用 Harness 元技能自动设计智能体团队

你还在手动定义每个 Agent 的 system prompt？每次新场景都要重写角色和技能？Harness 这个今天刚涨 6662 stars 的项目告诉你：用元技能让 AI 自己生成 AI 团队，才是未来的做法。

我在之前的文章里提到过，单点技能（Skill）是 AI 完成任务的原子能力。但当你需要同时处理多个关联任务时（比如客服系统里的分类-解答-升级），手动编排 agent 团队就成了瓶颈。Harness 正是解决这个问题的元技能——它设计领域专属 agent 团队，定义专业 agent，并生成它们使用的子技能。

本文不重复项目 README，而是从实战角度分析：为什么元技能有效，怎么写自己的 Harness，以及如何把它嵌入工作流。

1. 这个 Skill 解决什么具体问题

假设你需要为一个电商网站搭建自动化客服 AI：需要分类 agent（判断售后/售前/投诉）、解答 agent（查知识库回复）、升级 agent（转人工）。传统做法是手动写三个 system prompt，定义它们的角色、知识边界和对话规范。一旦场景变化（比如新增退款流程），你得分别改三个 prompt。

Harness 解决的正是动态编排成本。它作为一个 meta-skill，接收你的业务描述，自动输出一组 agent 定义和相应技能 prompt。你只需要告诉 Harness：“我要一个客服系统，包括分类、回答、升级三个 agent”，它就能生成结构完整的技能集合。

我的看法： 手动定义 agent 在原型阶段可行，生产级多 agent 系统需要版本管理和弹性伸缩。Harness 把 agent 团队当成代码产物，天生可复用、可测试、可版本控制。这不是锦上添花，而是 scaling 的必选项。

2. 触发条件和适用场景

什么时候你应该考虑 Harness 而不是手写 agent？

  • 多 agent 协作：超过 2 个 agent 且它们有依赖关系（比如 A 的输出是 B 的输入）。
  • 业务域频繁变化：产品策略每周调整，你需要快速更新 agent 行为。
  • 非技术用户维护：让运营人员通过自然语言描述需求，自动生成 agent 技能。
  • 技能共享：同一个 agent 团队要部署到不同项目（如同时支持网页和 App 客服）。

Harness 的触发条件很宽：只要你的目标是“为某个领域创建一组专业 agent”，就可以把它作为一个 step 嵌入自动化流程。例如，CI/CD 中当业务规则配置文件更新时，自动触发 Harness 生成新的 agent 技能。

3. 完整 Skill 结构（SKILL.md 示例）

Harness 本身可以封装成一个 Skill，遵循我们之前讲过的标准结构。下面是我根据项目思路设计的 SKILL.md，可直接用于 AI 工作流（比如 Claude 或 GPT Actions）。

markdown
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 
# SKILL: Agent-Team-Designer

## 目的
根据用户描述的业务领域，自动生成一组 agent 角色定义和对应技能 prompt。

## 输入
- domain: 业务领域名称（如 "电商客服"）
- agent_count: 期望 agent 数量（可选）
- context: 业务规则或约束（可选）

## 输出
- agents.json: agent 列表，每个包含 role, goal, backstory
- skills/: 每个 agent 对应的技能文件索引

## 规则
1. 每个 agent 必须有明确的职责边界，避免重叠
2. 生成的技能 prompt 使用统一的模板（见 ./templates/）
3. 遵循 DRY 原则，共享知识库通过 reference 链接

## 示例调用

{
"domain": "电商客服",
"agent_count": 3,
"context": "支持退款、换货、物流查询，退款金额上限 500 元自动处理，超过转人工"
}

text
1 2 3 4 

## 依赖
- knowledge_base: 领域标准流程
- template_engine: 用于渲染技能 prompt

这个结构让 AI 在接收到任务时，能马上理解自己是一个元技能生产者。实际项目中，你可以把 SKILL.md 存储在 skills/agent-team-designer/SKILL.md，然后让 AI 读取该文件并执行。

4. 实际案例演示：电商客服团队生成

差 Prompt vs 好 Prompt

差 Prompt（典型新手写法）

text
1 
帮我设计一个客服 AI 团队，需要分类、解答、升级三个 agent。给出他们的 system prompt。

结果：AI 可能会给出三段文字，但缺少输入输出格式、错误处理、协作协议。生成的 prompt 不可直接用，需大量修改。

好 Prompt（基于 Harness 思路）

text
1 2 3 4 5 6 7 8 9 10 11 12 
你是一个 Agent-Team-Designer 元技能。
用户输入：
{
  "domain": "电商客服",
  "agent_count": 3,
  "context": "退款上限 500 元自动通过，超过自动升级人工；换货需校验库存；物流查 7 天内记录"
}

请按以下步骤输出：
1. 为每个 agent 定义 role, goal, backstory（符合 domain）
2. 为每个 agent 生成对应的技能 prompt，**必须使用统一的 JSON 结构**（包含 input_schema, output_schema, fallback 行为）
3. 生成一个 orchestration 配置，描述 agent 之间的调用顺序和数据传递 keys

对比效果：差 prompt 得到长篇作文，好 prompt 得到可机读的结构化产出，可直接落入文件系统或数据库。

背后的原理

好 prompt 之所以有效，是因为它明确定义了输出格式和过程约束：

  • 统一 JSON 结构保证所有技能可被同一解析器处理
  • input/output schema 让 agent 间数据流转清晰，减少幻觉
  • orchestration 配置显式表达依赖图，避免死循环

Harness 的核心思想是把“设计 agent”变成结构化数据生成问题，而不是自然语言作文。这符合 prompt engineering 的克劳德定律：给 AI 越明确的输出格式，结果越稳定。

5. 复用和组合技巧

单次使用 Harness 只获得一组 agent 定义。真正价值在于二次、三次复用。

技巧 1：模板固化

生成的 agents.json 和 skills 目录可以作为项目模板存储在 GitHub 仓库。下次同领域直接用，不必重新生成。你可以编写脚本：每当 Harness 输出变化，自动创建 PR 更新模板。

技巧 2：组合其他元技能

Harness 可以和“测试用例生成元技能”组合：先由 Harness 设计 agent 团队，再由测试元技能为每个 agent 生成测试案例，最后通过自动化测试 runner 验证 agent 行为。这相当于多层级元技能流水线。

技巧 3：动态更新

在业务规则变更时，只需更新 context 字段重新调用 Harness，然后 diff 新旧 agents.json，得到变更摘要。CI 系统可据此自动重载对应 agent 的 system prompt，无需重启服务。

下面是一个可直接使用的 Prompt 模板，你可以在任何支持 system prompt 的 AI 工具中跑起来：

text
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 
你是一个 Agent-Team-Designer 元技能。
当你收到包含 domain, agent_count, context 的 JSON 后，按以下 schema 输出：

{
  "agents": [{
    "name": "string",
    "role": "string",
    "goal": "string",
    "backstory": "string",
    "skills": [{
      "name": "string",
      "prompt": "string（包含明确的输入/输出格式约束）",
      "error_handling": "string"
    }]
  }],
  "orchestration": {
    "flow": ["agent1 -> agent2", "agent2 -> agent3"],
    "shared_data": ["order_id", "user_message"]
  }
}

请严格使用 JSON 输出，不要额外解释。

6. 变体与扩展

变体 A：单层元技能（简化版）

如果不需要多 agent 协作，只需为一个角色生成多个技能。修改 prompt：不再生成 orchestration，只输出单一 agent 的技能列表。适用于如“为数据分析师生成 SQL 查询和可视化技能”。

变体 B：带约束验证的元技能

在 Harness 内部加入校验步骤：检查生成的 agent 角色是否覆盖 domain 所有核心场景。例如生成客服团队后，校验是否有退款、换货、物流三个功能点。如果缺失，要求重新生成。这个逻辑可以通过写入 SKILL.md 中的 validation_rules 字段实现。

变体 C：逆向工程现有 agent 团队

输入一组已有的 agent prompt，让 Harness 输出领域描述和缺失的 agent 推荐。适合团队反思现有设计。

Harness 项目的出现不是偶然——它反映了 AI 工程化的一个趋势：从“写 prompt”到“设计 prompt 的生成器”。你不需要再纠结每个 agent 的措辞，而应该聚焦在业务规则和 agent 关系上。把元技能当作你的杠杆，一次定义，到处生成。

去尝试构建你自己的 Agent-Team-Designer 元技能吧，它比你想象中简单，而且效果立竿见影。