最近 Agent 圈造词的速度有点快。年初大家还在聊 Harness Engineering6 月 Loop Engineering 火了到了 7 月Graph Engineering 又冒出来。社交媒体上很快出现了那种熟悉的说法Loop 已死下一站是 Graph。我看到的时候第一反应是循环和图这不是软件工程里用了几十年的东西吗但第二反应是这些词也不能简单当成炒作。一个旧概念突然重新被人命名通常说明工程里的矛盾变了。过去我们担心模型不会写现在模型越来越能写大家开始头疼它能不能连续做、做错了谁发现、多个 Agent 怎么交接、跑到一半怎么恢复。我这半年一边写《Harness Engineering 实战》一边反复用 Codex、Claude Code 跑真实任务感受很明显Agent 看起来一直在发明新范式实际却一步一步走回了软件工程最熟悉的地方。01、为什么偏偏是 Coding Agent如果一定要选一个今天真正跑进生产流程的 Agent我还是会选 Coding Agent。Codex 和 Claude Code 是目前最成功的两种形态。它们当然还会犯错但已经不只是陪你聊两句而是真的能读仓库、改文件、跑命令、修测试最后交付一份可以审查的 Diff。为什么不是办公 Agent、科研 Agent 或“数字员工”先跑通我觉得关键不只是代码语料多也不是程序员更愿意尝鲜。真正占便宜的是软件工程早就给 Agent 准备好了一整套反馈系统。用户说的是自然语言模型中间产出的是代码。代码不是一篇只能靠人判断好坏的作文它还能继续交给编译器、类型系统、pytest、Lint 和 CI。做错了有报错改坏了能看 Diff方向不对还能回滚。让 Agent 写一份行业分析引用错了谁来自动证明让它给出一个科研假设实验设计是不是遗漏了变量又靠什么程序判断这些任务不是模型不会生成而是结果缺少一个便宜、快速、外部的验证器。Coding Agent 刚好卡在一个很特殊的位置入口已经是自然语言出口却仍然是硬编码、可执行、可验证的软件工程。所以我更愿意把代码理解成自然语言意图和机器执行之间的“中间层”。Coding Agent 最先成功不是因为代码最好写而是因为代码最好验。02、Loop 值得命名Graph 更需要祛魅那么 Harness、Loop、Graph 到底是什么关系我的理解很简单。Harness 是 Agent 干活的环境它决定模型能看见什么、能用什么工具、权限到哪里、失败以后怎么恢复。Loop 是这个环境里反复干一件事行动、验证、再行动直到做对、超预算或者把问题交还给人。Graph 则是一个 Loop 不够用了开始安排多个工作单元怎么分支、并行、交接和汇合。Graph 里当然可以有很多 LoopLoop 也离不开 Harness。它们不是三代产品更谈不上谁宣布谁死亡。我认为 Loop 有被单独命名的价值。因为它点出了人的工作变化以前是我们一轮轮提醒 Agent接下来是我们把提醒、验证、重试和停止条件写进系统让系统替我们催它。Graph 就没那么新了。状态机、DAG、工作流编排、事件驱动、分布式调度软件行业早就做了很多年。真正有意思的变化只是图里有些节点不再执行一个固定函数而是塞进了能理解局部目标、自己选择动作的概率型执行器。说白了Agent 没有抛弃软件工程。它只是把一个不那么确定的执行者塞回了软件工程的约束、状态和反馈里。这也解释了为什么模型越强Harness 反而越重要。模型能力接近以后差距不再只是谁能生成而是谁能稳定做完。DeepSeek 最近的招聘页面已经直接出现了“Agent Harness 团队”旁边还有 Agent Infra、Code Agent 数据工程师。这至少说明头部模型公司已经开始把模型外面的运行环境当成一层独立工程而不是一段写得更长的 system prompt。我自己用 Codex 和 Claude Code 的体感也是这样。真正拉开差距的很多时候不是某个 benchmark 高了两分而是工具好不好用、测试能不能自动跑、上下文会不会丢、失败以后能不能接着来。更好的 Harness 会承接更多真实任务真实任务又会暴露更多失败模式这些失败再去改进工具、评测和产品。这里不能直接推导成“厂商拿企业私有代码训练模型”两件事不是一回事。但模型、Harness 和用户行为之间确实已经形成了产品反馈飞轮。03、当原型不再稀缺这件事继续往下走会带来一个更麻烦的问题。大家都在用 Agent 快速做原型、写代码、跑实验。短期看当然是好事小团队能做过去只有大公司做得起的产品研究者也能更快验证一个想法。但我越来越觉得生产力工具也在消灭生产力本身的溢价。两年前一个人几天做出完整 Demo足以证明能力。以后可能只能证明他开通了一个不错的 Agent 套餐。当产品功能、论文选题和实验代码都能被批量生成大家会更快创新也会更快撞到一起。企业软件靠“我有这个功能”越来越难卖出高价真正值钱的会变成行业数据、实施能力、合规责任和嵌入客户流程的深度。学术圈也一样“第一次把东西跑出来”的价值会下降问题是否重要、实验能否复现、数据是否独有反而会重新变贵。对个人来说最危险的不是 Agent 把效率提高了而是我们把“会用 Agent”误当成自己的护城河。今天能靠提示词领先三个月明天它可能就是产品默认能力。所以别只囤 Prompt也别只追哪个模型榜单又涨了。更值得积累的是你对真实问题的判断、能拿到的数据、知道结果对不对的标准以及把一次成功固化成长期工作流的能力。未来最便宜的可能真的是答案最贵的是谁有资格说这个答案可以被采用。04、我为什么在这个时候写 Harness这也是我写《Harness Engineering实战》的原因。一开始我也想过写成一本工具书把 Claude Code、Codex、MCP 和各种 Agent 框架讲全。但写到一半发现这条路不对。工具变得太快书还没出版菜单和产品形态可能已经换了。真正值得留下来的是工具背后的工程结构。怎么限制 Agent 的行动边界怎么给它工具和上下文怎么让测试接管“完成”的判断怎么在失败后恢复怎么把一次运行的经验反馈到下一次。我写书过程中跑了不少对照实验有些结论和厂商文档一致也有些实验直接把原来写好的章节推翻重来。这个过程反而让我更确定Harness 不是给模型套一个漂亮外壳而是把偶尔惊艳的能力变成一个可以反复运行、经得起验证的系统。书里会从一个最小 Python Agent 开始一层一层加上约束、工具、上下文、记忆、验证、编排和观测。我还放进了遗留系统重构、医疗数据合规、多 Agent 全栈协作三个案例。不是为了再造一个框架而是想把 Agent 为什么失败、怎样才算可靠这件事讲清楚。绕回开头。Loop 没死Graph 也不新。真正发生变化的是工程师的工作正在从“亲手写出每一步”转向“设计环境、反馈、验收和协作关系”。这听起来很像一个新职业仔细看又全是软件工程。最后我们整理出这套 AI 大模型 突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要 《AI大模型入门进阶学习资源包》下方扫码获取~资料展示下面是我整理的AI大模型学习资料和工具包预览适合收藏后按主题逐步学习。需要这份AI大模型资料清单的话在评论区回复「清单」即可我会根据大家的问题继续补充对应的实战内容。