开篇词｜掌握四套脚手架，让 Agent 开发回归业务本身

邢云阳

讲述：云阳AI版大小：4.84M时长：14:05
你好，我是邢云阳。
时隔近一年，我带着全新课程 《Harness Agent 脚手架实战课》 再次和大家见面啦！
回望这一年，AI 技术的狂飙突进速度，足以用“震撼”来形容。想必各位 AI 开发者同行，在惊叹大模型能力持续突破、AI 产品层出不穷的同时，心里也藏着不少真切的感受。而我最深的体会，浓缩成一个字就是：累。
可能有朋友会问：“这么累为啥还要持续折腾？”说实话，看着 Claude Code 自动生成的代码越来越丝滑、漂亮，我也想过这问题。但我的答案是：作为工程师，如果哪天我不觉得累了，说明我已经彻底掉队，连新东西都懒得看了。
从学一门手艺到追一列快车曾几何时，技术圈的红利周期格外漫长：学一套前端开发框架，稳稳用 8-10 年不成问题； 吃透 K8s 部署与应用开发，5 年以上的技术老本足够吃； 哪怕退一步，不去研究复杂的技术，只要精通一门后端语言、能写 API 接口，加上对业务的理解，也能在软件行业立足多年。
但进入 AI 时代，尤其是 2025 年下半年开始，这套旧逻辑被彻底颠覆。Claude Code、Codex 等工具的普及，让产品经理、律师、医生、歌手等等也能轻松实现全栈开发；K8s Yaml 编写、基础问题排查、Operator 开发，也早已不是拉开老员工和新员工差距的关键。
在这样的趋势下，所有人都在聚焦想法落地，也直接推动 AI 技术与产品迭代驶入快车道：龙虾（OpenClaw）、爱马仕（Hermes）、LLM-Wiki 等优质项目接连涌现，AI 领域新鲜事物的不断涌现，让我们疲惫且兴奋。
这一点，AI 开发者的感触远比旁人更深。
2023～2024 年，我们一度以为，AI 产品关键在模型的能力，只要深耕工具开发，搭配一个简单的 ReAct Agent，就能完成 AI 业务落地。要是模型不识别我们的工具或者出现幻觉，那就优化提示词。
可很快我们又迎来了新的挑战，比如：工具接入变多变乱、模型上下文窗口总是不够用、长程问题越来越偏离最初目标……这让我们不得不继续学习新的 AI 设计模式、新框架。
到了 2025-2026 年，Claude Code 等标杆产品爆火，全民开发 Skills、借助 AI 工具提效成为常态。很多非程序员朋友因为对自身业务更加熟悉，反而用 Claude Code 或龙虾 + Skills，做出了很多有意思的智能体产品。这给本身就受到冲击的程序员带来了更大的压力，我们依旧要马不停蹄地追赶新产品、学习新技术，才有可能成为新技术出现时，最先理解并熟练运用的那部分人。
认知过载的时代，AI 开发者如何建立核心竞争力？无休止的追赶，也让我们不得不重新思考：AI 时代，到底该怎么规划自己的学习路线？
这让我想起《笑傲江湖》里的华山派气剑之争：一派是气宗，坚信“内功为本，剑法为末”，岳不群曾言“十年之期，剑宗占优；二十年之期，难分伯仲；三十年之期，气宗无敌”； 另一派是剑宗，推崇“剑法精妙为先，内功次之”，追求快速制敌、见效为王。
放到如今知识爆炸的 AI 时代，人的精力终究有限，每个开发者都面临着“练气”还是“练剑”的抉择：很多资深程序员是天生的“气宗”，偏爱钻研源码、底层逻辑、核心算法，追求“知其然，更知其所以然”；即便到了 AI 时代，依旧乐此不疲地深耕 Claude Code 泄露源码、龙虾项目源码……
一边是快速迭代、不追就落后的“剑宗式”实用技术，一边是夯实根基、长期受益的“气宗式“底层能力，AI 开发者究竟该如何平衡？
顺着“气宗”与“剑宗”的比喻，我们不妨把目光投向当下的 AI 开发岗位，了解 AI 开发岗位需求现状，你才能做出更清晰的判断。在实际的职场生态中，目前的 AI Agent 开发工作大致可以划分为两大阵营，它们对“气”与“剑”的侧重截然不同。
第一类，是不断提升 AI Agent 通用工程能力的“造局者”。以 DeepSeek、Kimi 等企业为代表，他们致力于打造对标甚至超越 Claude Code 的 AI Coding 产品。对于身处这一赛道的开发者而言，深刻理解 Agent 设计模式、逐行剖析 Claude Code 等顶尖产品的源码，是日常工作的必修课。这不仅是技术进阶的阶梯，更是必须重点“练气”的根基，唯有内功深厚，方能在底层架构的博弈中立于不败之地。
第二类，则是致力于 AI 赋能千行百业的“破局者”。他们可能就职于互联网大厂、做 FDE，或者配合 FDE 将 AI 能力接入传统企业的业务系统（如开发合同审查助手）；也可能直接扎根于传统企业内部，主导利用 AI 进行企业智能化转型。这类岗位的核心特征是“短、平、快”：业务需求极其庞大，一年几十甚至上百个需求是常态；项目往往聚焦于垂类智能体，技术难度未必极高，但周期极短，企业迫切需要看到降本提效的实际成果。
面对这种高频、快节奏的业务诉求，开发者最核心的竞争力在于“快”——能否迅速掌握业界前沿的 AI Agent 开发思想、套路与脚手架。在这个赛道里，效率就是生命。过去可能需要借助 LangChain 或 LangGraph 耗费数周、数才能搭建的复杂链路，如今借助 Harness 脚手架配合各类 Skills，往往能在极短时间内高效交付。
因此，对于这部分开发者而言，以“练剑”为主、“练气”为辅，才是顺应业务节奏的明智之举。将精力聚焦于实战招式与工程落地，用最快的剑法解决最迫切的业务痛点，方能在这个充满变数的 AI 时代游刃有余。
从目前的就业形势与招聘需求来看，第二类工作，明显需求量要更大一点，因为这代表着企业从过去的数字化转型到现在的智能化转型的发展。
你的 Agent 开发能力提升指南在现阶段，想要快速 Agent 开发能力，边做边学是效果最好的方式。但大部分人卡在这三类问题上。
技术选型难取舍：面对丰富的开源生态，如何能够评估与选型出符合自己业务场景与技术栈的 Agent 框架。
实战机会难获得：缺乏贴近真实业务约束的测试环境，导致技术停留在 Demo 阶段，无法形成工程化的能力闭环。
工程落地难推进：从原型到生产环境的跨越中，面对复杂业务、多 Agent 编排、技能封装、安全交付等工程问题，如何充分利用 Harness 脚手架的众多能力？
我特别理解上面这些困扰，因为这些也是我经历过的。所以我从众多 Agent 开发的主流框架里，精心挑选了 Smolagents、Claude Agent SDK、DeepAgents 和 Pi-mono 四大前沿框架，并结合真实的项目实战，为你量身打造了这套课程。
课程配套代码仓库在这里：https://github.com/xingyunyang01/Geek04/tree/main
为什么选这四个脚手架？它们能在众多技术框架里脱颖而出，替代之前我们常用的 LangChain、LangGraph 等技术栈，且自带 Harness 能力支持，能够帮助我们快速构建高质量的生产级 Agent。
课程安排如下图所示：
知识地图
快速交付篇，主角是 Smolagents。
传统工具调用型 Agent 在处理数据分析时，往往陷入“问一句→调一次→等结果→再问一句”的低效行动，上下文越积越重，效率越拖越低。并且固定的脚本工具，无法覆盖千变万化的数据需求，从而导致工具越设计越多。而 Smolagents 的核心设计—— CodeAct 代码执行范式改变了这种困境。在实现 CSV 数据洞察 Agent 项目的过程中，你将体会到 Smolagents 这个核心代码仅千行的轻量级框架多么好用。
进阶应用篇和深度编排篇，主角是 Claude Agent SDK。
你可能听说过 Claude Code。作为曾被誉为“世界最强 AI 编程工具” Claude Code 的底层孵化产物，这款闭源 SDK 能让我们构建出具备同等卓越能力的 Agent。
还记得去年课程中，我们使用 LangGraph 搭建金融研报生成系统时，那庞大且繁琐的多 Agent 编排代码吗？这次彻底翻新。这次我们将利用 Claude Agent SDK 的自动上下文压缩和 SubAgent 机制，配合 Skills 技能固化，对原有项目进行改造升级，让你亲自感受工程效率的跃升。
深度编排篇，我们用同一个框架挑战更高难度——多任务协同投研平台。长链路下的上下文管理、多文档交叉验证、并行分支探索，这些靠传统编排很难优雅解决的问题，我们会借助 Fork 分叉机制和 Hooks 安全护栏逐一攻克，同时接入 OpenTelemetry 实现全链路成本监控与追踪。
知识沉淀篇，主角是 DeepAgents。
如果你熟悉 LangChain，一定知道它曾有一个极简库叫 create_agent，但它仅支持基础循环和工具调用。Deepagents 是它的全面进化版，融入了上下文管理、安全沙箱、文件系统、Skills 以及子 Agent 等一整套 Harness 模块，开箱即用。
这个篇章我们瞄准一个真实困境：传统 RAG 知识库做着做着就变成了“高级全文检索”，能查能答，但不会思考，更不会自己更新。而我们要实现一个 LLM-Wiki 智能知识库，将 LLM-Wiki 的“知识自我进化”理念直接封装为 Agent Skills，让知识库具备自动沉淀、结构化更新与深度问答的能力。对于已有 LangChain 技术栈的团队，这是让老项目拥抱 Harness 的最低成本路径。
工程交付篇，主角是 Pi-mono。
你可能对这个名字陌生，但它的“外壳”你一定听过——OpenClaw。从架构上看，OpenClaw 只是套了一层支持飞书等 IM 交互和定时任务调度的皮，真正的执行引擎正是 Pi-mono。
它是 TypeScript 生态中难得一见的全功能 Harness 脚手架，且完全开源。如果你需要在 Web 前端集成 Agent 能力，或面对权限合规要求极高的场景（如支付场景），TypeScript 栈几乎是绕不开的选择。
对应的实战项目是合同审查助手 Runtime。我们会借助 Pi-mono 的分层架构实现多模型抽象，通过多层安全拦截管道（Interceptors）保障权限校验与合规审查，并利用 ChatPanel 组件让审查报告可交互展示。
整个课程安排得非常紧凑，且浓缩了大量 Agent 开发中的典型项目。无论是希望进阶自己能力的 AI 开发者，还是转型到 Agent 赛道的传统开发同学，都可以通过课程学习一次性掌握这四个 Agent 开发主流框架。
我期待你能从这门课带走三样东西。
一套“场景→框架”的选型方法论。 以后再遇到新业务，你不再需要在各个框架的文档之间反复横跳、纠结选型，而是能快速判断：这个场景适合轻量的 CodeAct 方案，还是需要 Claude SDK 的深度编排，抑或是需要统一 LangChain 技术栈的 Deepagents ，又或者因选型 TypeScript 栈而选择 Pi-Mono。
四个可以直接拿去用的实战项目。 CSV 数据洞察助手、多任务协同投研平台、LLM-Wiki 智能知识库、合同审查助手 Runtime——每一份代码都是可以复用到你自己业务中的真实资产，而不是玩具级别的 Demo。
一次彻底告别“越学越废”的成长体验。 所有的知识点服务于实战项目，而项目里凝聚了诸多业务痛点的解决方案。你跟着走一遍，就等于亲自踩过了这些坑，下次遇到类似问题，你知道怎么拆、怎么选、怎么交付。最后再有一个整体的一句话收尾。
AI 应用开发这个领域变化太快，没人能保证你学完就成专家。如果你能跟着我，把这四个脚手架用起来，并且踏踏实实把课程中四个项目亲自动手操练一遍，不敢说让你“豁然开朗”，但至少能让你具备快速实现生产级 Agent 的工程水平。这样未来你再面对一个新的 Agent 需求时，不会茫然无措——你知道从哪里下手，也知道用什么工具收尾。
别再做旁观者了，去成为造浪的人。现在，请跟随我快速上手 Harness 脚手架的使用套路，然后举一反三，一起把脑海里反复排练的诸多想法，变成真正能跑起来的 Agent 吧！