从实践到原则：Harness Engineering 的落地方法
Harness Engineering 不是给 Agent 多接几个工具，而是把代码仓库、执行环境、验证门禁和反馈回路改造成 Agent 可读、可控、可评估的工程系统，让 AI 真正能在真实项目里稳定交付。
- Harness Engineering 的对象不是单个模型，而是 Agent 所处的整个工程执行环境与治理回路。
技术沉思、行业观察与人物线索，都收在这里。
这里汇总的是 Freelemon 的长文。现在列表页不再只有单一时间线，而是把搜索、标签和专题阅读放到同一层里： 技术沉思 偏系统、方法与工程判断， 访谈 偏一手观点整理与人物表达， 行业观察 偏竞争格局、平台变化与商业判断。
Pi 内部原理：从会话树到 RPC 接入
Pi 的核心并不神秘：它用 `createAgentSession()` 把模型、资源加载、工具集合、会话树和运行模式装配起来，再由 `AgentSession` 接管工具执行、上下文管理、自动压缩与 RPC 集成。
- Pi 的核心抽象不是某个界面，而是 `AgentSession` 这层把状态、工具、扩展和模式统一起来的运行时。
OpenClaw 把真实 Chrome 会话接进 Agent
OpenClaw 在 `2026.3.13` 更新线里把 live Chrome session attach 做成官方能力，真实浏览器会话第一次进入 Agent 的正式工作流，浏览器插件也从必选项退回到可选项。
- 新增 `existing-session` 后，已登录的本机 Chrome 会话第一次成为官方 attach 对象。
Pi：OpenClaw 背后的极简 Agent，是怎么工作的
Pi 不是另一个大而全的 Agent 平台，而是一套刻意保持极简的 coding agent harness。它把上下文、工具、会话状态和多种接入方式压成一层轻量执行骨架。
- Pi 更像一套 coding agent 运行时和 harness，而不是一个把所有功能都打包好的大平台。
机器上桌之后之六：Martin Fowler
在 AI Agent 时代，Martin Fowler 之所以仍然很重要，不是因为他代表旧时代的架构教科书，而是因为当生成变快、代理变多、系统边界更容易被穿透时，重构、边界划分、渐进式演化和技术判断反而比以前更像硬约束。
- Martin Fowler 的重要性，在于他持续把复杂技术变化翻译成团队能执行的工程判断，而不只是抽象观点。
文科生如何有效使用 AI Agent 做内容创作
对文科生来说，AI Agent 最有价值的用法，不是整篇代写，而是先接手找资料、拆提纲、改写、多版本分发这些重复环节，让人把精力留在判断、事实核验和语气控制上。
- 文科生不是 AI Agent 的边缘用户，内容工作反而很适合先从人机协作开始落地。
AI Agent 入门：把编程 Agent 的基础一次讲清
AI Agent 不是更会聊天的聊天框，而是能围绕目标读取上下文、调用工具、执行步骤并根据结果继续推进的系统。先把编程 Agent 这条线看懂，很多基础概念都会立刻落地。
- 理解 Agent 的第一步，不是背一堆名词，而是先看清它和聊天、补全、工作流之间的边界。
Java 后端如何转向 AI Agent 工程
Java 后端转向 AI Agent，并不是从零改行，而是把过去积累的系统边界感、异常经验和工具工程能力，重新组织成运行时、评测闭环和治理能力。
- Java 旧栈不会失效，它会重新定价成工具层、状态层、观测层和治理层能力。
如何转成 AI Agent 工程师：一份基于最新研究的转型路线图
如果你还把 AI Agent 工程师理解成“更会写 Prompt 的人”，那大概率会转错方向。真正有价值的 Agent 工程，是把模型、工具、状态、评测和治理串成可交付系统能力。
- 从官方实践到最新论文都在指向同一个结论：Agent 工程的核心不是 Prompt，而是系统能力。
Agent 积累的其实是 Knowhow，不只是数据
Agent 的长期价值，主要不在喂了多少数据，也不在反复微调模型，而在持续沉淀任务拆解、工具调用、异常处理和验证标准这些可迁移的 knowhow。
- Agent 的长期进步，更像工作流和验证闭环在变强，而不是参数自己长出新能力。
Clawith：一支 AI 团队的开源样机
Clawith 最有意思的地方，不是把单个 Agent 做得更花，而是认真回答团队协作里身份、权限、触发器、审批和审计怎样一起落地，并让多 Agent 真正进入组织工作流。
- Clawith 的新意不在模型层，而在把 Agent 当成带身份和关系的组织成员来设计。
访谈：Harrison Chase 谈 Harness
这篇访谈围绕 Harrison Chase 的核心判断展开：Agent 时代真正要重建的，不只是模型接口，而是一整套执行、上下文和人类协同基础设施。
- 这期访谈的重点不是模型升级，而是 Agent 的底层运行方式正在整体重建。
现在做 Agent 产品，最该补哪一层缺口
如果现在要做 Agent 产品，最值得补的往往不是再造系统层或平台层，而是把平台能力真正翻译进团队工作流、审批链路和成本治理里的那层协作缺口。
- 系统层最像产品，平台层最像底座，但两边都已经出现清晰强手。
平台层争夺战：谁会成为 Agent 基础设施
平台层真正决定的是 Agent 能不能长期、稳定、可治理地跑起来。今天最值得看的四条路线，是 LangGraph、微软、OpenAI 和 AWS 各自代表的平台化方向。
- LangGraph 目前最像开放生态里的头号平台层选手，优势在 durable execution 和状态工作流。
做 Agent 系统前，先看懂系统、平台与工具版图
如果你要做的不是聊天框，而是能承接长任务和团队协作的 Agent 系统，动手前最重要的事，是先看懂系统、平台和工具三层今天各自做到什么程度。
- 今天已经有局部成型的 Agent 系统，但还没人同时吃下工作流、治理和生态分发。
长时间 AI Agent：从研究叙事到生产系统
长时间 Agent 的真正难点，不在单步够不够聪明，而在跨很多轮、很多上下文和很多工具调用之后，能不能继续保持状态连续、结果可验证和错误可恢复。
- METR 证明的是任务跨度能力在增长，不等于企业级稳定性已经成熟。
长时间 AI Agent 生产架构蓝图
如果一个 Agent 要连续运行二十分钟、两小时甚至更久，系统默认该长什么样？这篇文章把分层架构、状态模型、检查点、验证和上线顺序全部拆开讲清楚。
- 默认架构不是一个 Agent 跑到底，而是让 Orchestrator 调度很多短而可验证的小步骤。
OpenClaw 爆火之后，谁在卖工具，谁在卖云，谁在卖入口
OpenClaw 不是又一个热闹的 AI 玩具，而是一根很清楚的产业探针。它暴露了一件事：当 AI 编码从聊天升级为工作流，产业链每一层都会重新找位置。
- OpenClaw 的意义不只在项目爆火，而在 AI 编码工作流第一次低门槛跨过开发者圈层。