[AI 基础工程系列·番外篇] 由单体到系统化:组成现代 AI Agent 的四层架构图

引言：由大模型到Harness

2022年底，ChatGPT发布后，大语言模型(LLM)的可用性确实迎来了质的飞跃。模型迭代速度越来越快，泛化能力和逻辑推理能力也越来越强，大模型开始真正融入人们的日常生活和工作流。

一开始，我们主要把大模型当聊天机器人用。基本形态就是一个"拥有超强大脑的推理引擎"加上一个"简单的交互界面"。但随着用得越来越深，大模型原生架构的局限性开始暴露，主要表现在三个核心痛点：

1. 缺乏领域专业性：
    作为通用模型，它足够"通识"，但在垂直细分领域缺乏深度。
2. 无状态与记忆丢失：
    模型在不同的对话Session间无法共享记忆；且受限于上下文窗口，长对话极易导致"遗忘"。
3. 事实幻觉（Hallucination）：
    当缺乏相关事实依据时，模型极易基于概率"胡编乱造"。

为了解决这些问题，AI领域的工程实践开始分化演进：

• 针对专业性问题，Prompt Engineering（提示工程）成了最早的解法。通过精细化的System Prompt和Role（角色）设定，我们能为模型注入"专家人设"和行为约束，逼迫它输出更专业的回答。

• 针对记忆缺失和幻觉问题，Context Engineering（上下文工程）成了核心发力点。通过引入外部数据库和RAG（检索增强生成）机制，系统能将用户的历史对话和关键偏好转化为持久化的"私有知识库"。这不仅赋予了模型长期的"记忆"，更成了现阶段各AI产品留存用户的核心壁垒。

然而，当Prompt和Context让大模型变成了一个极其专业的"全知顾问"后，开发者的野心并没有停止。我们开始希望AI不仅能"动嘴"，还能"动手"——也就是大跨步地从Chatbot（聊天机器人）向Agent（智能体）演进。我们赋予了它读写数据库、调用API、甚至执行底层代码的权限。

这立刻引出了一个极其致命的新痛点：

举个具体的例子：假设你正在使用OpenClaw这样的自动化Agent工具，你随口给它下达指令："帮我清理一下项目中无用的历史临时日志"。OpenClaw迅速理解了意图，但由于对当前工作目录的层级产生了轻微的"上下文幻觉"，这头不知轻重的AI猛兽，直接在生产环境的根目录下静默执行了一句find . -name "*log*" -exec rm -rf {} +，顺手就把你核心业务的数据库事务日志（Transaction Logs）给彻底清空了。

在这种场景下，大模型越"聪明"、执行力越强，没有护栏的裸跑带来的灾难就越彻底。

为了锁死这头长出"手脚"的猛兽，Harness Engineering（驾驭与护栏工程）必然地登上了历史舞台。

如果说Prompt是给模型下达的"点菜单"，Context是给它外挂的"记忆库"，那么Harness Engineering就是给它穿上的"防弹衣"和建立的"自动化质检流水线"。它通过系统级的沙盒隔离、权限剥夺、工具调用的标准化（如MCP协议），以及"Write-Test-Fix（写-测-修）"的闭环验证机制，将大模型不可控的非确定性行为，死死地关进了确定性的系统边界内。

只有补齐了Harness这一环，AI才能真正褪去"玩具"的属性，成为可以在生产环境中稳定交付的工业级"自动化员工"。

四层架构：从系统工程师角度，梳理堆栈

于是我们突然发现，围绕着22年底刚出来时候的大模型，开发者们为了驯服这头"猛兽"，已经发展了一整套严密的工程化堆栈。

让我们从系统工程师的视角重新审视这套堆栈，它已经不再是一个单体的黑盒，而是演化成了权责分明的四层架构：

1. 大模型（大脑）
2. 交互窗口（眼耳鼻）
3. Harness（神经中枢）
4. 操控接口（手脚）

它们的运转逻辑是这样的：工程师们通过2（交互窗口）输入意图；3（Harness）作为整个系统的总调度中心，不仅负责约束和调度1（大模型）的大脑算力，还负责在确保安全的前提下，通过标准化的4（操控接口），让系统最终与物理/数字世界产生真实的交互。

让我们逐一解剖这四层架构：

1. 大模型（大脑）：Token 引擎，是纯粹的算力、概率的分布

• 工程本质：
   它是被剥离了所有外设的"裸金属CPU"。它没有记忆，不连接外网，不拥有任何状态。它的唯一功能，就是接收输入，并计算出下一个Token的概率分布。
• 产品形态：
   各大云厂商提供的底层API（如Gemini 3、GPT-4o）。
• 定位属性：
   这是基础设施层的"水和电"。对于绝大多数开发者而言，这里没有任何护城河，我们只是算力的消费者。

2. 交互窗口（眼耳鼻）：对话工具，用户意图采集的GUI

• 工程本质：
   它是承载用户输入的前端界面。无论是Web对话框、IDE（如Cursor）的侧边栏，还是智能硬件的麦克风，它的核心任务是"降噪"与"意图采集"。
• 产品形态：
   各种AI助手的客户端、Chatbox、以及语音交互界面。
• 定位属性：
   这是Prompt Engineering发挥作用的主战场。它负责将人类模糊的、甚至夹杂着情绪的自然语言（"这代码怎么又跑崩了？"），过滤并格式化为后台系统可读的结构化输入。

3. Harness（神经中枢）：调度与护栏框架，系统的 OS Kernel

• 工程本质：
   这正是OpenClaw及其各种衍生品所在的生态位。它是连接"概率引擎"与"确定性物理世界"的中间件。它负责接管文件系统树、维护工作区状态（Context内存管理）、设定沙盒隔离边界，并在模型出错时自动触发Write-Test-Fix（写-测-修）循环。
• 产品形态：
   高级Agent框架、自动化Vibe Coding的底层运行时（Runtime）。
• 定位属性：
   这是整个智能系统真正的"大管家"和控制平面。模型本身不会去查文档，是Harness截获了模型的意图后去触发了RAG管道；模型本身也不会修Bug，是Harness捕获了编译器的Error Log并反向注入给模型大脑。

4. 操控接口（手脚）：CLI调用与底层接口，系统调用的 Actuators（执行器）

• 工程本质：
   这是Agent真正改变数字世界的"手脚"与执行器。在云原生和操作系统层面，这一层强调的是接口的绝对原子化与标准化。大模型不需要知道如何编写复杂的eBPF追踪脚本，它只需要知道呼叫一个封装好的高层命令。
• 产品形态：
   操作系统命令、各类SaaS软件开放的API网关、MCP（Model Context Protocol）标准接口。
• 定位属性：
   它是将AI的计算结果转化为物理或系统状态改变的最后一公里。

四层调用链：从云原生基础设施的角度再看看

以云原生基础设施的视角来看，这四层堆栈可以类比成：

1. 大模型（大脑） ↔️ CPU / Bare Metal 算力节点： 它是纯粹的ALU（算术逻辑单元）。它没有持久化存储，只负责无状态的"计算指令"执行，算完立刻清空上下文。
2. 交互窗口（眼耳鼻） ↔️ Shell / Gnome / kubectl： 它是User Space（用户态）的最外层接口，负责接收人类的声明式意图。
3. Harness（神经中枢） ↔️ Linux Kernel / Kubernetes 控制平面： 它是整个系统的灵魂。RAG的内存管理相当于内核的虚拟内存（VMM/Paging）置换；沙盒边界相当于Namespaces与Cgroups；错误重试机制则完美等同于Kubelet的Reconciliation Loop（控制循环），不断调谐系统以达到期望状态。
4. 操控接口（手脚） ↔️ Syscalls (系统调用) / POSIX API： 被标准化、原子化暴露出来的底层接口，屏蔽了复杂的硬件驱动。

为了便于理解，我们再举一个真实的排障场景深化一下。假设当你在键盘上敲下："写个脚本排查下网络延迟"时，真实的系统控制流是这样的：

1. 交互窗口 (Shell)： 接收你的自然语言Prompt，将其格式化为标准的API请求发给后台。
2. Harness (Kernel/K8s)： 截获请求，立刻分配资源。它建立一个安全的沙盒容器(Namespaces)，将当前系统的网络架构图和近期的Error日志（VFS/存储卷）挂载进去，拼装成完整的上下文。
3. 大模型 (CPU)： 在Harness提供的上下文中飞速运转，利用其庞大的参数矩阵进行"推理计算"，输出了一段准备调用底层eBPF探针的Python排障代码。
4. Harness (Kernel)： 拦截这段代码，坚决不让它裸跑。Harness先在沙盒里做一次语法检查（静态编译）。如果发现语法报错，Harness会像抛出Exception一样将Error Log扔回给大模型要求重写，直到检查通过。
5. 操控层 (Syscalls/API)：确认代码绝对安全后，系统才通过标准化的底层API执行代码，真正去读取网卡的I/O状态，并将执行结果（stdout/stderr）原路返回。

启示：从业者在 AI 时代的个人定位

面对不可逆的AI浪潮，很多处于转型期的底层架构、云原生和系统工程师经常会思考一个问题：在基础模型智商越来越高的时代，我的个人技术定位和不可替代性究竟在哪里？

这张四层架构蓝图给出了最清晰的答案。

去卷底层的"Token引擎"是巨头的重资本游戏；去卷最上层的"交互窗口"很容易陷入UI层面的同质化红海。

真正属于系统工程师、架构师和极客的星辰大海，在于Harness（调度与护栏）和操控（底层CLI与API封装）这两层。

把深厚的Linux内核经验、复杂的K8s编排逻辑，通过标准化协议封装为模型可调用的"操控"接口；用严密的系统思维，去构建像OpenClaw这样甚至比它更强大的Harness运行时，让大模型在可控的边界内发挥出百倍的效能。

这，就是2026年最具商业价值的工程壁垒。抛弃对单体"智能魔法"的幻想，用搭积木的工程化思维去重构智能，才是我们在这场技术革命中最好的杠杆。