> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/harness_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/harness_engineering_guide/fu-lu/appendix/references.md).

# 附录 B：参考文献

本附录列举全书引用的学术论文、技术规范和行业报告，按主题分类。开源工具和学习资源见附录 C。

## 学术论文与研究

### 智能体基准与评估

1. **GAIA: A Benchmark for General AI Assistants**
   * Mialon, Fourrier 等（Meta, Hugging Face 等机构），2023
   * <https://arxiv.org/abs/2311.12983> | [archive.org](https://web.archive.org/web/*/arxiv.org/abs/2311.12983)
   * 涵盖三个难度等级的约 466 个任务，用于评估智能体推理和工具使用能力
2. **WebArena: A Realistic Web Environment for Building Autonomous Agents**
   * Zhou 等(CMU)，2023
   * <https://arxiv.org/abs/2307.13854>
   * 812 个现实网站自动化任务，覆盖电商、社交论坛、协作软件开发与内容管理四域
3. **SWE-bench: Can Language Models Resolve Real-World GitHub Issues?**
   * Jimenez 等（Princeton & UChicago），2023（ICLR 2024）
   * <https://arxiv.org/abs/2310.06770> | [archive.org](https://web.archive.org/web/*/arxiv.org/abs/2310.06770)
   * 2294个真实GitHub问题，评估代码理解和修改能力
4. **AgentBench: Evaluating LLMs as Agents**
   * Liu 等（Tsinghua University 等），2023
   * <https://arxiv.org/abs/2308.03688>
   * 跨 8 个领域的多类别基准任务
5. **SkillOpt: Executive Strategy for Self-Evolving Agent Skills**
   * Yang 等（Microsoft Research 等），2026
   * <https://arxiv.org/abs/2605.23904>
   * 将自然语言 Skill 文档作为冻结智能体的外部可训练状态，通过 scored rollout、受控编辑和 held-out 验证门禁优化可复用 Skill
6. **Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses**
   * Lin, Liu 等（复旦大学、北京大学等），2026-04
   * <https://arxiv.org/abs/2604.25850>
   * 固定底座模型，依据可观测性信号自动迭代工具/中间件/长期记忆；10 轮进化使 Terminal-Bench 2 的 Pass\@1 从 69.7% 升至 77.0%，反超人工设计的 Codex-CLI harness（71.9%），收益主要来自工具、中间件与长期记忆而非系统提示词
7. **Measuring AI Ability to Complete Long Tasks**
   * METR，2025-03
   * <https://arxiv.org/abs/2503.14499> 和 <https://metr.org/time-horizons/>
   * 提出“任务完成时间跨度”(task-completion time horizon)指标：智能体在给定成功率阈值（同时报告 50% 与 80%）下能完成的人类专家任务时长，前沿模型约每七个月翻倍；具体跨度以 METR 报告为准

### 提示词工程与优化

8. **Chain-of-Thought Prompting Elicits Reasoning in Large Language Models**
   * Google, 2022
   * <https://arxiv.org/abs/2201.11903>
   * 基础论文，展示逐步推理如何改善LLM能力
9. **ReAct: Synergizing Reasoning and Acting in Language Models**
   * Google & Princeton, 2023
   * <https://arxiv.org/abs/2210.03629>
   * 推理与行动结合的智能体框架原理

### 安全性与对抗性

10. **Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection**
    * Greshake, Abdelnabi 等（CISPA, Saarland University 等），2023
    * <https://arxiv.org/abs/2302.12173>
    * 间接提示注入攻击的系统分类与实际危害分析，涵盖数据窃取、蠕虫传播等攻击向量
11. **Identifying the Risks of LM Agents with an LM-Emulated Sandbox (ToolEmu)**
    * Ruan 等（University of Toronto、Vector Institute、Stanford 等），2024（ICLR 2024）
    * <https://arxiv.org/abs/2309.15817>
    * 用 LM 模拟工具执行环境，评估智能体安全风险；36 个高风险工具 + 144 个测试用例
12. **Agent-SafetyBench: Evaluating the Safety of LLM Agents**
    * Zhang, Cui 等，2024
    * <https://arxiv.org/abs/2412.14470>
    * 349 个交互环境、2000 个测试用例，覆盖 8 类安全风险和 10 种常见失败模式

### 长期记忆与推理

13. **In-Context Learning and Induction Heads**
    * Anthropic, 2022
    * <https://arxiv.org/abs/2209.11895>
    * 理解LLM如何利用上下文进行学习

## 技术文档与规范

### Anthropic官方文档

14. **Claude API Documentation**
    * Anthropic, 2026
    * <https://platform.claude.com/docs/en/home> | [archive.org](https://web.archive.org/web/*/platform.claude.com/docs/en/home)
    * Claude模型的API使用、限制、最佳实践
15. **Model Context Protocol (MCP) Specification**
    * Anthropic 发起，Linux Foundation 托管，2024-2026
    * <https://modelcontextprotocol.io/specification/latest> 和 <https://github.com/modelcontextprotocol/modelcontextprotocol> | [archive.org](https://web.archive.org/web/*/modelcontextprotocol.io/specification/latest)
    * 工具定义和交互的开放标准协议；最新版本以官方 specification/latest 页面为准
16. **Claude Code Documentation**
    * Anthropic, 2026
    * <https://code.claude.com/docs/en/overview> 和 <https://code.claude.com/docs/en/permissions>
    * Harness框架特定文档，含权限、路径校验、护栏细节

### 国际标准

17. **NIST AI Agent Standards Initiative**
    * NIST CAISI(Center for AI Standards and Innovation)，2026
    * <https://www.nist.gov/artificial-intelligence/ai-agent-standards-initiative> | [archive.org](https://web.archive.org/web/*/nist.gov/artificial-intelligence/ai-agent-standards-initiative)
    * 美国国家标准与技术研究院发起的 AI 智能体标准化工作，涵盖互操作性和安全等方面
18. **IEEE Standards for Autonomous Systems**
    * IEEE, 2024
    * <https://standards.ieee.org/initiatives/autonomous-intelligence-systems/standards/>
    * 自主系统的行为、安全、可靠性标准

### 开源框架文档

19. **LangChain Documentation**
    * LangChain, 2023-2026
    * <https://docs.langchain.com/oss/python/langchain/overview>
    * Agent、工具、链式推理、记忆管理等
20. **LlamaIndex (formerly GPT Index)**
    * Jerry Liu & team, 2023-2026
    * <https://www.llamaindex.ai>
    * 数据连接与检索增强生成(RAG)
21. **AutoGen: Enabling Next-Gen Large Language Model Applications**
    * Microsoft, 2023
    * <https://microsoft.github.io/autogen>
    * 多智能体框架和对话工程

## 行业报告

22. **State of Agent Engineering**
    * LangChain, 2026（调研于 2025-11/12，1,340 名受访者）
    * <https://www.langchain.com/state-of-agent-engineering>
    * 57% 的组织已在生产运行智能体系统；智能体工程的成熟度和挑战分析
23. **Magic Quadrant for AI Application Development Platforms**
    * Gartner, 2025（该领域首份 MQ）
    * <https://www.gartner.com/en/documents/7188230>
    * 智能体框架和工具的市场定位和评估
24. **北京市加快智能体引领发展若干措施**
    * 北京市发展和改革委员会等（京发改〔2026〕1185 号），2026-07
    * <https://www.beijing.gov.cn/zhengce/zhengcefagui/202607/t20260723\\_4781085.html>
    * 北京市系统部署智能体产业发展的政策文件，共 10 条；第二条将“驾驭层工程（Harness Engineering）”与智能体互联协议（AIP）写入正式文本，第三条命名“前沿部署工程师（FDE）”，第六条提出 Token（词元）经济与价值计费
25. **智能体规范应用与创新发展实施意见**
    * 国家网信办、国家发展改革委、工业和信息化部（三部门），2026-05-08
    * <https://www.cac.gov.cn/2026-05/08/c\\_1779979789472520.htm>
    * 中国首份面向智能体的综合性政策文件，厘清“仅限用户本人决策、需由用户授权决策、智能体自主决策”三类决策方式的合理边界及所需权限，要求用户对智能体自主决策享有知情权与最终决策权，且智能体执行操作不得超出用户授权范围

## 工程实践博客

26. **Building workflows for agents with Skills and Interpreters**
    * Hunter Lovell（LangChain），2026-05-29
    * <https://www.langchain.com/blog/interpreter-skills>
    * Deep Agents 的 Interpreter Skills：将确定性子流程封装为可导入的 TypeScript 模块，由 `SKILL.md` 声明何时调用、由解释器在 Harness 内执行，兼顾工作流确定性与智能体自主性
27. **Harness design for long-running application development**
    * Prithvi Rajasekaran（Anthropic），2026-03
    * <https://www.anthropic.com/engineering/harness-design-long-running-apps>
    * 长程智能体应用的 Harness 设计实践；定义“上下文焦虑”(context anxiety)，主张以上下文重置等手段支撑长时自主任务（本书 2.2、4.5、8.3.4、14.3 引用）

***

**获取方法**：大多数论文可通过 arXiv、Google Scholar、官方网站免费获取。开源项目均可通过 GitHub 访问。商业工具通常提供免费试用。