快速阅读

在构建 AI Agent 的过程中，Agent Harnesses（脚手架框架）已经成为了主流，并且它们与 Agent 的 Memory（记忆）紧密相连。如果你选择了一个封闭的 Harness——特别是隐藏在专有 API 后面的那种，你实际上就将 Agent 的记忆控制权拱手让给了第三方。

记忆对于打造优秀、有粘性的 Agent 体验来说至关重要。将记忆锁定在单一的平台中不仅危险，还会带来极高的迁移成本。因此，Memory（记忆）以及承载它的 Harness（脚手架）应该是开源的。只有开源，你才能真正拥有、控制并塑造属于自己的 Agent 记忆体系和数据飞轮。

Agent Harnesses 是构建 Agent 的基础，且不可替代

过去三年，构建 Agent 系统（智能体系统）的“最佳”方式发生了翻天覆地的变化。当 ChatGPT 刚问世时，我们只能做一些简单的 RAG 链（比如早期的 LangChain）。随着模型逐渐变强，它们能够创建更复杂的流（如 LangGraph）。直到它们变得非常强大，便催生了一种全新的架构：Agent harnesses（智能体脚手架）。

目前典型的 Agent Harnesses 包括：Claude Code、Deep Agents、Pi（OpenClaw 的底层驱动）、OpenCode、Codex 以及 Letta Code 等等。

有人认为，大语言模型（LLM）最终会吸收并取代所有的脚手架功能。其实不然。实际发生的情况是，我们在 2023 年需要的一些早期脚手架功能现在确实不需要了，但它们被其他类型的脚手架取而代之。

根据定义，Agent 就是一个不断与工具和数据源进行交互的 LLM。在这个 LLM 的外围，永远都需要一个系统来促成、管理这种交互。证据何在？当 Claude Code 的源代码被泄露时，人们发现了足足 512,000 行代码——这些代码本身就是它的 Harness。即便世界上最强模型的创造者，也在脚手架上投入了巨大的精力。

哪怕是 OpenAI 和 Anthropic API 中内置的“网络搜索”功能，它们其实也不是“模型本身的一部分”，而是一个轻量级的 Harness，位于 API 后端，纯粹通过工具调用（tool calling）来调度模型与搜索 API。

Harnesses 与记忆（Memory）紧密相连

Sarah Wooders 曾写过一篇很棒的博客，指出“记忆不是一个插件，它就是 Harness 本身”。我完全同意这种看法。

总有人觉得记忆是一个独立于特定 Harness 的服务。但至少在现阶段，这种想法是不成立的。

Harness 的很大一部分职责就是处理上下文（Context）。正如 Sarah 所说：

要求在 Agent Harness 中“插入”记忆，就像要求在一辆车上“插入”驾驶功能一样。管理上下文，即管理记忆，是 Agent Harness 的核心能力与职责。

记忆本质上是一种上下文的形式。短期记忆（对话中的消息、大型工具调用的结果）由 Harness 处理；而长期记忆（跨会话的记忆）也需要 Harness 来读取和更新。Sarah 还列举了 Harness 与记忆相关联的许多其他方面：

• AGENTS.md 或 CLAUDE.md 文件是如何加载到上下文中的？
• 技能（skill）的元数据是如何展示给 Agent 的？（在系统提示词里？还是在系统消息中？）
• Agent 可以修改自己的系统指令吗？
• 在记忆压缩（compaction）之后，什么留存，什么丢失了？
• 交互是否被存储并且可查询？
• 记忆的元数据如何呈现给 Agent？
• 当前工作目录是如何表示的？暴露了多少文件系统信息？

现阶段，记忆这一概念仍处于起步期。目前长期的记忆通常并不包含在最小可行性产品（MVP）里。你需要先让 Agent 运转起来，然后再考虑个性化。这意味着整个行业仍在摸索阶段，也尚未形成通用的记忆抽象标准。未来当记忆变得更加清晰、最佳实践出现后，独立的记忆系统也许会变得合理，但绝不是现在。目前，“Harness 如何管理上下文和状态，最终就是构建 Agent 记忆的基础”。

如果你不拥有 Harness，你就不拥有你的记忆

Harness 与记忆是深度绑定的。如果你使用封闭的 Harness（尤其是 API 后端的），你就失去了对记忆的所有权。

这种情况有几种表现形式：

• 有点糟糕：如果你使用有状态的 API（比如 OpenAI 的 Responses API，或者 Anthropic 的服务端压缩），你其实是在他们的服务器上存储状态。如果你想切换模型并恢复之前的对话流，这就不可能做到了。
• 非常糟糕：如果你使用完全封闭的 Harness（比如使用闭源 Claude Code 的 Claude Agent SDK），这个 Harness 会以一种你完全未知的方式处理记忆。它可能在客户端创建了某些 artifact，但它们的结构是什么？Harness 怎么使用它们？一切都是黑盒，因此完全无法迁移到另一个 Harness 上。
• 最糟糕的情况：整个 Harness，包括长期记忆，全部被封闭在一个 API 之后。

在这个极端情况下，你对记忆拥有零所有权，也毫无可见度。你不仅不知道 Harness 的运作方式（意味着你不知道怎么使用记忆），你甚至连记忆本身都不拥有！或许有些部分通过 API 暴露给你，或许什么也没有——你对此毫无控制力。

当人们说“模型会吸收越来越多 Harness 的功能”时，这其实意味着——这些关于记忆的部分，都将隐藏在模型提供商的专有 API 之后。

这是一个极其令人担忧的趋势——这意味着，记忆将会被死死锁定在单一平台和单一模型中。

模型提供商有着极大的动机这么做。他们已经开始行动了。Anthropic 推出了 Claude Managed Agents，将所有的东西都封装在 API 之后，把你锁定在他们的生态里。

即使没有将整个 Harness 放在 API 后面，他们也在一步步这么做。比如：尽管 Codex 是开源的，但它生成的却是一份加密的压缩摘要，这份摘要在 OpenAI 的生态系统之外完全无法使用。他们为什么要这么做？因为记忆太重要了，记忆能带来单靠模型无法实现的“锁定效应”（Lock-in）。

记忆至关重要，它是天然的锁定

虽然记忆的发展还很早期，但所有人都清楚它的价值。正因为有了记忆，Agent 才能在与用户的互动中不断进步，并让你建立起数据飞轮。它让你的 Agent 能够为每个用户提供个性化服务，塑造出契合用户欲望和习惯的独特体验。

没有记忆，你的 Agent 任何人只要拿到相同的工具就可以轻易复制。 有了记忆，你就拥有了专有的数据集——一份包含用户交互与偏好的无价之宝。这份数据集使你能够提供差异化且越来越智能的体验。

直到今天，切换模型提供商还相对容易，因为它们的 API 大同小异。你可能需要微调一下提示词，但这不算难。因为大家目前大都是**无状态（stateless）**的。

可一旦涉及状态，切换的难度将呈指数级上升。因为记忆太重要了，一旦切换，你就失去了这些记忆。

说个小故事：我自己有一个内部的邮件助手。它建立在 Fleet（我们用于构建企业级 OpenClaw 的零代码平台）之上。这个平台内置了记忆功能，过去几个月我在使用过程中积累了大量习惯。但几周前，我的 Agent 被意外删除了。我当时气疯了！我试图用同一个模板重新创建一个，但体验感大幅下降——我不得不重新教它我的所有偏好、语气以及各种细枝末节。

虽然邮件 Agent 被删令人沮丧，但也让我深刻意识到：记忆的力量是多么强大，用户的粘性是多么高。

拥抱开源记忆与开源 Harness

记忆必须被开源，必须由开发这些智能体体验的人亲自掌控。它允许你建立起一套真正由你控制的专有数据集。

记忆（以及承载它的 Harness）应该与底层模型提供商分离开来。你应该保留尝试和切换任何最适合你应用场景的模型的选择权。模型提供商则天然有动机通过记忆来制造生态锁定。

这就是为什么我们开始开发 Deep Agents 的原因。Deep Agents：

• 完全开源
• 与模型无关（Model agnostic）
• 使用诸如 agents.md 和 skills 这样的开放标准
• 拥有针对 Mongo、Postgres、Redis 等数据库的插件来存储记忆
• 支持通过 LangSmith Deployment 进行自托管，可以部署在任何云端
• 支持自带数据库作为记忆存储库
• 兼容任何标准的 Web 托管框架

为了拥有你自己的记忆，你必须使用一个开源的 Harness。

🔗 原文链接：Your harness, your memory