
安全层不是一个独立的模块，而是渗透在其他各个子系统中的一组原则和机制：
权限管理：实现梯度化的权限模型(Free/Ask-first/Approve-once)
沙箱隔离：在隔离环境中执行高危操作，限制其对系统的影响范围
输入验证：对所有来自外部的输入进行严格验证，防止注入攻击
输出过滤：在将智能体的决策转化为实际操作前，进行安全检查
审计日志：记录所有安全相关的事件，支持事后审计和合规性验证
7. 可观测性层
职责：提供对Harness系统运行的完整可见性。
一个无法观测的系统，一旦出现问题，就很难诊断和修复。可观测性层提供了三个维度的视图：
日志(Logs)：记录详细的事件序列，支持文本搜索和过滤
追踪(Traces)：跟踪单个请求或任务的完整执行路径，显示各个组件的耗时
指标(Metrics)：收集系统级别的性能指标（如吞吐量、延迟、错误率），支持告警和趋势分析
1.3.3 架构总体图
Harness系统的整体架构可以概括为核心子系统与基础保障的有机结合，如下所示：
图 1-2：Harness 系统的五大核心子系统和两大基础保障
1.3.4 子系统间的交互流程
为了更清晰地理解这些子系统如何协作，让我们跟踪一个典型的Agent执行流程：
1.3.5 Claude Code vs OpenClaw的子系统对比
两个参考系统在子系统实现上有各自的特点：
运行时引擎
QueryEngine异步循环 + 流式执行
WebSocket长连接 + 30分钟心跳
工具层
24+内置工具 + 类型安全注册
ClawHub (13000+ skills) + 多平台接入
记忆系统
autoDream摘要 + CLAUDE.md持久化
MEMORY.md + SOUL.md双层
模型集成
系统提示词缓存 + 40+特性门控
多模型策略 + SOUL约束检查
编排引擎
Coordinator动态多Agent
Lobster确定性工作流
安全层
风险分级自动审批机制 + protected files检查
三级权限(Free/Ask/Approve)
可观测性
分层追踪 + 实时指标
Heartbeat监控 + 审计日志
这两个系统分别针对不同的应用场景进行了优化——Claude Code强调任务型和即时性，OpenClaw强调自驱型和持久性。
在后续章节，我们将对每个子系统进行深入的讨论，包括其设计原则、接口定义、实现方案和具体代码示例。
最后更新于