ARTICLE · 人工智能
Agent 开发指南：技术太多，该怎么学？
一语总结本文从系统架构层面出发，论证 Agent 开发的核心已从“生成代码”转向“可信完成”，并系统剖析 Harness、Context、Memory、Subagent 等关键组件，以及 Vercel 与 Cloudflare 的 Agent 平台战略。
文章以“Agent 不缺代码，缺可信完成”为核心判断，展开对 Agent 原生软件架构的系统分析。作者首先区分“回答”与“负责”的本质差异，指出生产级 Agent 需要确定性执行外壳（Harness），包含目标（Goal）定义、状态管理、Memory 分类（工作状态、事件历史、领域知识、情节偏好、身份隐私）、Subagent 与 Handoff 的责任边界。随后横向对比 Vercel（从开发体验向下补齐执行层）与 Cloudflare（从 runtime 与状态向上补齐体验层）两大平台的技术布局，涵盖 AI SDK、Sandbox、agent-browser、Turborepo、scriptc、Skills 包管理器、Durable Objects、Browser Run、Nimbus 等具体项目。全文刻意区分已发生事实、基于事实的推断与面向未来的预测，大量引用 Anthropic、OpenAI、Vercel Labs、Cloudflare 等官方文档与开源项目，是一份深度、独立的 2026 Agent 技术趋势研究报告。
- Agent 的核心挑战已从代码生成转向可信完成。
随着生成和试错成本下降，环境、状态与失败面复杂度上升，真正稀缺的资源变成“可信结果”，需要确定性执行外壳来承载不确定的推理核心。
- Harness 持有全程，负责从目标到验证的完整责任链。
Prompt 管一次推理，Harness 管一次任务执行的全生命周期，包括 Goal 定义、状态持久化、能力授权、隔离执行、结果验证与人工接管。
- Agent Memory 需拆分为五类，各有不同一致性要求。
工作状态、事件历史、领域知识、情节偏好、身份与隐私应分开存储，分别对应 checkpoint、追加写、版本溯源、衰减和独立权限边界，不能简单视为向量库。
- Subagent 与 Handoff 表达不同责任关系，需结构化移交。
Subagent 作为工具运行于主 Agent 控制下，Handoff 则整体转移会话控制权；可靠移交需要包含目标、已验证事实、待确认副作用、资源租约等完整上下文，不能只传自然语言摘要。
- Vercel 与 Cloudflare 从相反方向争夺 Agent 全栈。
Vercel 从 Web 开发体验向下补执行（AI SDK、Sandbox、scriptc、Turborepo、Skills 包管理），Cloudflare 从 runtime 与状态向上补体验（Durable Objects、Browser Run、Nimbus、Workflows），两者最终都需解决可观测、可验证、可恢复的基础设施。
Agent 开发指南：技术太多，该怎么学？
文章以“Agent 不缺代码，缺可信完成”为核心判断，展开对 Agent 原生软件架构的系统分析。作者首先区分“回答”与“负责”的本质差异，指出生产级 Agent 需要确定性执行外壳（Harness），包含目标（Goal）定义、状态管理、Memory 分类（工作状态、事件历史、领域知识、情节偏好、身份隐私）、Subagent 与 Handoff 的责任边界。随后横向对比 Vercel（从开发体验向下补齐执行层）与 Cloudflare（从 runtime 与状态向上补齐体验层）两大平台的技术布局，涵盖 AI SDK、Sandbox、agent-browser、Turborepo、scriptc、Skills 包管理器、Durable Objects、Browser Run、Nimbus 等具体项目。全文刻意区分已发生事实、基于事实的推断与面向未来的预测，大量引用 Anthropic、OpenAI、Vercel Labs、Cloudflare 等官方文档与开源项目，是一份深度、独立的 2026 Agent 技术趋势研究报告。
浮之静用一份独立技术研究把 Agent、Harness、Context、五类 Memory、Subagent 与 Handoff 放进同一张责任地图，并反复区分已发生事实、基于证据的推断和未来预测。核心判断很直接：“回答不等于负责”，Prompt 管一次推理，Harness 管从目标到验证的完整任务。长文信息量很大，但最值得带走的是如何按目标、状态、权限、副作用和人工接管来选择技术，而不是追逐框架名单。
文章金句
"Agent 不缺代码，缺可信完成。
"回答不等于负责。
"Prompt 管一次，Harness 管全程。
"Agent 原生软件的终点不是“最大自治”，而是让一个不完全可靠的推理者，能够在可靠系统中持续承担责任。