Agent设计准则:Thin Harness与Fat Skills详解
作者:新兰2026.11.16 11:38浏览量:0简介:本文系统解析Agent领域"薄框架、厚技能"的设计准则,厘清Thin Harness与Fat Skills各自的定义、边界与协作关系。文章从概念出发,剖析"Skill炒作"误区背后的工程陷阱,阐述如何将可靠性沉淀到技能层,帮助读者理解为何该准则能让Agent从"Demo惊艳"走向"上线可用"。
一、概念定义:什么是 Thin Harness, Fat Skills
“Thin Harness, Fat Skills”(薄框架、厚技能)是构建 AI Agent 时的一项核心工程准则。它回答了一个根本问题:Agent 的”编排骨架”与”能力实体”之间,责任与复杂度应当如何分配。
- Thin Harness(薄框架):指 Agent 外围的编排与执行框架应保持轻薄、通用、标准化。它只承担最基础的工作——理解任务、调度技能、维护上下文、驱动”感知—决策—行动”的主循环。框架本身不承载具体业务逻辑。
- Fat Skills(厚技能):指真正的业务能力、可靠性保障与领域知识应集中在各个技能(Skill/Tool)内部。每个技能都应是一个自包含、经过严格工程化封装的执行体,具备完整的参数校验、类型约束、错误处理、状态管理与可观测性。
从技术视角看,它是一种”复杂度下沉”的架构原则;从工程视角看,它强调把确定性逻辑写进代码而非提示词;从使用视角看,它让开发者无需理解底层框架细节,即可通过定义技能来扩展 Agent 能力。
二、背景与价值:为什么要提出这条准则
这条准则的提出,是对当前 Agent 开发中普遍存在的”Skill 炒作”迷思的系统性纠偏。
行业里流传一种危险的简化论调——“自然语言即编程”,似乎只要给 Agent 写一段技能描述,剩下的交给大模型即可。这种”描述即万能药”的幻觉,正让大量项目陷入”演示惊艳、上线即崩”的困境。其根源在于把”语义理解”与”工程可靠性”混为一谈,具体表现为三重矛盾:
- 语义模糊性与执行确定性的矛盾:自然语言多义且模糊,而企业级业务逻辑要求严丝合缝。当你用”查询订单”这样的描述去驱动一个确定性 API 时,本质上是用概率性模型去驱动确定性系统。模型可能生成”看起来对”的参数,但由于缺乏严格的类型约束与逻辑校验,在生产环境的复杂输入下,调用失败率会急剧上升。技能描述只是”挂载点”,绝不是”执行体”。
- 无状态描述与有状态业务的矛盾:技能描述是静态的,但真实流程往往动态且有状态,涉及断点续传、条件分支、异步回调。像”若 A 失败则尝试 B,B 无响应则等待后重试”这样的状态机逻辑,靠几句提示词让模型在每轮对话中”现场推理”,既成本高昂又极其脆弱。
- 黑盒执行与不可观测性的矛盾:当技能仅是一段描述而忽略工具本身的工程设计时,系统就变成了无法调试的黑盒。任务一旦失败,你无法判断到底是模型没理解描述、参数生成错误,还是外部依赖异常。
Thin Harness, Fat Skills 的价值,正是通过”薄框架保证通用与可维护、厚技能保证可靠与可复用”的分工,系统性地消除上述陷阱。
agent-">三、核心组成:一个合格 Agent 的两个层面
框架层(Thin Harness)
- 任务理解与规划:将用户目标拆解为可执行的技能调用序列;
- 技能调度与路由:根据任务选择并调用合适的技能;
- 上下文管理:维护对话历史、中间结果与临时状态;
- 主循环驱动:编排”观察—思考—行动”的执行流;
- 通用横切能力:日志、监控、鉴权、限流等。
技能层(Fat Skills)
- 严格的输入校验:对参数进行 Schema 校验、类型约束与格式转换;
- 确定性执行逻辑:把业务规则固化在代码中,而非依赖模型推断;
- 完善的错误处理:超时、重试、降级、回滚等异常路径;
- 状态持久化:为长流程提供断点续传能力;
- 可观测性:结构化的输入输出日志、埋点与追踪。
四、工作原理:模型负责”决定做什么”,代码负责”保证做对”
运行时,薄框架接收用户任务后负责拆解与调度;当决定调用某个技能时,它把请求交给技能执行体。此时,真正的可靠性由厚技能承担:
# 示意性伪代码:厚技能的内部结构def query_order_skill(raw_input):# 1. 严格校验:拒绝非法输入params = validate_schema(raw_input, OrderQuerySchema)if params is None:return error("参数校验失败", detail=...)# 2. 确定性执行:业务逻辑写在代码里try:result = db.query(params.order_id)except TimeoutError:# 3. 异常处理:重试与降级return retry_with_backoff(...)# 4. 可观测:记录结构化日志log.info("query_order", params, result)return normalize(result)
关键理念在于:模型负责”决定做什么”(模糊、概率性的部分),代码负责”保证做对”(确定、可验证的部分)。薄框架不越界干预业务,厚技能也不依赖提示词兜底。
五、典型场景
- 企业级流程自动化:涉及多系统交互、事务一致性、审批流转的场景,需要厚技能封装确定性与状态管理;
- 数据处理与 ETL:对参数类型和格式要求严格的抽取、转换、加载任务;
- 客服与业务助手:需要调用订单、账户、工单等确定性接口的场景;
- 运维与监控:调用监控告警、日志查询等工具,要求精确参数与可靠重试;
- 合规审计领域:金融、政务等要求全流程可观测、可追溯的场景。
在这些场景中,薄框架保证了 Agent 的通用性与可维护性,厚技能则保证了单个能力的可靠性,二者结合让 Agent 既灵活又稳定。
六、相关概念区别
- 与”胖框架、薄技能”的区别:另一种极端是把大量逻辑塞入框架(如硬编码业务流程),技能退化为简单的参数透传。这种设计框架臃肿、难维护、技能复用性差,恰好与本条准则相反。
- 与”纯提示词 Agent”的区别:纯提示词方案把几乎所有逻辑都交给模型现场推理,看似灵活,实则缺乏确定性与可观测性,难以通过生产环境的可靠性检验。
- 与 Skill/工具的关系:技能不是一段描述文本,而是一个完整的软件执行单元;描述只是它对外暴露的”接口说明”。
七、使用注意事项
- 避免”描述即完成”的错觉:技能描述只是挂载点,必须配套严格的校验、执行与错误处理;
- 保持框架的克制:不要把业务逻辑写进框架,否则框架会随业务膨胀而失控;
- 优先确定性:凡能用代码固化并验证的逻辑,就不要交给模型推断;
- 重视可观测性:为每个技能设计结构化日志与追踪,确保失败可定位;
- 状态外置:长流程的状态应持久化到外部存储,而非依赖会话上下文,以支持断点续传;
- 安全边界:技能作为执行体,应做好身份认证、权限控制与输入校验,防止越权与注入风险;
- 平台支撑:可借助云上通用的日志服务、监控告警、消息队列、对象存储、身份认证等基础能力,来承载厚技能的可观测性与状态管理需求。
八、总结
Thin Harness, Fat Skills 的本质,是回答”Agent 的可靠性应该由谁保证”这一根本问题。它主张:框架保持轻薄、通用、可维护,只负责编排与调度;而真正的业务复杂度、确定性与可靠性,应下沉到自包含、可复用的厚技能之中。理解了这一分工,开发者才能跳出”自然语言即万能药”的幻觉,把 Agent 从演示推向真正的生产落地。它的适用边界同样清晰——越是业务复杂、可靠性要求高、需要审计追溯的场景,这条准则的价值就越突出;而在探索性、容错性强的轻量场景,则可灵活取舍。

登录后可评论,请前往 登录 或 注册