Google 与斯坦福免费课程聚焦 Agent Harness:稳定性取决于外壳而非模型
Google 和斯坦福同时把教学重点放在 Harness 上,斯坦福的作业直接让你手写容错逻辑和预算上限。做 Agent 工作流的人应该去跑一遍这份开源测试,48 分容错题比调模型更能拉开差距。
Google Cloud 推出免费课程 AI harness crash course,斯坦福同步开源课程作业 cs329z/assignment1-harness,两者共同指向一个结论:决定 AI Agent 稳定性的关键在外层的 Harness,而非模型本身。课程中的对比案例显示,两个 AI 完成订餐厅任务的结果相同,但 A 先查日历再下单,B 靠猜时间蒙对,只看结果无法区分两者的可靠性差异。
斯坦福的实战作业要求学生禁用现成框架、从零手写 Harness,88 分的自动测试中有 48 分专门针对容错能力,通过喂入空回复、乱格式和报错来检验系统表现,并设有预算上限,任务跑飞会被强制停止。这与 DeepSeek 外壳源码的分析结论一致:其核心是一个死循环,其余代码全部用于容错和防止任务跑偏。
对开发者而言,这套思路意味着靠提示词反复叮嘱 AI 不如直接在代码层面写死预算上限和检查脚本。对于构建 Agent 工作流的团队,Harness 工程正成为与模型选型同等重要的能力项。
以前大家觉得 AI 干活不靠谱,总怪大模型还不够聪明
但 Google 和斯坦福刚放出的免费课和作业都在讲同一件事: 真正决定 AI 稳不稳的,是外面那层管刹车和兜底的外壳,圈里叫 Harness
这两天正好有人啃 DeepSeek 外壳源码崩了 说它不像大模型有数学公式,拆开就是一个死循环 剩下的全是堆容错、防跑飞,又散又土
你以为这东西听着很低级,对不对?
但现在真正拉差距的,偏偏就是这层外壳!!
Google 免费课里有个例子特扎心:两个 AI 帮人订餐厅,都订到了 A 先查日历再查餐厅下单,B 压根没看日历,猜了个时间刚好蒙对
只看结果俩都满分,但明天再让它订一次,谁会翻车?
斯坦福开源的实战作业更狠,直接禁用框架,让你从零手写外壳 88 分自动测试里,48 分不调模型,专喂空回复、乱格式和报错测容错 还带预算上限,跑飞直接强停
我自己装过几十个 Skill 跑工作流,体感完全一样: 靠嘴叮嘱 AI 十遍,不如外面写死预算和检查脚本管用
模型只是发动机,外面这套底盘和刹车才决定能不能上路
想亲手摸透的,Google Cloud 免费课搜 AI harness crash course 就能看 斯坦福这份开源作业在下面: https://github.com/cs329z/assignment1-harness
This report is categorized under AITOP's "How-to" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include Harness, Agent, Stanford, DeepSeek.
Source attribution: curated from Lxfater (@lxfater).