夜雨聆风一、技术栈全景：从模型到应用
1.1 完整技术架构
1.2 技术选型决策矩阵
二、Harness Engineering：工程化核心
2.1 9大组件深度解析
Harness Engineering是AI Agent从"玩具"走向"生产级"的核心方法论，包含9大核心组件：
2.2 核心洞察：Rule vs Skill vs Scripts
| Rule | ||
| Skill | ||
| Scripts | 直接验证 | |
| MCP |
2.3 从0搭建Harness的9步法
Step 1: SPEC → 明确项目目标和成功标准Step 2: Rule → 编写代码质量、提交流程规则Step 3: Skill → 封装高频重复性工作Step 4: SubAgent → 设计需求/架构/编码/Review/测试分工Step 5: Workflow → 定义Agent协作顺序和依赖Step 6: Scripts → 编写Lint/测试/验证脚本Step 7: MCP → 集成GitHub/数据库等外部系统Step 8: dev-map → 建立项目知识库索引Step 9: 任务看板 → 可视化项目状态和进展三、GUI Agent：纯视觉操作革命
3.1 纯视觉方案对比
| GitHub Star | ||
| OSWorld排名 | ||
| 运行方式 | ||
| 内存占用 | ||
| 数据隐私 | ||
| 安装便捷 | ||
| 开源协议 | ||
| 核心优势 |
3.2 选型决策树
需要离线运行？├── 是 → Mano-P（完全离线）└── 否 → 继续判断 │ 已有Mac M4设备？ ├── 是 → Mano-P（原生优化） └── 否 → 继续判断 │ 重视社区生态？ ├── 是 → UI-TARS（26k+ Star） └── 否 → 两者皆可3.3 纯视觉 vs 传统RPA
| 依赖 | ||
| 兼容性 | ||
| 部署 | ||
| 维护 | ||
| 适用范围 | ||
| 学习成本 |
四、国产大模型生态：2026格局
4.1 头部玩家定位
| DeepSeek | |||
| 字节跳动 | |||
| 腾讯 | |||
| 阿里 | |||
| 智谱 |
4.2 成本对比（每百万Token）
| $0.28 | ||
五、企业落地路径：三阶段进化
六、典型问题与Harness解决方案
6.1 问题矩阵
6.2 OpenAI Codex实践要点
AGENTS.md重新定位：从"百科全书"变成"索引地图"（100行→数千行） 自定义Linter：强制执行结构化日志、命名约定 Doc-gardening智能体：扫描过时文档并自动发起PR
6.3 Anthropic Claude实践要点
claude-progress.txt：进度文件传递任务状态 Git历史记录：利用Git理解任务上下文 Puppeteer MCP：浏览器自动化测试提高可靠性
七、行动建议
7.1 个人开发者（立即行动）
Week 1-2：技术选型
[ ] 体验DeepSeek V4和豆包 [ ] 对比UI-TARS和Mano-P [ ] 选择1个场景开始实践
Week 3-4：Harness入门
[ ] 编写第一个Rule（代码提交规范） [ ] 开发第一个Skill（代码审查流程） [ ] 建立dev-map项目导航
Month 2-3：系统实践
[ ] 设计Sub Agent分工 [ ] 搭建Workflow工作流 [ ] 编写Scripts自动化验证
7.2 企业用户（分阶段推进）
Phase 1：试点验证（1-2个月）
[ ] 识别1个高价值场景（如代码审查） [ ] 选择国产大模型（DeepSeek/豆包） [ ] 搭建最小Harness（Rule+Skill+Scripts） [ ] 验证ROI
Phase 2：扩展推广（3-6个月）
[ ] 扩展到3-5个场景 [ ] 引入Sub Agent和Workflow [ ] 建立企业级Rule/Skill库 [ ] 培训内部团队
Phase 3：规模落地（6-12个月）
[ ] 构建企业级Agent平台 [ ] 实现跨部门Agent协作 [ ] 建立治理框架和安全规范 [ ] 持续优化和迭代
八、2026年关键趋势
8.1 技术趋势
8.2 商业趋势
从工具到员工：AI Agent从辅助工具进化为数字员工 从单点到系统：从单点自动化走向端到端工作流 从云端到端侧：隐私驱动端侧推理普及 从人工到自主：从人工Review走向自主运行
九、相关资源
开源项目
UI-TARS：https://github.com/bytedance/UI-TARS-desktop Mano-P：https://github.com/Mininglamp-AI/Mano-P DeepSeek：https://github.com/deepseek-ai Tencent Agent Memory：https://github.com/Tencent/TencentDB-Agent-Memory
官方文档
OpenAI Harness Engineering：https://openai.com/index/harness-engineering/ Anthropic Effective Harnesses：https://www.anthropic.com/engineering/effective-harnesses-for-agents LangChain Agent Harness：https://blog.langchain.com/the-anatomy-of-an-agent-harness/
