国内首本系统讲解Harness工程的图书。 1. 切中 AI 编程的真实痛点，而非工具教学 当前 AI 编程类图书多停留在“工具使用”和“Prompt 技巧”层面，而本书聚焦一个更本质的问题：为什么 AI 能写代码，却难以参与真实工程？ 2. 从“上下文工程”到“Harness工程”的完整技术路径 本书首次系统梳理：Context Engineering → Agent Loop → 多Agent → Harness Engineering，构建清晰的技术演进认知，帮助读者理解 AI Agent 从“能用”到“可控”的本质差异。 3. 聚焦工程落地，强调“能跑、能用、能复现”，而非概念讲解 区别于偏理论或框架介绍类图书，本书每章均包含完整代码实践，提供 DeepResearch、记忆系统、Agent Skills 等真实案例，拆解类似 Claude Code 的核心设计模式 4. 覆盖从单Agent到多Agent系统的完整能力 内容涵盖：意图识别、规划、反思、行动（CodeAct）、长短期记忆系统（Mem0）、Skills 上下文卸载机制、多Agent协作（Agent Teams），形成能力闭环。 5. 面向下一阶段 AI 开发范式 在 LLM 能力逐渐趋同的背景下，本书强调“模型之外的工程能力（Harness）才是核心竞争力”，具备明显的前沿性和趋势价值。
售 价：¥
6.8
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
前言
第1章 从提示词到上下文工程
1.1 上下文工程的核心思想
1.1.1 从购车决策看上下文的构建
1.1.2 上下文工程与Agent的关系
1.2 上下文工程的系统结构
1.2.1 上下文构建的四大模块
1.2.2 上下文管理的核心策略
1.3 简单工具调用到复杂Agent：Agent技术发展路线图
1.3.1 简单工具调用Agent的原理与特点
1.3.2 深度思考型Agent的原理与特点
1.3.3 以代码执行为主的Agent：Code Agent的原理与特点
1.3.4 多Agent的原理与特点
第2章 上下文的“元驱动”：意图识别、规划等模块的工程化实战
2.1 意图识别：让AI精准理解人类需求
2.1.1 意图识别的作用与意义
2.1.2 基于Arch-Router实现意图识别
2.1.3 小模型微调+大模型兜底实现意图识别
2.2 计划模式：让AI有计划地解决问题
2.2.1 简单计划模式实现旅游攻略撰写
2.2.2 复杂计划模式实现通用计划执行
2.3 反思模式：让AI具备“思考自己的思考”能力
2.3.1 反思模式的架构
2.3.2 以运维场景为例实现反思模式工作流
2.4 行动：代码即工具的CodeAct模式
2.4.1 CodeAct模式的架构
2.4.2 以图表生成助手为例实现CodeAct Agent
2.5 人机协作：实现Human-in-the-loop模式
2.5.1 Human-in-the-loop模式的原理
2.5.2 以报告大纲审核为例实现强制人类介入
2.5.3 以商品咨询为例实现自主触发人类介入
第3章 DeepResearch：基于深度思考Agent构建上下文的典型案例
3.1 深度解析DeepResearch核心演进
3.1.1 RAG的原理与局限
3.1.2 DeepSearch的机制与不足
3.1.3 DeepResearch的核心架构：从搜索转向研究
3.2 实战：构建DeepSearch核心引擎
3.2.1 选型博查（Bocha）：适配中文生态的AI搜索引擎
3.2.2 SearXNG：开源聚合搜索引擎的深度应用
3.3 实战：Sequential Thinking方案的DeepResearch代码实现
3.3.1 MCP广场：Smithery.ai简介
3.3.2 深度思考MCP：Sequential Thinking原理介绍
3.3.3 私有化方式部署Sequential Thinking
3.3.4 构建DeepResearch深度研究系统
第4章 记忆工程：Agent系统的长短期上下文管理
4.1 深入理解Agent记忆
4.1.1 短期记忆：突破LLM的无状态局限
4.1.2 长期记忆：构建Agent的持久化存储层
4.2 Mem0：Agent记忆层的标准化实现
4.2.1 Mem0核心架构：多层级记忆管理
4.2.2 记忆生命周期：从信息提取到持久化存储
4.2.3 Mem0实战：基于混合存储架构实现历史对话复用
4.3 容器化的高可用分布式记忆系统部署方案
4.3.1 部署架构设计与脚本编写
4.3.2 基于分布式记忆系统的历史对话复用
第5章 Skills：上下文卸载的艺术
5.1 Skills概述
5.1.1 Skills是什么
5.1.2 Skills的结构定义
5.1.3 Skills的渐进式加载机制
5.1.4 如何设计支持Skills的Agent
5.2 实战：零代码开发“运维巡检Skill”
5.2.1 使用扣子编程开发“运维巡检Skill”
5.2.2 基于OpenClaw测试“运维巡检Skill”
第6章 Harness工程实践：复现Claude Code核心设计模式
6.1 Agent Loop：Agent可以长时间工作的核心
6.1.1 一个Agent=一个Loop+一个Bash工具
6.1.2 增加更多的基础工具
6.2 上下文工程：解析Claude Code如何进行上下文管理
6.2.1 SubAgent：分离上下文窗口
6.2.2 Skills：让Agent实现渐进式加载
6.2.3 Compact：多级上下文压缩机制
6.3 持久化与异步：跨会话的任务管理
6.3.1 Todo：Claude Code的计划模式
6.3.2 Task System：持久化的任务系统
6.3.3 后台任务：慢操作交给后台运行
6.4 多Agent系统：Agent Teams
6.4.1 团队管理类实现
6.4.2 通信总线的实现
6.4.3 为队友的Agent Loop增加工具调用
6.4.4 修改主Agent的Agent Loop逻辑
6.4.5 测试效果
第7章 Harness工程实践：Claw类产品的设计模式解析与实践
7.1 Claw类产品的核心架构
7.1.1 学习路径：从NanoClaw开启探索
7.1.2 NanoClaw的架构
7.2 开发与使用NanoClaw
7.2.1 为NanoClaw开发飞书Channel
7.2.2 部署NanoClaw
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
