生产级 AI Agent 缺什么？Agent Harness 解析
文章以“智能体 = 模型 + Harness”为框架，把 Harness 拆成开发侧（记忆、工具与 MCP、检索、Prompt 编排）和运维侧（可观测性、评估、护栏、路由、成本控制、部署扩缩容）两半，指出这些能力几乎都不是模型自带的。作者用同一个财务问答智能体 FinBot 演示两条落地路线：托管式的 Amazon Bedrock AgentCore Harness（通过 CreateHarness/InvokeHarness 配置，自动提供每会话 Firecracker microVM、托管记忆与追踪），以及自主管理方案——在自有 Kubernetes 集群上跑 LangChain 智能体，前面挂开源的 Agent Router（原 Envoy AI Gateway）。文中把差异归结为几件很实际的事：供应商密钥放在哪里、谁能承担长期运维、以及最终付的是供应商账单还是基础设施加工程人力成本。
当智能体从演示走向生产，围绕模型搭建的 Harness 往往比模型本身更决定它能否稳定上线。
搭一个 AI Agent Demo，可能一个下午就够了。但要把它真正做到可以投入生产，完全是另一回事。
一个生产级 Agent 必须稳定在线、足够安全、控制好成本，而且当它不可避免地出问题时，你还得有足够的可观测性去弄清楚到底哪里出了错。这些能力几乎都不是模型本身提供的，而是来自你围绕模型搭出来的所有东西：记忆、工具访问、模型路由、护栏、成本控制，以及当 Agent 开始乱来时，你不得不翻进去排查的各种 trace。
这一层，就是我们所说的 Agent Harness。
#Amazon Bedrock AgentCore#Agent Router#Envoy AI Gateway#Amazon Bedrock#LangChain#LangGraph#Kubernetes#AWS