顶级产品如何落地Harness?

为什么同样是接大模型，有的 Agent 像高级工程师，有的却像只会复读的实习生？差距不在模型，而在框架怎么实现 Harness。

所谓主流 Agent 框架，本质上都在回答同一个问题：怎样把一个无状态 LLM，变成能调用工具、管理状态、记住上下文、处理错误、完成任务的工作系统。Anthropic、OpenAI、LangGraph、CrewAI、AutoGen 走的路线不同，但目标一致：让模型别只会“说”，而是能稳定“做”。

Anthropic 的思路偏“薄 Harness”。Claude Agent SDK 和 Claude Code 更强调让模型自己承担智能，框架负责一个相对朴素的循环：Gather、Act、Verify。先收集上下文，再执行动作，最后验证结果。它的特点是模型中心、文件系统友好、长任务连续性强，适合代码助手、项目级任务和需要持续迭代的场景。

OpenAI 的路线更偏“产品化 Runner”。Agents SDK 用 Runner 来驱动同步、异步、流式执行，再配合 Tools、Sessions、Guardrails 和 Handoffs。它不是让你画复杂流程图，而是用代码优先的方式把工具调用、会话状态、安全护栏和多 Agent 交接组织起来。适合想快速做产品、接 OpenAI 工具生态、把 Agent 嵌进业务系统的人。

LangGraph 则是“显式状态图”路线。它把 Harness 拆成节点、边、状态和 checkpoint。LLM 调用是一个节点，工具执行是一个节点，是否继续循环由条件边决定。它的优势是可控、可恢复、可调试，特别适合复杂流程、多步骤任务、企业级工作流。

CrewAI 更像“角色分工型团队”。Agent 有角色、目标、背景，Task 是任务，Crew 是团队，再用 Flows 做确定性骨架。它适合业务流程清晰、需要多人协作感的任务，比如调研、写作、分析、运营。

AutoGen 则是“对话驱动协作”。多个 Agent 通过对话推进任务，支持顺序、并发、群聊、交接、管理者协调等模式，更适合研究型、多智能体实验和复杂协作探索。

一句话总结：Anthropic 追求轻，OpenAI 追求产品化，LangGraph 追求可控，CrewAI 追求角色协作，AutoGen 追求多智能体对话。框架没有绝对最强，只有最适合你的 Harness 形态。真正会做 Agent 的人，不是盲选框架，而是知道自己需要多少控制、多少状态、多少协作，以及多少工程兜底。