- 课程目录
- 课程介绍
-
开篇词｜驾驭工程：Agent 时代必修课
再好的模型，对于复杂任务裸跑依然失败。Harness 不是过渡期的权宜之计，它是伴随 AI ⻓期存在的基础设施。
-
直播回放｜Agent Harness 会是新时代的 App 吗？
大模型正在扮演一种通用 Runtime，而 Harness 承担了相当一部分业务逻辑、软件架构和软件设计的职责。
-
01｜操控循环：驾驭工程的核心框架
外层 PDCA 管控整个任务的流程分解与追踪，内层操控循环负责具体⼦任务的执⾏。操控循环通过前馈控制和反馈控制，把 Agent 的⾃我纠正过程结构化。
-
02｜四个子系统：构成框架与内置 Harness 拆解
要真正实现 Harness，仅有思路是不够的，我们还要了解 Agent 的内部结构，以及 Harness 由哪些⼦系统构成。
-
03｜一个例子：从零搭建背单词 Harness
今天让我们通过一个完整的例子，看看如何设计并实现一个Harness。
-
04｜封装技能：把操控循环装进 SKILL
技能就是把操控循环打包成一个可以重复使用的单元。
-
05｜驾驭工程的六个最佳实践
驾驭工程有六个基本最佳实践：双层循环模型、仓库即规范、渐进式信息披露、分离计算型与推断型、最小干预与可复现性优先。
课程介绍
限时福利 你将获得 掌握驾驭工程的本质与落地方法 框架详解：四大子系统 + 双层操控循环 Harness 工程坏味道识别与重构手法 实例演示：知识工程构建与遗留系统开发 讲师介绍 课程介绍 为什么做这门课？...限时福利
你将获得
- 掌握驾驭工程的本质与落地方法
- 框架详解：四大子系统 + 双层操控循环
- Harness 工程坏味道识别与重构手法
- 实例演示：知识工程构建与遗留系统开发
讲师介绍
课程介绍
为什么做这门课？
因为偶尔做对一次，不等于每次都能稳定做好。换个会话，它就忘了之前的要求；结果看似完成，真正使用时却漏洞百出。很多人只能不断修改 Prompt、补充上下文，最后依然要自己检查和返工。问题不只是模型不够强，而是我们缺少一套驾驭模型的工作系统。
要让 Agent 从一个表现飘忽的聊天伙伴，变成持续完成复杂工作的靠谱伙伴，我们需要告诉它目标和边界，为它提供必要的知识与工具，建立检查标准，并保留每次工作的状态和经验。这套系统就是 Harness，构建它的过程就是驾驭工程。为此，我们邀请了徐昊老师开设这门课程，带你从“凭感觉使用 AI”转向“有方法地驾驭 AI”。
这门课教什么
这门课围绕一个核心问题展开：面对一项复杂或重复的工作，如何构建一套可运行、可检查、可复用、可持续改进的 Harness，让 Agent 遵循你的意图稳定工作？
课程具体设计了四个核心篇章，带你养成高效驾驭 AI 的思维模式和⼯作习惯。
第一部分：建立驾驭工程的基础框架
从双层操控循环和 Harness 的核心子系统开始，理解一个完整的 Agent 工作系统由哪些部分组成。
我们会通过一个“背单词 Harness”实例，完成第一套可以实际运行、反复使用的 AI 工作系统。你将学会把对话中的要求，沉淀为文件、规则、流程和技能，让有效经验不再随着会话结束而消失。
第二部分：识别坏味道并重构 Harness
这一部分将拆解需求模糊、隐性约定、Agent 假装完成、指令文件腐化、上下文倾倒、状态污染和环境缺失等典型问题。当 Agent 输出不稳定时，你将不再只是抱怨“模型不行”，而是能够判断问题究竟出在前馈、反馈、状态、工具还是运行环境，并使用相应的重构方法从容应对。
第三部分：掌握驾驭工程的常用模式
在理解基础框架、学会诊断问题之后，课程将进一步讲解 Skills、示例锚定、内部质量、自我改进、控制循环和多 Agent 编排等常用模式。
你将逐渐建立自己的 Harness 模式库。面对不同任务，不必每次从零摸索，而是能够选择、组合和复用已经验证有效的方法。
第四部分：在真实场景中综合实战
我们会演示知识工程构造和遗留系统开发等场景里的 Harness 落地。你将看到一套 Harness 如何围绕需求、知识、工具、环境和验证逐步建立，又如何在持续使用中保留状态、吸收反馈并不断演化。
最终搭建出来的，不再是一组临时提示词，而是一套能够长期协助你工作的 Agent 系统。
学完有什么收获
- 理解 Agent 的基础框架：理解 Agent 为什么失败，也知道应该从哪里排查问题，不再把所有问题都归结为模型能力或者 Prompt 写得不好。
- 构建 Harness 的完整方法：学会把目标、知识、规则、工具、环境、检查标准和工作状态，组织成一套可重复运行的系统。
- 诊断和重构问题的思路：当 Agent 输出不稳定时，你能够判断问题所在，并针对前馈、反馈、状态、上下文和环境进行调整。
- 可复用的驾驭工程模式：掌握 Skills、示例锚定、质量控制、自我改进和多 Agent 编排等模式，并把它们迁移到自己的工作中。
- 一种更稳定的 AI 工作方式：人负责定义目标、提供知识、判断取舍和检查结果；Agent 负责调用工具、执行任务并根据反馈持续改进。
具体的模型和工具会不断变化，但组织知识、控制过程、设计反馈和沉淀经验的能力不会轻易过时。
课程目录
适合人群
