一句话看懂：InfoQ 编译的这篇 LinkedIn 工程文章，把智能体执行框架（Harness）的演进拆成链式、图式、代码化三个阶段，核心判断是：与其堆叠提示词，不如用代码和验证机制把概率模型装进确定性软件框架里。
事件核心：发生了什么
素材显示，LinkedIn 工程师回顾了自家智能体架构的迭代路径。早期基于 LangChain 的生成式 AI 智能体采用固定三步链——路由、检索、生成；随后转向 LangGraph 承载的图式工作流，支持条件分支、重试、状态管理和多智能体编排，并落地了面向招聘人员的 Hiring Assistant；最新的代码化范式则让编码 Harness 在沙箱中生成并执行代码，LinkedIn 用这套方法做了一个自然语言数据分析内部工具，把用户问题转成 SQL 与 Python 组合执行。文章还提出一条原则：用能可靠解决问题的最简单系统，避免过度工程。
为什么重要
这反映出一个行业共识正在形成：智能体要进入生产环境，关键不在提示词写得多好，而在验证、回滚、可观测和权限合规这些软件工程能力。链式方案上线快但错误级联；图方案把控制流显式化，却带来大量手写异常处理；代码化方案用编译和测试提供确定性反馈回路，更适合金融分析、合规审查等对正确性要求高的任务。换句话说，竞争焦点正从模型能力转向 Harness 的工程成熟度。
对用户/开发者/创作者的影响
开发者需要重新评估抽象层级：客服回复、文档摘要这类线性任务，链式方案仍是最经济的选择；涉及分支、重试与状态流转的业务，图式框架更合适；准确性优先、输出可验证的场景才值得上代码化 Harness，因为它会带来更高的推理开销和延迟。对普通用户和创作者而言，这些变化短期不会直接可见，但意味着使用 AI 智能体的产品在失败处理、数据合规和可审计性上会更像正规软件，而不是黑盒。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是这类代码化 Harness 能否在真实业务中稳定运行，尤其是沙箱安全与权限隔离；二是 LinkedIn 之外，LangGraph、A2A 等生态是否跟进把验证与迭代循环做成标准组件；三是成本曲线——若推理价格继续下降，代码化范式的适用边界可能扩大，但“过度工程”仍会是常见失败原因。
来源：InfoQ CN
