# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Harrison Chase (@hwchase17) · 平台：X (Twitter) · 日期：2026-04-11

> 原始來源：https://x.com/hwchase17/status/2042978500567609738

## 中文摘要

# 您的 Harness，您的記憶

Agent harnesses 正逐漸成為建構 Agent 的主流方式，且這種趨勢不會改變。這些 harnesses 與 Agent 的記憶緊密相連。如果您使用封閉式的 harness——特別是當它位於專有 API 後方時——您等於選擇將 Agent 記憶的控制權交給第三方。記憶對於創造優質且具黏著性的 Agent 體驗至關重要。這會造成極高的鎖定效應（Lock-in）。記憶——以及因此而來的 harnesses——應該是開放的，這樣您才能擁有屬於自己的記憶。

## Agent Harnesses 是建構 Agent 的方式，且這種趨勢不會改變

過去三年中，建構 Agent 系統的「最佳」方式發生了巨大變化。當 ChatGPT 問世時，您能做的僅僅是簡單的 RAG 鏈（LangChain）。隨後模型變得稍微強大了一些，能夠建立更複雜的流程（LangGraph）。接著它們變得更強大，這催生了一種新型的鷹架（scaffolding）——即 Agent harnesses。

Agent harnesses 的範例包括 Claude Code、Deep Agents、Pi（驅動 OpenClaw）、OpenCode、Codex、Letta Code 等等。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1775938159348-iaHFnuRGXXgAAo6cipng.png)

💡Agent harnesses 不會消失。

有時會有一種觀點認為，模型將會吸收越來越多的鷹架功能。這是不正確的。實際發生的情況（且未來將持續發生）是，2023 年所需的許多鷹架已不再需要，但它們已被其他類型的鷹架所取代。根據定義，Agent 是一個與工具和其他資料來源互動的 LLM。LLM 周圍將永遠需要一個系統來促進這類互動。需要證據嗎？當 Claude Code 的原始程式碼外洩時，裡面有 51.2 萬行程式碼。那些程式碼就是 harness。即使是世界上最強大模型的製造商，也都在大力投資 harnesses。

當像網路搜尋這類功能被內建於 OpenAI 和 Anthropic 的 API 中時，它們並非「模型的一部分」。相反，它們是位於 API 後方的一個輕量級 harness 的一部分，透過這些網路搜尋 API（僅僅透過工具呼叫）來協調模型。

## Harnesses 與記憶息息相關

Sarah Wooders 寫了一篇很棒的部落格，探討為什麼「記憶不是一個 plugin（它就是 harness 本身）」，我對此深表贊同。

有時會有一種觀點認為，記憶是一個獨立的服務，與任何特定的 harness 分開。但在當前這個時間點，這是不正確的。

harness 的一項重大責任是與上下文（context）互動。正如 Sarah 所言：

> 要求將記憶插入 Agent harness，就像要求將駕駛功能插入汽車一樣。管理上下文，進而管理記憶，是 Agent harness 的核心能力與責任。

記憶只是上下文的一種形式。短期記憶（對話中的訊息、大型工具呼叫結果）由 harness 處理。長期記憶（跨會話記憶）則需要由 harness 進行更新與讀取。Sarah 列舉了許多 harness 與記憶緊密相連的其他方式：

> AGENTS.md 或 CLAUDE.md 檔案是如何載入到上下文中的？
> 技能元資料（metadata）是如何呈現給 Agent 的？（在系統 Prompt 中？在系統訊息中？）
> Agent 能否修改自己的系統指令？
> 什麼內容能在壓縮（compaction）過程中保留下來，什麼又會遺失？
> 互動過程是否被儲存並可供查詢？
> 記憶元資料是如何呈現給 Agent 的？
> 目前的工作目錄是如何表示的？暴露了多少檔案系統資訊？

目前，記憶作為一個概念仍處於萌芽階段。對於記憶而言，現在還非常早期。坦白說，我們看到長期記憶通常不是 MVP（最小可行性產品）的一部分。您首先需要讓 Agent 能通用地運作，然後才能考慮個人化。這意味著我們（作為整個產業）仍在摸索記憶的定義。這也意味著目前還沒有關於記憶的知名或通用抽象概念。如果記憶變得更為普及，且隨著我們發現最佳實踐，未來獨立的記憶系統或許會變得合理。但在當前這個時間點還不會。正如 Sarah 所說：「最終，harness 如何管理上下文與狀態，是 Agent 記憶的基礎。」

## 如果您不擁有您的 harness，您就不擁有您的記憶

harness 與記憶緊密相連。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1775938159339-iaHFnyQkOaMAA5Yjujpg.jpg)

💡如果您使用封閉式 harness，特別是當它位於 API 後方時，您並不擁有您的記憶。

這表現在幾個方面：

輕微的負面影響：如果您使用有狀態的 API（例如 OpenAI 的 Responses API，或 Anthropic 的伺服器端壓縮），您是在他們的伺服器上儲存狀態。如果您想切換模型並恢復之前的對話串，這將無法做到。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1775938159360-iaHFnyS21XMAAuaBjjpg.jpg)

負面影響：如果您使用封閉式 harness（例如 Claude Agent SDK，它底層使用 Claude Code，而後者並非開源），這個 harness 與記憶互動的方式對您而言是未知的。也許它會在客戶端建立一些產出物（artifacts）——但它們的格式是什麼？harness 應該如何使用這些產出物？這些都是未知的，因此無法從一個 harness 轉移到另一個 harness。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1775938159344-iaHFnyWT3XwAA0P8ejpg.jpg)

💡但最糟糕的情況是——當整個 harness（包括長期記憶）都位於 API 後方時。

在這種情況下，您對記憶（包括長期記憶）完全沒有所有權或可見性。您不了解該 harness（這意味著您不知道如何使用該記憶）。更糟的是——您甚至不擁有這些記憶！也許部分內容透過 API 暴露出來，也許完全沒有——您對此毫無控制權。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1775938159352-diaHFnyZ5vXgAAMDujpg.jpg)

當人們說「模型將會吸收越來越多的 harness 功能」時，他們指的正是這一點。他們的意思是，這些與記憶相關的部分將會被移到模型供應商提供的 API 後方。

💡這非常令人擔憂——這意味著記憶將被鎖定在單一平台、單一模型中。

模型供應商非常有動力這麼做，而且他們已經開始行動了。Anthropic 推出了 Claude Managed Agents。這將所有東西都放在 API 後方，鎖定在他們的平台上。

即使整個 harness 沒有完全放在 API 後方，模型供應商也有動力將越來越多的功能移到 API 後方——而且他們已經在這麼做了。例如：儘管 Codex 是開源的，但它會產生一個加密的壓縮摘要（在 OpenAI 生態系統之外無法使用）。

他們為什麼要這樣做？因為記憶很重要，它創造了僅靠模型本身無法實現的鎖定效應。

## 記憶很重要，且它創造了鎖定效應

雖然記憶領域還很早期，但每個人都清楚它很重要。它讓 Agent 能夠隨著使用者的互動而變得更好，並讓您建立資料飛輪（data flywheel）。它讓您的 Agent 能夠針對每位使用者進行個人化，並建立符合他們需求與使用模式的 Agent 體驗。

💡沒有記憶，您的 Agent 很容易被任何擁有相同工具的人複製。

有了記憶，您就建立了一個專有的資料集——一個包含使用者互動與偏好的資料集。這個專有的資料集讓您能夠提供差異化且日益智慧化的體驗。

迄今為止，切換模型供應商相對容易。它們擁有相似甚至相同的 API。當然，您必須稍微修改 Prompt，但這並不困難。

但這一切都是因為它們是無狀態（stateless）的。

一旦涉及任何狀態，切換就變得困難得多。因為記憶很重要。如果您切換了，您就會失去對它的存取權。

讓我講個故事。我在內部有一個電子郵件助理。它是建立在 Fleet 的模板之上，這是我們用於建構企業級 OpenClaws 的無程式碼平台。這個平台內建了記憶功能，因此在過去幾個月我與電子郵件助理互動的過程中，它累積了記憶。幾週前，我的 Agent 被意外刪除了。我氣炸了！我試圖從同一個模板建立一個 Agent——但體驗差太多了。我必須重新教它我所有的偏好、語氣，以及一切。

我的電子郵件助理被刪除的好處是——它讓我意識到記憶的力量與黏著性有多強。

## 開放記憶，開放 Harnesses

記憶需要被開放，並由開發 Agent 體驗的人所擁有。這讓您能夠建立自己真正掌控的專有資料集。

記憶（以及因此而來的 harnesses）應該與模型供應商分開。您應該希望擁有選擇權，去嘗試任何最適合您使用案例的模型。模型供應商則有動力透過記憶來創造鎖定效應。

這就是我們正在建構 Deep Agents 的原因。Deep Agents：

- 是開源的

- 與模型無關（model agnostic）

- 使用如 agents.md 和 skills 等開放標準

- 擁有連接到 Mongo、Postgres、Redis 等資料庫的 plugins，用於儲存記憶

- 可部署：(1) 透過 LangSmith Deployment（可自託管，可部署在任何雲端，可攜帶您自己的資料庫作為記憶儲存）；(2) 位於任何標準網頁託管框架後方

為了擁有您的記憶，您需要使用開放式的 Harness。

立即嘗試 Deep Agents。

感謝以下幾位人員的審閱與建議：

- Sydney Runkle，他在 Deep Agents 和記憶領域做了許多出色的工作

- Viv Trivedy，他是 Agent harnesses 領域的領先意見領袖

- Nuno Campos，他針對金融 Agent 的上下文工程（context engineering）撰寫了許多優秀的文章

- Sarah Wooders，她是 Letta 的 CTO，該公司一直處於有狀態 Agent 的最前線

## 標籤

Agent, 產業趨勢, 開源專案, Agent, Harness