Harness 是一个能自动为垂直领域设计专家团队的元框架，开发者只需定义专业角色，系统便会自动生成配套技能、工具和协作策略，目前已获得 4.5k 星标。该项目试图解决智能体团队构建中的重复劳动问题——让框架去设计框架本身。
- 元技能设计模式：开发者定义”分析师””审核员””执行者”等角色后，Harness 自动推理出各角色应具备的子技能、调用工具和输出规范，无需逐一手写技能描述。
- 自适应协作：智能体团队在运行过程中可根据任务反馈动态调整分工，例如当某角色频繁超时，系统自动拆分子角色分担负载。
- 内置监控面板：提供 Web 仪表盘实时展示各智能体的 Token 消耗、响应延迟和任务完成率，方便开发者识别瓶颈。
- 插件化工具注册：通过简单装饰器即可将任意 Python 函数注册为智能体可用工具，复用现有代码资产。
同类元框架对比
AutoGen（微软）和 MetaGPT 是目前智能体团队生成领域的两大标杆。AutoGen 侧重对话式多代理编排，开发者需要手动设计每个代理的角色提示词和工具集；MetaGPT 则将软件工程角色（产品经理、架构师、工程师等）硬编码为预设模板，灵活性受限于其角色清单。Harness 的元技能设计模式跳出了”手动配置 vs 硬编码”的两难——开发者只需给出一个角色名称和一句话职责描述，系统就能通过 LLM 驱动的方式自动生成完整的技能树。据 Harness 项目 Wiki 中展示的案例，在金融风控场景中，Harness 自动生成的”风控分析师”角色包含 8 项子技能和 12 个工具调用节点，与人类专家手工设计的结果重合度达到 89%。
工程化程度评估
Harness 基于 Python 3.10+ 开发，主仓库提供了详尽的 Quick Start 教程和 6 个行业示例（金融、医疗、法律、教育、电商、客服）。项目的 CI 流水线在每次提交时自动运行超过 200 个单元测试和集成测试，并发布 PyPI 包供 pip 直接安装。但需要注意，Harness 的元技能生成依赖大语言模型接口（默认使用 GPT-4o 或 Claude Sonnet），离线场景下不可用。项目目前未提供模型无关的本地推理方案，这在一定程度上限制了在数据敏感行业的落地。项目组已将在 LM Studio 等本地推理引擎上的兼容性列入 Roadmap。
参考：GitHub 仓库 (revfactory/harness)；Harness 项目 Wiki《Meta-Skill: Self-Organizing Agent Expertise》
