核心指数 知识覆盖 5/5 · 全局视角 5/5
核心知识主线是：模型本身不是产品，Harness 把模型能力转成可运行、可控、可评估的 Agent 产品。除模型训练以外，架构、工具、上下文、状态、评估、运行环境都属于 Harness 范畴。
每个当天会被提问或用于练习的术语，先给通俗释义，再给专业释义，避免题目超出当天知识点。
通俗释义：把大模型变成可控助手的“运行外壳”：负责给目标、喂上下文、调工具、记状态、验结果和控成本。
专业释义：围绕 LLM 的运行时工程层，组合 context builder、tool runtime、state machine、policy/guardrail、eval/trace 与成本延迟控制，使模型能力可产品化。
当天检查：能指出一个 Agent 功能中哪些属于模型层，哪些属于 Harness 层。
参考脉络：OpenAI Agents guide / Anthropic effective agents / 12-factor agents
通俗释义：让 Agent 和外部工具/服务约定怎么说话的规则。
专业释义：定义 agent runtime 与 tools/resources/worker 之间的消息、schema、权限、状态和错误语义的接口协议。
当天检查：能写出一次工具调用的输入、输出、错误码和验证证据。
参考脉络：Google ADK / MCP / OpenAI tools
通俗释义：上下文窗口不是垃圾桶：输入和输出都要预留 token。
专业释义：对 input/output token、reserved completion tokens、retrieval chunks 与工具 schema 进行预算分配，以控制成本、延迟和截断风险。
当天检查：能估算一次学习推送的输入、输出、缓存和预留 token。
参考脉络：OpenAI / Anthropic API usage guidance
通俗释义：用户等多久，包括检索、排队、首字和完整生成时间。
专业释义：端到端延迟由 retrieval、routing、prefill、time-to-first-token、decoding、tool I/O 与 retry 共同决定。
当天检查：能把一次慢响应拆成至少 3 个可优化段。
参考脉络：LLM serving metrics / OpenAI production guidance
通俗释义：用固定题集和指标反复测，不靠感觉判断变好。
专业释义：eval 定义任务集、期望行为、评分器和回归门禁；benchmark 提供可比较的离线/线上质量、成本、延迟基线。
当天检查：能为学习助手写覆盖正常、边界、故障、越权的 eval cases。
参考脉络：OpenAI Evals / Google agent evaluation guidance
通俗释义：看任务成功率，也看花多少钱、多久、是否可恢复。
专业释义：production agent metrics 包括 solve rate、completion quality、latency、cost、recoverability、user trust 和 human escalation rate。
当天检查：能设计一个含成功率/质量/延迟/成本的看板。
参考脉络：OpenAI production agent metrics
通俗释义：把“主题不是只写 prompt，而是做工程系统”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：主题不是只写 prompt，而是做工程系统 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 主题不是只写 prompt，而是做工程系统，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
通俗释义：把“能力掌握要落到可运行项目和指标”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：能力掌握要落到可运行项目和指标 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 能力掌握要落到可运行项目和指标，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
核心知识主线是：模型本身不是产品，Harness 把模型能力转成可运行、可控、可评估的 Agent 产品。除模型训练以外，架构、工具、上下文、状态、评估、运行环境都属于 Harness 范畴。
它在 Agent Harness 中连接“目标/约束、上下文、工具、状态、验证、运营指标”这些层。学习时要问：这一层负责限制什么风险？它把哪类不确定性变成了可观察、可恢复、可评估的工程对象？
主题关键词 → 能力簇 → 项目模块 → 学习节点 → 知识表达
今天围绕“Agent Harness 能力图谱：Model + Harness = Agent”建立一个可复用的工程判断：先能定义它解决什么问题，再能指出它在 Agent Harness 中位于哪一层，最后能用一个真实系统环节验证它是否有效。核心知识主线是：模型本身不是产品，Harness 把模型能力转成可运行、可控、可评估的 Agent 产品。除模型训练以外，架构、工具、上下文、状态、评估、运行环境都属于 Harness 范畴。 学习时不要只记名词，要把它和状态、工具、上下文、评估、成本或安全边界中的至少一项连接起来。
我会把 Harness 定义为把模型能力转化为稳定 Agent 产品的工程层，负责上下文、工具、状态、评估、运行环境和成本延迟。
主题关键词 → 能力簇 → 项目模块 → 学习节点 → 知识表达
把核心主题合并成一张能力矩阵：职责、必备技术、加分项、可实践项目。
完成标准：能用 3 分钟解释 Harness 层负责什么，以及它和模型层、产品层的边界。
目标、状态、计划、工具、观察、评估、记忆构成最小 agentic 闭环。