Harness 最近吸引了越来越多的关注，但它与 OpenClaw、Hermes 并不完全同类——它还未落地成具体的产品，至今仍停留在框架性定位：为 Agent 的稳定执行而生。

目前平台上关于它的内容，要么过于抽象，要么又失之琐碎。

若想真正理解 Harness，不能只看概念，最好将它与当下运行优秀的 Agent 框架（如 Claude Code、OpenClaw、Hermes）结合起来，才能将其拉回到工程现场审视。

Harness 诞生背景

伴随着 Agent 技术的演进，尤其是 OpenClaw、Hermes 的发布以及 Claude Code 源码的亮相，全球对 Agent 开发范式的认知被推到了新的层次。

在此背景下，Harness 一词的走红并不突兀——当 Agent 真正开始承担任务，工程上的矛盾再也遮掩不住。

正如业界常说的：

Demo 展示的是范式方向，而工程实践才能真正定义范式是什么。

Martin Fowler 在 2026 年 4 月的文章中，将 Harness Engineering 定义为围绕编码类 Agent 建立的信任体系，其核心是通过上下文、约束条件、反馈回路和工程结构，让人一步步敢于把任务交托给 Agent。

Anthropic 官方工程文章同样把 Claude Code 视为一种优秀的 harness，并深入讨论了长时运行 Agent 以及长时应用开发场景中的 harness 设计。

补充一点：Claude 总爱强调自身优势不仅在于模型，也在于工程；但在我们使用国内框架并接入 Claude 模型后，能力提升同样显著。因此我认为 Claude 真正的强项是 Coding，而国内工程水平未必落后。

基于这些，我们如今探讨工程范式的集大成者 Harness，自然不能继续在提示词工程的圈子里打转，上下文工程似乎也不足以覆盖其全部含义。问题已经回归到了本质：

为什么 OpenAI、Hermes、Claude Code 等 Agent 框架，在演进过程中都会发展出一整套工程系统？
而这套系统，为什么越来越像决定 Agent 成败的关键？

五层架构

从终端敲下一句话到最后一个字回到屏幕上，中间发生的所有事情，就是一个 Agent 的完整骨架：跟着一条消息从头走到尾，就能拉出它背后的整条链路。

消息接收、平台适配、会话管理、上下文组装、记忆注入、技能发现、流式执行、工具调用、上下文压缩、子 Agent 分发、错误恢复与凭证轮换、状态持久化

在终端执行 hermes 启动新会话，输入：

帮我搜集今天的热点新闻  
每条新闻要分类(科技、财经、社会、国际等)  
并附上简要分析和总结

这背后包含：搜索热点、分类判断、简要分析、格式化输出。过程涉及多轮工具调用（web_search 搜新闻、web_extract 提取详情）、信息整合、分类归纳。如果来源和数据量都大，还可能需要拆分子任务并行搜集。

Hermes Agent 是怎样把这些事串起来的？先从整体架构讲起。

• 入口层：CLI + 二十多个消息平台适配器（飞书、钉钉、Telegram、Discord、Slack、WhatsApp、iMessage、Email、SMS……）
• 网关层：GatewayRunner 常驻进程，管理连接、会话生命周期、斜杠命令
• 执行层：AIAgent（run_agent.py），组装上下文、调模型、跑工具、处理错误，是整个项目的心脏
• 扩展层：工具注册中心、技能系统、子 Agent 委托、MCP 客户端、8 个外部记忆 Provider
• 存储层：SQLite + FTS5、MEMORY.md / USER.md、Skills 目录、config.yaml、.env

一条消息的完整路径：

终端输入 → CLI 解析 → 会话加载 → 上下文组装 → 模型推理 → 工具执行 → 流式输出 → 状态落盘

接下来逐层拆解。

一、适配器模式的内外统一

终端是最直接的入口，但 Hermes 支持 20+ 平台，每个平台消息格式都不同：Telegram 长轮询、Slack WebSocket、Email IMAP、SMS HTTP Webhook。

Hermes 为每个平台写了一个适配器，全部继承自 BasePlatformAdapter。

最近体验了钉钉悟空，上手后最直观的感受是：它非常适合内容创作者。和以往在办公软件中“塞”几个AI功能不同，悟空从底层就完全按照 Agent 的思路来设计。而在之前，我一直在使用飞书 Aily，也是一款 Agent 产品。深度使用后，最大的感触是，这两款产品走的是完全不同的路线。

悟空下载地址：https://wukong.dingtalk.com/

下面通过几个实测案例来详细说明。

小红书内容自动化

如果你在寻找更智能的小红书运营自动化方案，这个例子会很值得参考。

以往通过影刀等工具实现小红书自动发布，主要依赖模拟点击操作。现在悟空在 Agent 层面就能完成这类任务，并且配合信息收集能力，能够形成从搜集到输出的一体化闭环。

我试着让它收集小红书上近期热度较高的护肤品产品。

悟空会自行启动内置浏览器，前往小红书 APP 进行搜索，之后把搜索到的数据整理并汇总进钉钉表格。

把同样的需求交给飞书 Aily，会发现它无法调用本地浏览器登录小红书搜索信息。它只能在不同信息平台检索，比如新闻网站、头条等。

差距非常明显：悟空可以基于小红书上不同产品的热度进行信息采集，而飞书 Aily 则不行。虽然飞书 Aily 也能打开 AI 浏览器，

但经常卡在登录界面。当然，飞书其实可以通过接入 OpenClaw 来完成这个流程。这正是两者本质上的区别：一个是附加了 Agent 功能，另一个则自带 Agent 能力。

接着，我让悟空帮我发布一篇小红书笔记。它会打开小红书，按照指令操作相应界面，自动填充内容并完成发送。

定制化的信息收集流程

作为 AI 领域的博主，每天都需要搜集信息制作内容。于是我给悟空配置了一个 AI 新闻定时任务。

经过几次需求确认后，悟空开始创建定时任务。这里它并不是直接调用网络搜索，而是打开本地浏览器获取信息。

这就是悟空 CLI 能力的优势。因为信息是从网页上直接获取的，我也可以在网页上进一步操作。比如，我想获取“量子位”热门板块里的“热门文章”信息，就可以在定时任务中单独说明。

而且，收集到的信息还可以保存到本地电脑，用于后续其他用途。

高质量视频内容生成

悟空不仅内置了常用功能，技能市场也非常丰富。

我使用了“动画大师”技能，制作一个关于人口数量变化的动态视频。

下面是生成的视频效果。

已关注

Follow

Replay Share Like

Close

观看更多

更多

退出全屏

切换到竖屏全屏**退出全屏

叶小钗已关注

Share Video

普通人如何构建AI项目认知框架：从焦虑到体系的系统学习路径

本文希望探讨一个很现实的问题：在 AI 热潮越来越猛的当下，普通人究竟该怎样进入 AI 行业？

如果你最近也在为此焦虑、内耗，对学什么、怎么开始感到迷茫，这篇文章应该会为你提供一个清晰的思路。

如今焦虑的人越来越多，尤其是企业管理者与程序员。对他们而言，AI 的发展速度已经快到让人难以判断自己当前所做之事一年后是否还有意义，焦虑带来的失眠与节奏混乱也随之而来。

从去年开始，整个 AI 世界可以用“乱花渐欲迷人眼”来形容：

1. 今天发布了一个 Manus，明天就会冒出一个 Lovart；
2. Cursor 还没被大家真正捂热，Claude Code 就已经成了 AI 编程领域事实上的新王者；
3. 上一秒还在讨论提示词怎么写，下一秒行业前辈就说 RAG 已经过时，并顺势抛出“上下文工程”；
4. 正感叹 Coze 竟然开源了，Google Nano Banana 又立刻刷爆了朋友圈；
5. 飞书发布会刚浓墨重彩地介绍完多维表格，钉钉马上跟进，强势推出 AI 表格；
6. OpenEvidence、Harvey 这类垂直 AI 项目的估值越来越高；
7. 紧接着 OpenClaw 爆火，掀起百虾大战，结果没多久 Hermes 又来了……

如果你只是一味地追逐这些热点，的确很容易陷入慌乱，因为你会产生一种错觉：

AI 世界的底层逻辑，似乎每天都在被彻底重写。

但坦诚地讲，很多人的焦虑并不是因为 AI 真有那么可怕，而是因为他们没有建立起自己的判断框架。

没有框架，就只会被热点推着走：

1. 今天追 Manus，明天追 OpenClaw，后天再追 Hermes；
2. 今天学 Coze，明天学 Dify，后天又觉得是不是该 all in AI Coding。

折腾了一大圈，时间花出去了，脑子里的知识却仍然是碎片。于是，问题也就随之而来：

一个普通人如果真的想进入 AI 行业，到底应该怎么学？

什么该学，什么不该学？

什么方向更现实，什么方向只是徒有其表的热闹？

先说结论：普通人进入 AI 行业，主要的机会并不在算法岗，而在业务落地。

前面我们讨论过，LangChain 与 LangGraph 仍然是开发者社区最推崇的 Agent 框架，尤其在复杂业务场景下，他们为开发者铺好了一条从组件封装到流程编排的工具链：

随着 LangChain 1.x 和 LangGraph 1.x 版本逐步成熟，这套体系的职责分工与工程化落地也愈发清晰。我们团队长期从事 AI to B 业务，既做过 Demo，也交付过正式项目。但在实际业务中摸爬滚打后，我渐渐告别了 LangChain，转而选择贴近业务本身的开发模式。

这绝不是说 LangChain 不好，能成为行业标配必然有其不可替代的价值。只是技术选型从来不是追着热点跑，关键要看它是否真的与你的项目阶段相匹配。

框架的意义，最终还是要落到项目规模、业务需求和技术栈的匹配度上

今天，我结合自身踩过的坑，聊聊放弃 LangChain 的几点理由，以及在做 AI 应用开发时，框架取舍的一些核心原则：

1. **小项目/原型验证：**直接使用原生 API 开发，灵活零依赖，试错成本极低。
2. **中型/进度紧张项目：**借助 LangChain 快速搭建骨架，但必须提前规划技术债的偿还路径。
3. **大型/企业级项目：**强烈建议自研框架，实现与微服务架构、现有基建的深度整合。

核心观点： AI 编程时代，手写“胶水代码”的成本趋近于零，自研框架的门槛已大幅降低。

一、我们真的需要AI开发框架吗？

在判断该不该用 AI 框架之前，不妨先厘清：AI框架到底是什么？

AI框架的实质，是给开发者提供一套标准化的解决路径，把那些反复出现的造轮子动作打包起来，提升开发效率，并让团队协作保持一致的节奏。

在开发 AI 应用时，大量工作是共通的：比如大语言模型的调用封装、Prompt 模板管理、向量数据库对接、各类工具链的接入（搜索、计算、数据库操作），还有对话历史的维护等等。这些能力在不同项目中往往是相似的，天然具备抽取出来形成底层框架的条件。这也是框架最核心的价值：

1. **提效：**即便不熟悉底层细节的开发者，也能用少量代码快速实现复杂功能，绕开常见的坑。
2. **标准化：**团队成员遵循同一套开发范式，沟通和集成成本显著下降。
3. **生态成熟：**框架一般会内置主流工具（如 OpenAI、Pinecone、Chroma）的适配器，省去自己一个个对接第三方接口的麻烦。

但另一方面，框架也并非万能解药，它的局限性同样明显：

1. **灵活性不足：**为了适配各种场景，框架往往会堆积大量抽象层和依赖，这不仅加重了项目复杂度，还可能带来性能上的额外开销。
2. **预设逻辑的束缚：**当业务需要个性化调整时，框架内置的逻辑常常变成桎梏，改动起来比重写还痛苦。
3. **学习曲线：**表面上看入门门槛降低了，但真正要用好它、排查问题，还得吃透其内部机制。否则很容易陷入“只会调 API，不知道底层原理，出了状况无从下手”的困境。

所以，用不用框架，本质是在开发效率与灵活可控之间寻找平衡。而找到这个平衡点的关键，就在于认清你的项目规模与需求特征。

就实践来看：多数团队其实并不具备长期维护框架的能力，这意味着一遇到版本升级或者碰到付费模块，就会非常吃力，甚至有推倒重来的风险。

下面我们按不同项目类型，逐一展开来看。

二、小项目：原生开发才是真香

对于小项目、Demo 验证，或是内部工具开发，我的态度一直很明确：优先选择原生开发，不引入任何重型框架。

这类场景的核心追求是快速把想法落地或者跑通业务流程，比如搭建一个简单的对话机器人、做一版 PDF 问答工具、生成文案助手等。功能本身比较单一，边界清晰，根本用不上复杂的架构。此时引入 LangChain，只会平添一层不必要的复杂度，反倒是 Coze、Dify 这类轻量平台更加顺手。

最近几个月，身边越来越多朋友开始用AI辅助写代码，甚至有人搞起了“养小龙虾”的副业。大家聊Agent时，话题往往不是它能帮我们做什么，而是——“今天又烧了多少钱”。贵，是大家最大的痛点。

尤其是像 OpenClaw 这类Agent工具，执行任务时不断规划、反思、调用工具，单次对话携带的上下文极其庞大，Token消耗往往是普通聊天的数倍甚至百倍。

国产大模型这两年的进步有目共睹：GLM、DeepSeek、Kimi、MiniMax、Qwen等旗舰模型层出不穷。但想每家都试试真实效果，就得一次次去注册、换Key、改接口，折腾一圈头都大了。

直到讯飞星辰上线了「Astron Coding Plan」，把这些模型打包成一个订阅套餐，按月付费，不再按Token算钱。

作为打工人，最关心的当然是性价比。打开套餐页面一看，真的惊了——竟然有 3.9元/月的套餐。

说真的，现在3.9元连一顿早餐都拿不下来。

我毫不犹豫就订阅了。

订阅地址：
https://maas.xfyun.cn/modelSquare?ch=MaaS-jg-kol-X3c8

固定月费，不再按Token计费。
套餐按请求次数结算：

• 无忧版：请求次数不限，有模型限制，一般任务完全够用。
• 专业版：每5小时1200次，每月约18,000次请求。
• 高效版：每5小时6000次，每月约90,000次请求。

用过Agent的朋友都知道，处理复杂任务时，反复推理、多轮工具调用，心里总要盘算这次又花了多少，还常忍不住敲 /cost 看一眼。Agent的Token消耗大约是普通聊天的100到1000倍，纯按Token付费，真的扛不住。

讯飞这个套餐，把计费单位从Token换成了调用次数，看似只是计价方式变了，实则让使用逻辑更清晰：你不再为那些看不见的海量Token焦虑，只需关注完成了多少次调用。对Agent这种“话痨”场景，简直太友好。

一个模型名，随时切换多款旗舰。
后台统一使用模型名 astron-code-latest，底层实际模型在讯飞星辰MaaS平台网页后台一键切换，1到3分钟即生效。目前支持的国内顶尖旗舰包括：

• GLM-5.1：智谱新一代旗舰基座，长程任务能力显著提升，可自主工作长达8小时，闭环交付工程级成果，整体表现对齐Claude Opus 4.6。如果你的需求是大型项目重构、复杂智能体搭建等高强度任务，GLM-5.1是Coding Plan里最值得优先上手的新成员。
• Qwen3-Coder-Next：专为编程智能体设计的高效混合专家（MoE）模型，总参数80B，激活参数仅3B，专注于长时程、多工具、可交互的真实编程任务。日常代码补全和轻量调试的首选。
• Qwen3.5-397B-A17B：原生视觉语言模型，覆盖201种语言，在代码生成、智能体推理与多模态理解方面表现卓越，尤其适合图文混合输入或多语言场景。
• Kimi-K2.5、MiniMax-M2.5 等。

兼容主流编程工具。
提供两套接口地址，覆盖当前两大标准：

# Anthropic 协议（适用于 Claude Code）  
https://maas-coding-api.cn-huabei-1.xf-yun.com/anthropic  
  
# OpenAI 协议（适用于 OpenClaw、Cursor 等）  
https://maas-coding-api.cn-huabei-1.xf-yun.com/v2

Claude Code、OpenClaw、Cursor、OpenCode……都已支持接入。

了解了基本信息，下面直接上实操，给大家准备了两个热门Agent的保姆级接入教程。

OpenClaw接入指南

首先安装OpenClaw。最好用一台备用机来折腾。

Windows用户，在终端执行：

iwr -useb https://openclaw.ai/install.ps1 | iex

macOS用户，在终端执行：

curl -fsSL https://openclaw.ai/install.sh | bash

然后按提示完成配置，界面如下。

安装教程网上很多，这里不再赘述。打开后是下面的界面。

装好之后，配置模型。OpenClaw支持Web UI配置，个人更推荐这种方式，比直接改配置文件直观。终端输入：

openclaw dashboard

浏览器会自动弹出配置页面。

2026年热门AI编程工具实战测评：Cursor、Claude Code与GitHub Copilot如何选？

作为一个每天都泡在代码里的开发者，我最近逐一体验了市面上几乎所有主流的AI编程助手。不得不说，2026年的AI编程工具早已超越了简单的“代码补全”功能，正迅速蜕变为真正的智能编程搭档。

今天这篇文章，我将结合自己的真实使用感受，横向对比当下最火热的几款产品，帮你看清它们的优劣，找到最适合自己的那一款。

一、工具一览

二、Cursor：原生AI IDE的标杆

Cursor是我目前日常开发的主力。它基于VS Code的代码库进行了深度定制，AI能力全方位融入编辑器的每个角落。

核心优势：

• Composer模式：你可以直接用自然语言描述需求，AI便会为你生成完整的功能模块。
• 上下文理解：它能读懂整个项目的架构，不再局限于当前文件。
• Agent模式：AI可自主执行多步骤任务，比如“为这个项目添加用户认证体系”。

实际使用场景：

# 我对Cursor说："帮我写一个JWT认证的装饰器，要求支持token刷新"
# Cursor生成如下代码：
from functools import wraps
from flask import request, jsonify
import jwt
from datetime import datetime, timedelta

def jwt_required(f):
    @wraps(f)
    def decorated(*args, **kwargs):
        token = request.headers.get('Authorization')
        if not token:
            return jsonify({'message': 'Token缺失'}), 401
        
        try:
            data = jwt.decode(token, app.config['SECRET_KEY'], algorithms=['HS256'])
            current_user = User.query.get(data['user_id'])
        except:
            return jsonify({'message': 'Token无效'}), 401
        
        return f(current_user, *args, **kwargs)
    return decorated

缺点：

如今的开发者，最头疼的并不是写代码本身，而是该选用哪一款AI编程助手。Cursor月费20美元，Windsurf同样20美元，Claude Code走API计费模式，GitHub Copilot则定价19美元。每家都说自己是2026年的首席之选。我索性把四款工具全订了一个月，用同一批真实任务挨个测试，把所有贴身感受、踩过的坑和投入产出比都摊开来说。本文只解决一个问题：你究竟该为哪一个掏钱？

一、快速决策参考：5秒直奔结论

90%的开发者，最优解藏在最后一行——它不是单选题，而是一道组合题。下文会详细拆解原因。

二、四项工具的底层基因差异，先搞明白

很多对比评测上来就比跑分，那无异于耍流氓。先把定位上的天性差异理清楚，分数才有参照价值。

Cursor：AI增强的VS Code进化体

本质：基于VS Code分叉，并植入了一整套AI能力

核心能力：Composer多文件修改、Agent Mode自主执行、Tab智能补全、@引用

使用场景：你坐在IDE里敲代码，AI在旁随时协助

付费模式：月费20美元（Pro），200美元（Max）

Claude Code：终端原生的AI Agent

本质：它根本不是IDE——而是在命令行里运行的AI智能体

核心能力：自主阅读代码库、自主编写代码、自主跑测试、自主动手开PR

使用场景：你下达一句话指令，让它独立完成几十分钟乃至几小时的工作

付费模式：按API调用量计费，并与Claude订阅捆绑

Windsurf：AI原生编辑器

本质：从零设计的IDE，AI并非“插件”而是“骨架”

核心能力：Cascade多步代理、跨文件协调、自主错误恢复、自研SWE‑1.5模型快至13倍速度

使用场景：你与AI同屏打字，人机边界模糊

付费模式：月费20美元（Pro），200美元（Max）

GitHub Copilot：嵌入VS Code的AI助手

本质：VS Code插件，企业级稳定性的首选

核心能力：Tab补全、聊天、Agent Mode、Workspace模式

使用场景：已习惯VS Code流程、不愿更换IDE的稳健派

付费模式：个人版每月19美元，企业版另计

核心基因差异一览：

三、5项真实任务实测：30天使用体感全记录

2026 年 4 月 22 日，字节跳动旗下火山方舟的 Coding Plan 突然放出一项重磅更新。

MiniMax M2.7、Kimi K2.6、GLM-5.1——三款国产顶尖大模型当天同步上线，再加早已集结的豆包 Seed 系列、DeepSeek V3.2 等，方舟 Coding Plan 的编程模型库已拓展至 11 款主流选手。

更令人心动的是：Pro 订阅直接免费送上 ArkClaw——一键把 OpenClaw 部署到云端，获得一台专属 ECS 服务器，7×24 小时不间断运行，不再收取额外费用。

在阿里百炼和腾讯 TokenHub 还用自家模型“圈地”的时候，字节已经把全行业最优秀的模型全部接入到自己的平台中了。

这篇文章将帮你厘清三件事：方舟到底强在何处？和阿里、腾讯比谁更划算？怎么使用才最省钱？

🔥 一、三大全新模型解析：个个身怀绝技

MiniMax M2.7：Agent 领域的王者

MiniMax M2.7 的独特本领在于 自主搭建复杂的 Agent Harness。

它能够利用 Agent Teams、高级 Skills、工具调用等机制，独立完成高度复杂的生产力任务。通俗点说就是——你给出一个大目标，它就能自行拆解、调度和执行。

• 上下文窗口：200K
• 最大输出（含思维链）：128K
• 适用场景：多文件重构、跨服务联调、复杂工作流自动化

⚠️ 额度消耗相对更高，建议只用在关键难点上。

Kimi K2.6：长于深度思考

月之暗面出品的 K2.6，主打 强思考能力 + 多轮工具调用 + 推理。

算法题、复杂的业务逻辑、需要“深思熟虑后再动笔”的实现——这类场景正是它的专长。

• 上下文窗口：256K
• 最大输出（含思维链）：128K
• 适用场景：算法实现、复杂逻辑推理、多步代码生成

⚠️ 目前为尝鲜体验版，高峰期可能会限流，日常使用最好切换到更轻量的模型。

GLM-5.1：智谱的跨代旗舰

从 GLM-4.7 直接跃升到 5.1，智谱这一次完成了跨代升级。

本次横向评测覆盖 Claude、ChatGPT、Gemini Code Assist、GitHub Copilot、Windsurf 和 Cursor 六款海外主流 AI 编程服务，全部基于官方公布的定价与功能数据，帮助你用最少的时间做出最合适的付费决策。

🦞

Claude 方案解析

Anthropic 将 Claude 个人版划分为 Free、Pro 和 Max 三档，其中 Pro 月费 20 美元，Max 则从每月 100 美元起步。Max 套餐之下又细分为 5 倍用量与 20 倍用量两个规格，最高月费封顶 200 美元。整套方案的灵魂在于 Claude Code 与 Claude Cowork：前者能够直接深入终端操作并修改代码，后者则打通了 Slack、Google Workspace 等常用协作环境。面向组织的 Team 版需要通过企业询价获取，而 Enterprise 层级额外提供 SCIM 身份同步、审计日志以及 HIPAA 合规等高级管控能力。

对于哪些用户更合适？答案指向那些重度依赖 AI Agent，并且已经拥有大型代码库、需要深度集成的开发团队。Claude Code 在终端交互上的体验确实独树一帜，不过每月 100 美元起步的 Max 门槛也让不少个人开发者感到犹豫。