1.1 一个公式：Model + Harness = Agent#

这是目标团队（DeepSeek Harness 团队）写在招聘里的团队使命。理解这个公式，就理解了整份 JD：

• Model（模型）：经过预训练/后训练的 LLM，提供”智能”本身——推理、知识、代码生成。
• Agent（智能体）：能自主完成任务的系统，会拆解目标、调用工具、迭代执行、自我纠错。
• Harness（中间那一层）：把模型”装”起来，让它变成 Agent 的全部工程脚手架——Agent Loop、工具调用、上下文管理、记忆、多智能体编排、评测、沙箱、可观测性。

打个比方：模型是”发动机”，Harness 是”整车底盘 + 变速箱 + 方向盘 + 仪表盘”。没有 Harness，模型只能回答问题；有了 Harness，模型才能做事。这正是为什么这个岗位叫 “Harness” 而不是 “Agent 应用开发”——它关注的是让 Agent 可靠跑起来的底层系统，而不是用框架搭一个聊天机器人。

1.2 岗位职责拆解#

JD 里明确列出了研究/工程/产品三个方向，核心职责可以归纳为四条：

1. 定义并实现 Harness 前沿能力：上下文管理、长期记忆、Subagent 与 Multi-Agent、自进化 Agent、超长程任务。
2. 模型与 Harness 的深度适配：与模型训练团队协作，让 Harness 和模型”共同进化”（而不是 Harness 单向适配模型）。
3. 构建评测体系：提出基准测试与评测方法、构建评测数据、制定标注策略，从 Harness 角度持续优化 Agent 智能水平。
4. 以真实任务为反馈源：把用户反馈、真实世界任务变成数据与实验，持续迭代 Agent 在真实场景的表现。

1.3 核心价值：Harness 是 Agent 的”护城河”#

为什么专门设一个 Harness 团队，而不是让普通后端工程师顺便做？因为模型能力在快速平价化，而 Harness 工程是差异化竞争点：

• 同样的模型，Harness 的好坏直接决定 Agent 能不能处理超长程、多步骤、需记忆、需协作的真实任务。
• 评测（eval）决定了团队能不能量化”Agent 是否真的变强了”，这是模型与 Harness 共同进化的前提。
• 上下文管理与记忆机制，直接决定 Agent 在真实工作流里的”续航能力”和”智商天花板”。

一句话总结：Harness 工程师是”模型之上的系统工程师”，既要有算法品味（理解模型行为），又要有工程硬功（状态管理、并发、沙箱、可观测性）。

2.1 三个 Engineering 课题（JD 反复强调）#

JD 里把三个概念并列提出，这是 Harness 岗的理论主线，值得单独拎出来：

• Prompt Engineering（提示词工程）：让单次调用输出高质量结果。入门门槛低，但天花板在于”结构化输出、少样本、指令设计”。
• Context Engineering（上下文工程）：把”给模型什么上下文”当成一个系统问题来设计——哪些历史要保留、哪些工具结果要压缩、如何分层记忆、如何做上下文卸载（offload）。这是 Harness 岗与普通 Agent 教程的核心分野。
• Harness Engineering（Harness 工程）：把上面所有东西做成可靠、可评测、可观测、可复现的系统——状态图、checkpoint、并发、沙箱、评测闭环。

一句话记忆：Prompt 管”一次调用”，Context 管”一个会话”，Harness 管”整个系统”。

2.2 一个隐藏技能：成为 Agent 产品”重度用户”#

JD 每个方向都要求”深度使用过代码类及通用类 Agent 产品”（Claude Code、Cursor、Codex、Manus、OpenClaw、Hermes 等），并且”把使用融入工作生活”。这不是客套话——对模型行为有品味、有判断力，只能靠大量真实使用积累。这也是后面训练路线里”阶段 0”要做的第一件事。

4.1 评测 Harness：理解 “harness” 一词的出处#

EleutherAI/lm-evaluation-harness（11k+ star）

• 架构：把评测拆成”模型接口”与”任务定义”两半。任何模型只需实现 lm_eval.api.model.LM 的三个原语——loglikelihood（多选题对数概率）、loglikelihood_rolling（困惑度）、generate_until（自由生成）——即可接入 60+ 标准基准。任务从 v0.4.0 起从 Python 子类迁移到 YAML 配置，降低加新 benchmark 门槛。
• 可借鉴的 Harness 实践：① 统一抽象（模型后端与任务解耦）；② YAML 声明式任务定义；③ 结果缓存保证可复现；④ 任务版本号（task version）确保跨时间对比公平。它是 Hugging Face Open LLM Leaderboard 的评测后端，是”评测 harness”的事实标准。

SWE-bench / SWE-agent（Princeton）

• 架构：SWE-bench 收集 2294 个真实 GitHub issue + 对应 PR，用 FAIL_TO_PASS / PASS_TO_PASS 测试作为评测信号——模型要改代码让原本失败的测试通过。SWE-agent 是第一个基于 Agent 的系统，用 ReAct 循环 + Agent-Computer Interface（ACI） 设计（精简的文件/编辑/搜索工具）刷出 12.47% 的 baseline。
• 可借鉴的 Harness 实践：① 执行即评测（execution-graded，跑测试而不是看文本相似度）；② 工具接口设计（ACI）对 Agent 性能影响巨大；③ 轨迹打分（trajectory scoring）能区分”差一步就对”和”完全跑偏”两种失败——这是比”最终对错”更细粒度的评测信号。

All-Hands-AI/OpenHands（原 OpenDevin）

• 架构：代码 Agent 平台，基于 事件流（event stream）架构，Agent 的每个 action/observation 都是事件，可回放、可注入、可评测。内置 CodeActAgent（统一 action space：把”动作”统一为”执行一段代码”）。
• 可借鉴的 Harness 实践：事件流让 Agent 执行完全可审计、可回放、可作为训练数据——这正是”以真实任务为反馈源、持续迭代”的落地形态。

其他值得扫一眼的评测项目：UKGovernmentBEIS/inspect_ai（自定义 agent eval 的框架，标准化推荐）、ServiceNow/BrowserGym + AgentLab（Web 环境评测）、sierra-research/tau-bench（工具+用户仿真，pass^k 可靠性指标）、GAIA/WebArena/AgentBench/OSWorld（多环境基准）。

4.2 Agent 框架：读架构、学取舍#

调研结论（2026 年年中，star 数与版本随时变动，以下为方向性结论）：

关键取舍（面试常考）：

• LangGraph 是生产默认：durable execution（crash 后从 checkpoint 恢复）、human-in-the-loop、时间旅行调试。代价是学习曲线陡、对简单 agent 显得重。
• AutoGen 的 GroupChat 成本失控：同一任务可能多出 5~6 倍 token 调用，因为每轮都拉全量 transcript 进上下文——这是”编排方式决定成本”的典型例证。
• smolagents 的”code-first”是趋势：让 LLM 直接写代码而非走严格的 function-calling 格式，动作空间更灵活、可审计性更好，值得精读其 ~1000 行核心源码。
• OpenAI Agents SDK 的 handoff 是”委派即原语”：triage agent 判断意图后交接给专家 agent，状态通过对话历史流动，心智模型干净但状态默认短暂。

读源码建议：不要五个都读。精读 smolagents（最小可读）→ 精读 LangGraph（生产代表），其余读文档 + 跑 demo 即可。

4.3 手搓/教学项目：练 “harness 工程感”#

• datawhalechina/hello-agents：从零手搓一个 Agent 框架，无第三方依赖。强烈推荐——只有自己搭过状态图、持久化、工作流编排，出问题才知道断在哪。
• microsoft/ai-agents-for-beginners：12 课时的系统入门，含完整中文，覆盖 Agent 概念、工具、记忆、多智能体。
• MCP（modelcontextprotocol）：不是”项目”而是”协议”，但 modelcontextprotocol/servers 是理解 Skills/MCP 工具生态的必读。JD 明确把 MCP、Skills 列为知识点。

阶段 0：成为 Agent 重度用户 + 补 LLM 基础（1~2 周）#

• 目标：建立”对模型行为的品味”，这是 JD 反复要求、面试最难伪装的能力。
• 动手：把 Claude Code / Cursor 接入你的日常——用它们写代码、读代码库、重构。记录：什么时候它”神”，什么时候它”蠢”（死循环、改错文件、忘记目标）。
• 实验：同一个任务，分别用 Cursor、Claude Code、Manus 跑，对比工具调用轨迹、失败模式、token 消耗。
• 验收：能写出 200 字的”Agent 行为观察笔记”，能解释 KV Cache 为什么是长任务瓶颈。

阶段 1：手搓最小 Agent Loop（2~3 周）#

• 目标：不依赖任何框架，理解 Agent Loop / Tool Use / ReAct 的底层。
• 动手项目：用 Python 写一个 ReAct Agent——LLM 输出 Thought → Action → Observation 循环，调用 2~3 个真实工具（搜索、计算器、文件读写）。
• 可复现实验：① 对比”带 ReAct 循环” vs “单次生成”解决多步任务的正确率；② 加入 max_iteration / 循环检测，观察死循环如何被切断。
• 验收：核心循环 < 200 行可读代码；能画出 ReAct 的状态机图。

1
# 最小 ReAct 循环（伪代码，用于理解，非生产实现）
2
def react_loop(task: str, tools: dict, llm, max_iter: int = 10):
3
    messages = [{"role": "system", "content": SYS_PROMPT}]  # 包含工具 schema
4
    messages.append({"role": "user", "content": task})
5
    for _ in range(max_iter):
6
        out = llm(messages)                    # Thought + Action(JSON)
7
        thought, action = parse(out)           # 解析出动作与参数
8
        if action.name == "finish":
9
            return action.args["answer"]       # 终止
10
        obs = tools[action.name](**action.args)  # 执行工具，得到 Observation
11
        messages.append({"role": "assistant", "content": out})
12
        messages.append({"role": "user", "content": f"Observation: {obs}"})
13
    raise TimeoutError("agent loop 超过最大迭代")

阶段 2：框架实战 + 上下文工程（3~4 周）#

• 目标：用 LangGraph 落地，重点攻克记忆与上下文管理。
• 动手项目：把阶段 1 的 Agent 用 LangGraph 重写，加入 ① checkpointer（持久化，crash 后恢复）；② 短期记忆（滑动窗口）+ 长期记忆（向量库/摘要）；③ human-in-the-loop 审批节点。
• 可复现实验：对比”无记忆 vs 滑动窗口 vs 摘要压缩”在长对话任务中的 token 消耗与正确率，量化上下文管理收益。
• 验收：能解释 StateGraph 的状态流；能实现 checkpoint 恢复与时间旅行调试。

阶段 3：多智能体编排 + MCP 工具生态（3~4 周）#

• 目标：掌握 Subagent / Multi-Agent 与工具协议。
• 动手项目：实现一个 supervisor 模式的多智能体（研究员 + 写手 + 评审），并写一个自定义 MCP Server 让 Agent 调用。
• 可复现实验：对比”单 Agent” vs “supervisor 多 Agent” vs “GroupChat 多 Agent”在同一任务上的成功率与成本，验证”编排方式决定成本”。
• 验收：能手写 handoff / 图编排 / supervisor 三种模式并说清取舍。

阶段 4：评测体系（4~6 周，Harness 岗核心）#

• 目标：搭一套可复现的 eval harness，这是与普通 Agent 开发者拉开差距的关键。
• 动手项目：① 用 lm-evaluation-harness 的 YAML 自定义一个任务；② 用 SWE-bench Lite 跑一个基线 Agent（可参考 smolagents 或 SWE-agent 的最小实现）；③ 自建 2050 题的个人 benchmark，对阶段 13 的 Agent 做 error analysis。
• 可复现实验：对同一 Agent 分别做 outcome 打分 vs trajectory 打分，验证”最终对错”如何掩盖”差一步就对”。
• 验收：能写出一份 eval 报告，含失败模式分类 + 下一步改进优先级（这正是吴恩达《Agentic AI》模块 4 讲的”误差分析”）。

阶段 5：真实项目 + 开源贡献（长期）#

• 目标：把能力沉淀为可展示的开源作品（JD 加分项）。
• 动手项目：做一个端到端的 Agent 产品（如代码维护 Agent、研究 Agent、数据分析 Agent），开源并写好 README、eval 结果、trace 回放。
• 复现实验：提交 PR 给 smolagents / LangGraph / lm-eval / SWE-bench 等社区（哪怕修文档、加 test）。
• 验收：有 1~2 个能放进简历的开源项目 + 若干社区 PR。

6.1 能力映射表#

6.2 面试准备清单#

1. 三个必答理论题：① 什么是 Harness，Model + Harness = Agent 怎么理解；② Prompt / Context / Harness Engineering 三者的边界；③ 评测的 outcome vs trajectory 打分差异。
2. 一个必带的项目：一个带评测、带 trace、开源的 Agent 项目（阶段 5 的产出），重点讲”我怎么评测它、怎么改进它”。
3. 三个可现场手撕的小题：手写 ReAct Loop、设计一个 MCP 工具 schema、画一个 supervisor 多智能体的状态图。
4. 一页”产品观察”：你深度使用过的 2~3 个 Agent 产品，各自的优点、失败模式、你作为 Harness 工程师会怎么改。

6.3 简历项目建议（按含金量排序）#

1. 一个自建 eval harness + benchmark + error analysis 报告（最稀缺、最对味）。
2. 一个多智能体 + 记忆 + 持久化的端到端产品（LangGraph 实现）。
3. 一个最小可读的 ReAct/CodeAct Agent 框架（手搓，展示工程功底）。
4. 开源社区 PR（哪怕小，证明能跟社区协作）。

参考资料#

岗位

• DeepSeek Harness 团队招聘（mokahr）：https://app.mokahr.com/social-recruitment/high-flyer/140576#/job/8d40c764-d2b2-49b1-826c-e3f2adb75c01

bilibili 视频

• 吴恩达《Agentic AI》：BV1aaxyz8ELY、BV1DfrdByE2H
• 李宏毅《AI Agent 系统设计》2026：BV1o3wvzUEDD
• 微软《AI Agents for Beginners》B 站版：BV18TZYY8EuJ
• 李沐《动手学 AI Agent》：B 站搜”李沐 Agent”
• Hugging Face Agents Course：huggingface.co/learn/agents-course

GitHub 项目

• 评测 Harness：EleutherAI/lm-evaluation-harness、SWE-bench/SWE-bench、SWE-agent/SWE-agent、All-Hands-AI/OpenHands、UKGovernmentBEIS/inspect_ai
• Agent 框架：langchain-ai/langgraph、microsoft/autogen（→ Microsoft Agent Framework）、crewAIInc/crewAI、openai/openai-agents-python、huggingface/smolagents
• 教学/手搓：datawhalechina/hello-agents、microsoft/ai-agents-for-beginners
• 协议：modelcontextprotocol/servers

经典论文（按需精读）

• ReAct（arXiv:2210.03629）、Chain-of-Thought（arXiv:2201.11903）、Reflexion、Tree of Thoughts
• SWE-bench（Jimenez et al., ICLR 2024）、CodeAct（OpenHands）、GAIA、WebArena、τ-bench、AgentBench