Agent = LLM + Harness：被99%教程刻意忽略的公式
这是《DeepSeek Agent Harness 2026终极指南》第1章第3节。上一篇看完数据，这一篇讲这门课唯一的"公理"——一个公式，决定你处在 AI 时代的哪个段位。
本文导航
- 先做个实验：让模型帮你改个bug
- 公式登场：Agent = LLM + Harness
- 99%的教程为什么只教那1%
- 大脑与身体：一次角色对调
- 把公式翻译成代码清单
- 小结
先做个实验：让模型帮你改个bug
不玩虚的，做个你肯定干过的事：打开 DeepSeek 官网的对话框，把一段报错贴进去，问"这怎么修"。
模型给你一段修改建议，写得头头是道。然后呢？你复制它说的，切换到编辑器，找到那个文件，粘贴，保存，跑一下测试，发现它改漏了一处，再回到对话框补充信息……
数一下，这一轮"人肉循环"里，模型干了多少活？它只干了一件事：生成了一段文本。剩下的找文件、改文件、跑测试、看结果、再反馈——全是你在干。你是它的手、它的眼、它的腿，它是个只有嘴的大脑。
这就是纯 LLM 的形态：一个接到问题时会说话的脑。它很强，读过的代码比你见过的都多；但它出不了那个对话框。
现在换一个场景。你在终端里敲：
$ claude "这个项目的测试挂了一个，修一下"然后你起身去倒了杯咖啡。回来时，bug 已经修完了，测试全绿，git 里躺着一个结构清晰的提交。中间发生的事：它自己找到了失败的测试文件、自己读了源码、自己改了代码、自己跑了验证、自己决定了提交信息。
同样是"模型+你的需求"，为什么体验天差地别？因为第二个场景里，有人替模型装上了手和脚。那套手和脚，加上让它们协同运转的整套系统，就是这门课的主角。
公式登场：Agent = LLM + Harness
把上面的观察压缩成一行，就是这门课的公理：
Agent = LLM + Harness
- LLM：大脑。负责推理、规划、理解意图、生成内容。对应你调用的那个 API。
- Harness：躯干。负责提供工具、管理上下文、执行动作、守住权限、记住历史。对应包裹 API 的整套运行时系统。
这个公式最反直觉的地方在于两边的权重。
一个生产级 Agent 系统里，直接跟模型打交道的代码——组装请求、解析响应——大概只占1%。剩下99%的代码都在干别的事：注册工具、校验参数、拦截危险命令、压缩历史对话、记录每次调用的 token 和耗时、失败后决定重试还是降级……
99%的教程为什么只教那1%
道理很朴素：教那 1% 只需要一节课，教那 99% 需要一门课。
打开任意平台的"AI Agent 开发"课程目录，你会看到几乎雷同的大纲：注册 API Key → 第一次调用 → 流式输出 →（可选）接个 LangChain → 结课。六节课，讲的全是那个 1%。为什么？
- 调 API 是零门槛的：照着抄代码，人人都能在五分钟内看到模型回复，正反馈拉满。
- 造 Harness 需要工程功底：你得懂异步、懂设计模式、懂安全、懂成本核算——这些是"高级内容"，做课程的人自己也未必趟过。
- 框架把 99% 藏起来了：装上 LangChain，一行
create_agent()背后是框架替你写的几千行。你感觉自己在"做 Agent"，其实你在给框架填参数。
第三条最隐蔽，也最坑人。我见过不少简历写着"熟悉 LangChain Agent 开发"的候选人，一问"流式响应里 tool_calls 的分片怎么拼回一个完整调用"，当场沉默。框架熟练度是虚假的护城河——框架会更新，API 会变，但"Agent 由哪些零件构成、每个零件为什么存在"的认知，十年内不会过时。
这就是这门课最贵的东西：不是带你用框架，是带你把 99% 亲手写一遍。写完之后，什么框架到你手里都只是"别人写好的轮子"，你能评估它、能魔改它、甚至能自己造更好的。
大脑与身体：一次角色对调
还有一个视角，来自 Andrej Karpathy 的类比，我觉得是理解 Harness 最锋利的一把刀：
LLM 是新的操作系统内核。
操作系统内核能算数、能管硬件，但用户从不直接跟内核打交道——他们用 shell、用窗口、用一个个应用程序。内核之上那一整层"让能力变得可用"的系统，才是用户真实接触的操作系统。
照着这个类比，Agent 世界正在重演操作系统的历史：
| 操作系统世界 | Agent 世界 | 对应本课章节 |
|---|---|---|
| 内核（CPU 调度、内存管理） | LLM（推理、生成） | 第3章 API 协议 |
| 系统调用（open/read/write） | 工具调用（read_file/run_bash） | 第9章 工具系统 |
| 进程内存管理 | 上下文窗口管理 | 第11章 上下文工程 |
| 用户权限（sudo、chmod） | Agent 权限（审批、白名单） | 第10章 权限安全 |
| 进程与线程调度 | 子 Agent 并行编排 | 第12章 子Agent |
| 日志与监控（syslog） | 调用留痕与量化总结 | 第7章 可观测性 |
看到没？你学这门课，等于重学一遍"操作系统"，只不过这次你写的是应用层。有操作系统思维的人做 Agent，和只会调 API 的人做 Agent，是建筑师和搬砖的区别。
把公式翻译成代码清单
最后，把公式落到这门课的产出上。80 篇之后，你的 DeepPilot 仓库里会有这些模块——每一个都对应公式里的一块骨头：
deeppilot/ ├── client.py # 大脑的神经接口：调 DeepSeek API（那 1%） ├── logger.py # 按月分割日志 + 调用留痕（99% 的一部分） ├── trace/ # 每次调用的原始输入输出存档 ├── tools/ # 工具系统：read/write/edit/bash/grep... ├── guard.py # 权限守卫：三级审批、命令拦截 ├── context.py # 上下文引擎：预算、压缩、注入 ├── skills/ # SKILL.md 按需加载 ├── mcp_bridge.py # MCP 生态接入 └── agent.py # Agent Loop：把上面所有零件转起来的心脏数一下行数你会发现：client.py可能不到 200 行，其他加起来几千行。1% 和 99%，从第一个模块就开始显形。
小结
- 纯 LLM 是"只有嘴的大脑"，你当它的手和脚；Agent 是给它装上手脚和缰绳——公式：Agent = LLM + Harness
- 生产级 Agent 里 LLM 调用代码只占约 1%，99% 是工具、上下文、权限、编排、可观测性
- 教程只教那 1% 是因为它门槛低、周期短；框架把 99% 藏起来，让你误以为自己在造 Agent
- 用"操作系统"思维理解 Harness：工具=系统调用、上下文=内存、权限=用户组、子Agent=进程调度
下节预告
公式有了，燃料也得跟上。下一篇讲 DeepSeek V4.1-Flash——就在今天（2026年9月10日）发布的新模型：1M token 上下文、缓存命中 0.02 元/百万 token、全新的 Causal-Encoder-Decoder 架构。我会把它的价格表掰开揉碎算给你看：为什么说"算力平权"是普通开发者入场 Agent 的最后窗口。
如果觉得本文对你有帮助，欢迎点赞、收藏、关注三连！
本系列持续更新中，80篇硬核实战，关注不迷路~
