「交流群」入口已开放!
想加入 Tony Bai 老师的读者交流群吗?
按步骤操作,即可加入群聊,>> 戳此加群 <<
你将获得
- 可运行,从 0 到 1 实现工业级 OS 底层引擎
- 可掌控,突破长程上下文、死循环等 20+ 工程卡点
- 可观测,集成 Tracing、Benchmark 评估的科学度量体系
- 可二开,从 Framework 到 Harness 的硬核工程落地方案
AI 导学
Agent 为何总在长任务中失控?根源不在模型,而在缺乏一套像操作系统般的“缰绳”——Harness。这门课聚焦构建工业级 AI Agent 的底层引擎,从零实现一个轻量、可控的 Harness 系统。你将掌握上下文工程的核心方法,包括超长文本的阶梯压缩与记忆外部化;理解稳定性控制机制,如死循环拦截、危险操作审批与子智能体隔离;并建立可观测性体系,集成链路追踪与自动化 Benchmark 评估。通过 Go 语言复刻 OpenClaw 极简架构,真正获得设计 AI Agent “物理躯体”的工程能力。
课程介绍
你是不是也遇到过这些“AI 翻车”现场?
- Agent 读个 3000 行日志,直接报 Token 超限;
- 修编译错误时,同一个错误命令连跑 10 遍,原地鬼打墙;
- 差点执行 rm -rf ./,你手抖着按下了 Ctrl+C。
这不是你 Prompt 写得不好,而是那些“调包框架”(LangChain、AutoGen 等)本身就是黑盒。它们塞给模型几十个工具描述,把状态藏在内存里,你根本插不上手。框架越重,失控越狠。
如今大模型自己就会规划和调用工具了。它们不再需要这些框架“管家”,它们需要的是“缰绳”——Harness。
简单说,Harness 就是给大模型写一个微型操作系统。
- 大模型 = CPU(负责思考)
- 上下文窗口 = RAM(极其金贵的内存)
- 本地操作 = 外设(硬盘、网卡)
Harness 不教模型怎么想,它主要干内存回收、硬件调度、系统中断这些“脏活”。如果你想构建工业级、长周期、可控的 AI Agent,肯定绕不开 Harness。因为三个最大的坑,Harness 刚好全填上了。

学 Harness = 给 AI 套上缰绳,跑得快又不翻车。
课程交付什么?
用 Go 吸收顶级开源项目 OpenClaw 的极简哲学,从零构建工业级 Harness 引擎 —— go-tiny-claw。
你会拿到:
- 完整源码(ReAct 循环、多模型适配、上下文压缩、死循环检测、链路追踪…)
- 搞懂“框架坍塌,Harness 崛起”这条行业暗线
- 具备设计工业级 AI Agent “物理躯体”的真本事
怎么学?
课程按工程开发顺序分为六个章节,共 24 讲:
第一章:认知与核心引擎
我们将抛弃黑盒,纯手写大模型原生的 ReAct 循环。设计优雅的多模型适配层(接入 Claude 与 OpenAI 兼容 API 模型),并前瞻性地引入独立的“慢思考(Thinking)”机制,极大提升复杂任务的规划成功率。
第二章:极简工具与物理交互
打造强扩展性的 Tool Registry。深刻贯彻极简工具哲学,手写支持多级模糊匹配的健壮 Edit 工具,并利用 Go 的并发特性压榨出并行工具执行的性能极限。
第三章:上下文工程体系
这是决定 Agent 智商的生命线。我们将实现系统提示词的动态组装、超长文本的阶梯降级压缩(Compaction);更重要的是,摒弃复杂的内部状态机,把“记忆”与“待办”完全外部化为本地的文件系统。
第四章:稳定性控制与多智能体
让 Agent 走向生产环境。实现运行时提醒(Reminders)斩断死循环;通过 Middleware 拦截危险操作,在飞书中弹出卡片等待人类审批(Human-in-the-loop);引入 Subagent 隔离复杂任务。
第五章:可观测性与科学度量
这是高级工程师的分水岭。为引擎引入链路追踪(Tracing)、成本审计,并搭建自动化 Benchmark 评估脚本,科学量化引擎的每一次进步。
第六章:端到端实战串讲
全要素组装,最终打造出一个强悍的 CLI 工具,以及一个能在飞书群里随时被召唤、具备安全底线的 AgentOps 运维自动化助手。
未来已来,就藏在极简的架构哲学里。带上键盘,我们敲起来。

课程目录

适合人群
- 寻求构建轻量可控 Agent 引擎的 AI 应用架构师与开发者;
- 希望将 AI 能力融入现有工作流的后端 / 云原生工程师;
- 想要打造安全 ChatOps 机器人的 DevOps/SRE 工程师;
- 为技术负责人与顾问提供 AI 工程化解决方案。
订阅须知













