LangChain：如何构建自己的 agent harness（agent = model + harness）

LangChain 发布了什么？

LangChain 于 2026 年 6 月 3 日发布了一篇由作者 Sydney Runkle 撰写的技术指南，解释如何构建自己的 agent harness。该指南把 harness 定义为语言模型周围的脚手架，将其与真实世界连接起来，浓缩为公式 agent = model + harness。harness 的工作是在合适的时刻为模型提供针对给定任务的合适上下文。没有 harness，模型只是文本生成器，有了它才成为能够在环境中行动的智能体。

create_agent 是什么？

指南的核心工具是 LangChain 的 create_agent，它为构建智能体需要三个输入：模型、工具和 system prompt。该工具有意保持极简，这意味着它不提供大量选项，而是提供一个可供扩展的基础框架。create_agent 不通过众多参数来解决定制问题，而是把 middleware 作为主要的定制机制公开，从而通过在核心周围添加层而非改动核心本身来构建智能体。

middleware 如何塑造智能体循环？

middleware 在特定的点挂接到 智能体循环 上：在调用模型之前与之后、在调用工具之前与之后，以及在智能体的启动和关闭（startup 和 teardown）时。在这些点上，middleware 提供四个定制杠杆：确定性逻辑、工具、custom state 和 stream handler。确定性逻辑添加可预测的规则，工具扩展能力，custom state 在整个循环中存储数据，stream handler 管理输出流。这些杠杆使得在不改动模型的情况下精确塑造智能体的行为成为可能。

文章涵盖了哪些生产需求？

指南把 八个常见的生产需求 映射到相应的 middleware 类型。这些需求是上下文管理、记忆、与环境的交互、委派、错误捕获、策略 enforcement、steering 和成本控制。对其中每一个，文章都展示了如何用相应的 middleware 来解决，而非改动智能体的基础逻辑。由此，复杂的生产问题被分解为模块化、可重用的组件，按需启用。

“task-harness fit”是什么意思？

指南的结论是，“task-harness fit”，即任务与 harness 之间的契合度，决定性地决定了智能体的效能。同一个模型可能是出色或较弱的智能体，取决于 harness 与具体任务的契合程度。这一信息把焦点从模型选择转移到 harness 设计，暗示智能体的质量往往更多取决于模型周围的脚手架，而非模型本身。

为什么这种方法对智能体构建者很重要？

对于在生产环境中构建智能体的工程师而言，该指南提供了清晰的心智模型和具体的工具。通过把智能体拆分为模型与 harness，并通过 middleware 公开定制，LangChain 提倡一种模块化方法，在这种方法中，生产需求通过添加层来解决。对 “task-harness fit” 的强调提醒人们，智能体的成功并非自动来自强大的模型，而是来自精心调适的 harness，它在合适的时刻为模型提供合适的上下文。