文章目录一、问题：Agent 到底是什么？二、什么是驾驭工程？三、AI-7D-SATS 的四层驾驭架构四、第一层：Skill — 标准化的原子能力4.1 严格的输入输出契约4.2 BaseSkill 的模板方法模式4.3 自动发现的注册中心五、第二层：Agent — 驾驭体5.1 三种推理策略（Strategy Pattern）5.2 AgentContext — 推理状态容器5.3 ReAct 循环里的决策机制5.4 Plan-and-Execute 的自动重规划六、第三层：Orchestrator — 薄薄的协作层6.1 从 800 行 if/elif 到 100 行路由层6.2 三层降级路径6.3 SkillPipeline：静态链式编排七、第四层：LLM Router — 给 LLM 也加一层 Harness7.1 LLM Router 的解析顺序7.2 FallbackManager 的健康感知7.3 配套的两个支撑系统八、可观测性：每一步都看得见8.1 实时 SSE 事件流8.2 完整 Trace 持久化九、配置驱动：Agent 即数据十、五条设计原则十一、实际效果十二、写在最后当 AI Agent 系统逐渐复杂，我们需要一套工程化的方法来“驾驭”它。本文以 AI-7D-SATS 智能平台的真实架构为蓝本，讲清楚 Harness Engineering（驾驭工程）如何把零散的能力打磨成可观测、可配置、可演进的工程制品。一、问题：Agent 到底是什么？最朴素的实现是把 Agent 写成 Skill 的薄包装。“帮我生成脚本”就调脚本生成 Skill，“帮我分析根因”就调根因分析 Skill。Agent 没有思考能力，只是一个透传层。这种实现看起来“能跑”，但当业务真实复杂起来，就会暴露三个连锁问题：1. 编排器职责膨胀一个 800 行的 if/elif 链，所有意图、所有领域知识、所有工具调用全集中在它身上，改一处牵一片。2. Agent 没有恢复能力Skill 失败就是任务失败，没有重试、没有降级、没有 replan。3. 黑盒不可观测用户只能看到最终结果，过程中的推理、Skill 选择、决策点全在日志里漂着，没法做事后审计、调优和自进化。这就像把一堆零散的工具随意塞进工具箱——能用，但谈不上工程。我们需要的不是工具的堆砌，而是对工具的驾驭。二、什么是驾驭工程？Harness 这个词在英文里有“驾驭、驯服、整合利用”的含义。驾驭工程的核心命题是：单个能力只是原材料。经过标准化、编排、保护、路由和观测之后，它们才能成为可靠的工程制品。一套合格的驾驭体系必须同时具备：维度具体含义原子能力最小、自治、可独立测试的功能单元标准接口让能力之间能正确对接、彼此替换编排逻辑按特定推理拓扑把能力组合成更高阶的工作保护机制故障隔离，防止局部失败级联放大可观测性运行状态实时可见，推理过程完整留痕路由策略根据任务特征把请求送到最合适的处理者驾驭工程不是能力的简单集合，而是一个经过精心设计、自身就有结构和智能的独立系统。三、AI-7D-SATS 的四层驾驭架构我们把这套思想落地为四层模型，每一层都有自己的契约、状态和保护机制：第一层：Skill— 标准化的原子能力第二层：Agent— 驾驭体（推理引擎 + 状态管理 + 故障恢复）第三层：Orchestrator— 薄薄的协作层第四层：LLM Router— 给 LLM 也加一层 Harness特别值得提的是第四层——LLM 驾驭层。我们不仅驾驭 Skill，也驾驭 LLM 本身。四、第一层：Skill — 标准化的原子能力4.1 严格的输入输出契约每个 Skill 都通过同一份 Pydantic 契约对外：classSkillInput(BaseModel):data:dictcontext:dictoptions:dictclassSkillOutput(BaseModel):success:boolerror:str|Nonewarnings:list[str]skill_name:strskill_version:strexecution_time_ms:intconfidence:float=1.0reasoning:str=""result:Any注意confidence和reasoning这两个字段——它们不是装饰，是后续 Agent 决策“要不要继续往下走”的核心依据。一个低置信度的输出会让上层 Agent 选择重试或换条路，这就是驾驭工程里“局部状态指导全局决策”的具体体现。4.2 BaseSkill 的模板方法模式所有 Skill 子类只关心一件事：_execute()里写业务逻辑。剩下的边界工作由BaseSkill.execute()统一处理：asyncdefexecute(self,input:SkillInput)-SkillOutput:start=time.monotonic()err=self.validate_input(input)iferr:returnSkillOutput.fail(error=err)try:output=awaitself._execute(input)exceptExceptionase:output=SkillOutput.fail(error=str(e))output.skill_name=self.name output.execution_time_ms=int((time.monotonic()-start)*1000)returnoutput子类永远不需要操心计时、版本号、异常吞吐——这些一致性是模板方法保证的。标准化不是规范文档，是用代码强约束的边界。4.3 自动发现的注册中心SkillRegistry是一个单例，启动时通过pkgutil.iter_modules扫描app/skills/包，把所有BaseSkill子类自动注册：def_discover_skills(self)-/