构建了一个带成本控制与原生 MCP 支持的 Agentic Harness
摘要
Agentic Harness 是一个新的开源 Python 基础设施，可将 YAML 文件转换为可执行的智能体工作流，特点包括 Markdown 审计日志、预置专家、成本护栏、原生 MCP 支持和本地模型集成。
我创建这个仓库是因为我想对智能体的行为、成本和决策保持掌控。我尝试过的大多数工具都不允许我查看提示词、审计成本，或弄清楚智能体为什么做了某件事。Agentic Harness 就是我为解决这个问题所做的尝试。它本质上是一个 Python 基础设施，可将 YAML 文件转换为带有专家的可执行工作流。它的不同之处在于： · Markdown 审计日志：每个决策和成本都会被记录 · 12 个预置专家：自带开箱即用的智能体（研究员、程序员等） · 成本护栏与断路器，以防智能体失控 · 原生 MCP 支持（Claude Code 等） · 可与本地 Ollama 以及其他提供商配合使用 · 内置审查循环以减少错误 刚刚发布了 v0.1.0a3。仓库：https://github.com/frangelbarrera/agentic-harness
相似文章
远程代理管理器
用于远程管理和控制AI代理的工具
你的智能体能力取决于其框架。我开源了一个框架，单个函数调用背后集成了40项能力
一个开源智能体框架，单个函数调用背后集成了40项能力，包括持久内存、Docker沙箱、自动摘要、死循环检测、预算上限和实时运行分支（用于分支智能体执行）。基于Pydantic AI构建，旨在替换每个生产级智能体所需的2000行胶水代码。
你的框架辜负了你的智能体，但却没有基准来证明这一点
本文强调了缺乏用于评估智能体框架可靠性的基准测试，重点探讨了与模型本身相比，MCP 实现如何更好地处理工具调用和错误。
我为小模型构建了一个智能体框架，让Qwen 3.5 4b管理服务器。
为小模型构建了一个智能体框架，让Qwen 3.5 4b能够管理服务器。
Building an Advanced Agentic Harness
A technical blog post that walks through building a production-grade agentic harness around a basic LLM loop, covering typed tools, plan DAGs, tiered memory, verification hierarchies, budgets, and tracing.