Agent Harness 手册

外观

本页含时效性内容，数据截止于 2026-08；JD、价格、产品功能等信息可能已变化，引用前请核对原始出处。

JD 知识点拆解：大厂到底在考什么 ​

上一页 JD 清单 解决的是「有哪些岗位在招」，这一页回答一个更硬的问题：这些 JD 凑在一起，拼出的能力画像到底是什么？

方法很简单：我们对国外 10 家公司 17 个岗位、国内 12 家公司 27 个岗位（调研窗口 2026 年 8 月 11–12 日，均为真实在招岗位，来源与链接见 JD 清单）的 JD 原文做了逐条人工关键词核对，统计「包含该关键词的 JD 数」。这不是舆情分析，是把招聘市场的真实需求摊在桌面上，再逐个映射回本手册的章节——你可以直接把它当成一份有出处的学习优先级清单。

怎么读这份统计

词频统计的是「多少份 JD 提到了这个词」，不是「这个技能有多重要」。低频不等于不重要（比如 RLHF 只出现在少数岗位，但那些岗位完全不写别的），高频词才是真正的「入场券」——几乎所有团队都在考。

词频排行：国内 vs 国外 ​

先给一张总览图，看清两边各自的高频区：

text
国外（17 个 JD）                国内（27 个 JD）
─────────────────────           ─────────────────────
agents/agentic 工作流  11 ▓▓▓   Agent 运行时/Harness   15 ▓▓▓
evals/评估框架         10 ▓▓▓   工具调用/工具编排      13 ▓▓▓
fine-tuning/post-train  6 ▓▓    评测/eval/benchmark   12 ▓▓▓
safety/alignment        5 ▓▓    上下文工程/长上下文    10 ▓▓▓
RAG/retrieval           4 ▓▓    多智能体/Multi-Agent    9 ▓▓
orchestration/多agent   4 ▓▓    可观测/Trace            7 ▓▓
observability           4 ▓▓    prompt 工程             6 ▓▓
prompt engineering      4 ▓▓    SFT/后训练              6 ▓▓
context engineering     3 ▓▓    AI Coding 工具熟练度    6 ▓▓
tool use                3 ▓▓    RAG                     6 ▓▓

两边共同的 Top 区是清晰的：评测（evals）、上下文工程、工具调用。这三个词在任何一边都属于「不写进简历就过不了筛」的级别。

差异也很刺眼：

  • 国外 evals（10/17）是绝对的第一梯队工程要求，且写法极有指向性——Cognition 的 Post-Training 岗要求 "Build evals that actually capture what matters... making sure the numbers mean something"；OpenAI FDE 岗把 "eval-driven feedback that changes product and model roadmaps" 写进成功标准。同时 safety/alignment（5/17）高频出现，Anthropic 两个 Applied AI 岗都把 "safe and beneficial" 作为底色，Meta 把 Responsible AI 列为加分项。
  • 国内的高频区更偏「让 Agent 跑起来、跑稳」：工具调用/编排（13/27）、评测体系（12/27）、上下文工程（10/27）、可观测（7/27）。字节的 Agent Harness 工程师岗要求「落地自动化 EVAL 流水线、版本回归、A/B 实验能力」外加「执行轨迹追踪、结构化日志采集、链路回放」——评测和可观测在国内是作为平台工程来招人的，而不只是研究素养。

一句话总结：国外在考「你怎么证明它是对的、怎么保证它不作恶」，国内在考「你怎么把它搭起来、调起来、盯住它」。 两边都考的东西，就是本手册的主体。

高频知识点逐个拆解 ​

下面把每个高频知识点按「JD 里怎么要求 → 手册对应章节 → 掌握到什么程度算够」三段式展开。

上下文工程（Context Engineering） ​

JD 里怎么要求的： Anthropic 伦敦 Applied AI 岗把 "prompting、context engineering、agent architectures、evaluation frameworks" 并列为 production LLM 经验的硬性清单；Microsoft 医疗 FDE 岗要求 "production LLM systems, including context engineering, retrieval, tool use, orchestration, and evaluation"；字节巨量星图岗直接写「通过 Planner、AutoPrompt、上下文工程等技术构建灵活的自规划 Agent」；美团智能体工程师岗写的是「上下文治理」——注意这个措辞，治理意味着它是个持续工程而不是一次性 prompt。

对应章节： 上下文工程。

掌握到什么程度算够： 能讲清楚系统提示、工具输出、检索结果、历史消息各自的注入与裁剪策略；能给出一个长任务里上下文膨胀的真实故障案例（漂移、丢失指令、成本爆炸）并说明你的解法（压缩、子代理卸载、外化状态）。只会写 system prompt 不算会上下文工程——JD 里的 "context management"、"上下文治理" 指的都是动态管理。

工具调用 / Function Calling / MCP ​

JD 里怎么要求的： 这是国内词频第二高的能力（13/27）。腾讯企微 Agent 引擎岗要求「AI Agent、RAG、Function Calling 等方向实践经验」；小红书 Harness 岗把 "Tool Calling、MCP、Agent Runtime" 列为深入方向；字节火山方舟岗要求理解「工具调用、上下文管理、长程执行」等关键机制。国外侧，Microsoft 医疗 FDE 的架构原话是 "frontier models, context engineering, retrieval, tool use, orchestration... and deterministic services"；Anthropic 企业技术岗点名 MCP。

对应章节： 工具系统，MCP 与插件生态部分；延伸看 Skills。

掌握到什么程度算够： 能手写一个工具的 schema 并讲清描述文字对模型选择行为的影响；知道工具错误的回灌格式怎么设计模型才读得懂；理解 MCP 解决的问题（协议标准化）和它不解决的问题（权限、可靠性）。美团 Tabbit 岗把 "System Prompt、Tools、Skills、上下文管理、Agent Loop" 并列为核心能力——这几样就是 harness 的主体，见 Harness 的解剖。

评测与可观测（Evals / Observability） ​

JD 里怎么要求的： 这是全部 44 个 JD 里密度最高的一组要求。腾讯混元 Agent Harness Engineer 岗前三条职责全是它：「Agent 执行全链路的 tracing & observability 系统」「自动化 eval pipeline、A/B testing、regression detection」「Agent debugging 工具」；腾讯混元评测 Infra 岗更直白——「从 Harness 与打分逻辑出发，确保平台化改造后评测结果的准确可信」。国外侧，Amazon WorkSpaces 高级应用科学家岗要求 "Build evaluation frameworks to quantify agent performance, reliability, and user impact"；Notion 初级 AI 岗的三条团队方向里有一条就是 "Evaluation & quality (evals)"。

对应章节： 可观测性；评测驱动的设计思想贯穿 动手搭建 Harness。

掌握到什么程度算够： 能设计一个最小 eval：任务集、轨迹采集、打分逻辑（规则/LLM-as-judge/人工）、回归门禁；能说清「离线 eval」与「线上观测」的分工；拿到一条失败轨迹，能用 trace 定位是模型问题、上下文问题还是工具问题。字节 Harness 岗要求的「链路回放、异常告警、可视化调试」就是这一章的产品化形态。

Agent Loop / 运行时 / Harness 本体 ​

JD 里怎么要求的： 国内有 15 个 JD 提到运行时/执行引擎/Harness/Agent Loop，其中 10 个直接出现 "Harness" 原词——字节、腾讯混元、美团（Tabbit）、小红书、DeepSeek 都设有以此命名的岗位。小红书 harness 系统岗要求「主导 Agent Loop 架构设计」；Moonshot 增长工程师岗的要求写得最具体：「能围绕 Agent 构建高质量的 scaffolding：context 如何组织、工具如何抽象、循环如何终止、失败如何恢复、效果如何评估」。国外侧，Cursor 的 Agent Harness 工程师岗（与本手册同名）职责就是推进 "agent loop, tools, prompts, execution environment"。

对应章节： Agent 循环；总纲见 什么是 Agent Harness。

掌握到什么程度算够： 能在一个下午写出一个最小 agent loop 并逐层加上停止条件、错误恢复、步数兜底；能讲清「循环如何终止、失败如何恢复」这两个 Moonshot 点名的问题——这恰恰是 常见陷阱 里最高发的两类事故。

规划与任务分解（Planning） ​

JD 里怎么要求的： 百度智能体算法工程师岗把「自主规划、复杂推理、动态决策」和「多步任务规划」写进核心算法研发；美团智能体工程师岗写「长程规划、自我纠错」；字节巨量星图岗点名 Planner；阿里实习岗要求实现「意图识别、任务拆解与反思纠错闭环」。

对应章节： 规划与任务分解。

掌握到什么程度算够： 能对比纯反应式、Plan-and-Execute、交织模式三种范式的适用场景；能解释为什么 Claude Code 的 TodoWrite 没有任何运行时逻辑却有效（认知卸载）；知道「循环如何不漂移」靠的是外化计划工件而不是模型自觉。

记忆（Memory） ​

JD 里怎么要求的： 出现频次不高（国内 4/27）但都出现在架构类岗位：腾讯元宝 Agent 架构岗负责 "Tool/Memory/Context 抽象"；百度智能体岗要求「长短期记忆管理」；美团 CatPaw 平台岗含「记忆系统」；阿里实习岗把「记忆管理」列为核心模块之一。

对应章节： 记忆系统。

掌握到什么程度算够： 能区分会话内工作记忆（todo list、上下文）与跨会话持久记忆（文件、向量库）的职责边界；知道记忆写入的准入控制（什么值得记）比检索算法更难。词频不高不等于可以不会——它是架构岗的区分度问题。

多智能体（Multi-Agent / Orchestration） ​

JD 里怎么要求的： 国内 9/27。Moonshot 的 multi-agent 产品工程师岗把这个方向写得最激进：「设计 Agent 与 Agent 之间协作的交互协议，把协作本身视作一种新型 harness」，要求理解 "A2A、MCP、ACP"，加分项含 "task decomposition、role assignment、conflict resolution"；小红书 Harness 岗要求建设「Multi-Agent 通信与协作机制、SuperAgent 路由编排」。国外侧 Microsoft、Cognition、Cursor、Meta 各有一处。

对应章节： 子 Agent。

掌握到什么程度算够： 能讲清什么时候该上多智能体（上下文隔离、并行、专业化分工）、什么时候是过度设计；知道子代理间通信的信息瓶颈问题。面试里能引用一个真实产品的取舍（比如 Claude Code 的 subagent 设计）会比空谈编排框架加分得多。

权限与安全（Permissions / Safety / Guardrails） ​

JD 里怎么要求的： 国外的表述偏价值层——Anthropic 的 "safe and beneficial"、Cognition Post-Training 岗的 "RLHF、RLAIF、constitutional approaches"、Meta 的 Responsible AI。国内的表述偏工程层：小红书 Harness 岗要求「建设 Agent 身份认证与权限治理能力，解决权限穿透、最小授权和安全边界问题」；小红书 harness 系统岗要求「设计云端 Agent 沙箱系统」；字节火山方舟岗列了「资源隔离、网络访问控制」。Moonshot 则两者兼有：知道什么设计（"guardrails、human-in-the-loop、delegation policy"）能让 bot 成为团队成员。

对应章节： 权限与人机协作。

掌握到什么程度算够： 工程侧能设计工具白名单、审批闸口、沙箱边界；观念侧能讲清「约束是 harness 的核心职责，不是副产品」。对齐理论（RLHF/constitutional AI）除非面模型侧岗位，否则知道其在解决什么问题即可。

手册覆盖较弱的知识点 ​

诚实地说，有几类高频 JD 要求超出了本手册的主题边界。它们不是 harness 工程，而是模型侧或推理基础设施侧的能力：

JD 要求典型出处为什么手册不覆盖建议学习方向
fine-tuning / post-training（SFT、蒸馏）OpenAI RE（"distillation、supervised fine-tuning、policy optimization"）、Amazon WorkSpaces、字节巨量星图、蚂蚁后训练岗属于模型权重侧，不是模型之外的系统Hugging Face SFT/PEFT 文档、各厂后训练技术博客
RLHF / RL / agentic 训练Cognition Post-Training（"RLHF、RLAIF、preference modeling"）、腾讯 Agent Infra（RL 沙盒）、快手（"RL 端到端训练 agentic reasoning model"）训练方法学，面向研究/算法岗直接读 InstructGPT、DPO、GRPO 等原始论文，见 核心论文 的边界说明
推理优化（vLLM、KV cache、端侧推理）阿里实习岗加分项（"vLLM/KV cache"）、腾讯企微岗（端侧推理加速）、小红书 LLM Engineering 岗属于 model serving 层vLLM 官方文档与源码、各推理框架 benchmark
传统分布式/云原生工程xAI（Rust + 分布式系统 + observability）、腾讯 Agent Infra（K8s、容器网络）通用后端功底，不是 agent 特有这部分没有捷径，是工程底盘

岗位分层是真实存在的

国内调研的粗结论值得记住：模型侧岗位（后训练/RL/agentic 数据，集中在腾讯混元、百度、蚂蚁、快手、DeepSeek）和工程侧岗位（Harness/Infra/应用，集中在字节、美团、小红书、腾讯各 BG）在招聘市场上已经明显分层。本手册服务的是后者。投错层级的简历，词频对得再齐也没用。

国内外要求的结构性差异 ​

词频之外，还有几个结构性差异值得单独说。

学历与资历门槛。 国外的研究/科学岗门槛极高——Amazon Applied Scientist 要求 PhD 或硕士 + 4 年，OpenAI RE 要求硕士或博士；但工程岗明显宽松，Cursor 的 Agent Harness 岗没有列出任何学历年限硬门槛，只看「构建过复杂 agentic products」的实绩。国内相反：工程岗普遍写明「本科及以上，计算机相关专业」，年限要求精确（字节 Harness 岗 2–5 年、腾讯企微岗 5 年以上、小红书 3–5 年），但硕士要求主要出现在算法岗。

Title 体系。 国外这两年长出一个新物种：Forward Deployed Engineer / Applied AI Engineer（OpenAI、Anthropic、Cognition、Notion、Microsoft 都在招）——嵌入客户侧、把模型能力交付成生产系统的工程师，薪资对标研究岗（Anthropic 伦敦岗 £225k–£240k，OpenAI FDE 第三方参考区间 $162k–$280k）。国内对应的形态是「Agent Harness/Infra 工程师」和「大模型应用工程师」，更偏平台侧而非客户侧。

AI Coding 工具熟练度被写进了硬性要求。 这是一个容易忽略但信号极强的变化：国内有 6 个岗位点名 Cursor / Claude Code / Codex——腾讯混元 Harness Engineer 岗要求「使用 Cursor / Claude Code / Codex 等进行重度编程，对 agentic coding 的能力边界和 failure mode 有切身体感」；阿里实习岗要求「Cursor、Claude Code 等 AI 编程工具重度玩家」；Moonshot 增长工程师岗写「Claude Code / Codex 这类 harness 是你的日常」。国外 Notion 初级岗同样要求跟进使用 Cursor、Claude Code。

这意味着什么

大厂招 harness 工程师时，默认你日常就在一套成熟的 harness 里工作，并且对这套 harness 的失效模式有一手体感。这正是本手册的读法：不要只读概念，把 Claude Code 案例、Cursor 案例 拆开看，再按 动手搭建 Harness 自己搓一个——Moonshot 的 JD 原话就是「可以快速自己手搓一套 Harness 来验证 Agent 协作与编排效率」。

怎么用这张地图 ​

把上面的拆解落成行动，顺序建议如下：

  1. 先对齐词频最高的三块：上下文工程、工具系统、评测与可观测。这三块在 44 个 JD 里几乎没有缺席，是本手册的 上下文工程、工具、可观测性 三章，也是任何面试的第一轮考点。
  2. 补 harness 本体的叙事能力：能讲清 Agent Loop、规划、记忆如何咬合，对应 Agent 循环 → 规划 → 记忆。这决定你聊的是「我用过 LangChain」还是「我设计过运行时」。
  3. 按目标岗位层级选边：工程侧（Harness/应用）把本手册读透即可；模型侧（后训练/RL）额外补上一节列出的外部方向。
  4. 最后回到简历：把 JD 高频词翻译成你项目里的证据，方法见 简历对标分析。

数据来源与时效

本页全部统计与引文来自 2026 年 8 月 11–12 日对国内外 44 个真实在招岗位的调研，逐条出处（公司、岗位、链接、可信度标注）见 JD 清单。招聘市场需求变化很快，这份地图的保质期以季度计——但「evals、上下文、工具」这三块从 2024 年至今只升不降，可以当作长期押注。

延伸阅读 ​