新闻详情

新闻详情

首页 / 资讯中心 / 详情

语言模型也能当Harness?AX的框架无关设计哲学解读

发布时间:2026/11/4 23:07:51来源:尧图网络
语言模型也能当Harness?AX的框架无关设计哲学解读
语言模型也能当HarnessAX的框架无关设计哲学解读【免费下载链接】axGoogles open agentic orchestration runtime项目地址: https://gitcode.com/GitHub_Trending/ax11/axAXAgent Executor是 Google 开源的 agentic 编排运行时一个分布式的 harness 运行层负责动态拉起隔离环境、驱动各类执行体并原生支持失败恢复与会话续跑。它最有趣的设计在于——Harness 不一定是完整的 Agent语言模型本身也可以直接充当 Harness。本文将拆解这种框架无关设计背后的三层抽象帮你看懂 AX 为什么对 Agent 框架零假设。什么是 Harness一个足够小的执行边界在 AX 的世界里Harness 是控制器与执行体之间的统一抽象负责启动一次执行、排队输入、以事件流形式吐出生成内容。定义它的全部契约只有两个接口见 internal/harness/harness.goHarness.Start为某个会话创建一个执行Execution配置以不透明字节透传控制器不解析、不关心Execution.Run / Queue / Close运行当前回合、排队新输入、释放资源。这个设计哲学很做减法AX 只关心一轮执行有没有开始、事件流有没有结束至于里面跑的是 LangChain 风格的工作流、工具调用 Agent还是裸的语言模型一概不管。单写者约定每个会话同一时刻至多一个 Execution也在此写死保证状态一致。语言模型也能当 Harness是的而且已经内置README 里有一句话点破了这个理念Traditional agents (e.g. tool use or workflow agents), orlanguage modelscan be implemented as harnesses. —— 传统 Agent乃至语言模型本身都可以被实现为 Harness。AX 内置的Antigravity Interactionsharness 就是活例子它不运行任何本地 Agent 进程而是把 Vertex GenAI Interactions API 上的一个模型端点当作大脑客户端侧只负责驱动回合循环、执行模型让出的工具调用见 antigravityinteractions.go。在控制器看来这和运行一个重量级 Agent 进程没有任何区别——同一个接口、同一套事件流。两种实现同一个接口维度AntigravityPython 侧车Antigravity Interactions形态fork 一个 Python gRPC 服务纯 API 调用HTTPS SSE语言Python Go 胶水层纯 Go源码harness_server.py、antigravity.goantigravityinteractions.go两者都通过编译期断言var _ harness.Harness ...声明自己符合契约注册进同一个注册表 internal/controller/registry.go按 id 取用、可设默认。对上层完全透明。跨语言、跨进程gRPC 流式协议是第二层抽象本地进程间用 Go 接口不够分布式部署时 AX 把同样的契约序列化成了 gRPC 服务。proto/ax.proto 中只有一个方法Connect(stream HarnessRequest) returns (stream HarnessResponse)—— 双向流客户端发 Start可中途发 Cancel服务端流式回若干 Outputs 帧恰好以一个 End 帧收尾。客户端侧的 stream.go 负责把流排干并翻译成 OnMessage / OnComplete 回调。这意味着Harness 可以跑在另一台机器、另一个容器、甚至另一个语言里AX 只依赖协议不依赖进程边界——这正是它能被 Agent Substrate 以可挂起/可恢复的 actor方式调度的前提。What AX is NOT框架无关的边界感AX 在 README.md 中明确划出两条边界值得每个选型者注意不是托管服务—— 自托管、面向 Kubernetes 部署参考 manifests/ 下的部署清单不是 agentic 框架—— 对构建 Agent 所用框架完全无感知。换句话说AX 是基础设施层不是应用框架。它把状态管理、隔离、恢复、审计这些脏活收走让你专注写 Agent 逻辑本身。默认配置只有一份极简的 ax.yaml服务端地址 SQLite 事件日志 默认 harness五分钟就能跑起来。最快上手跑通第一次对话ax --input Can you list this directory? # 或续跑某个会话 ax --conversation id --input 继续 # 执行中断后可恢复 ax --conversation id --resumeCLI 会自动启动内置的 Antigravity harness无需单独搭 harness 服务认证只需配置 Gemini API key 或 Vertex AI 凭据详见 README.md。小结为什么值得学这套设计极小契约两个接口 一条 gRPC 双向流就能覆盖进程内 Agent、Python 侧车、裸语言模型端点三种执行体框架无关AX 只调度执行不规定执行是什么天然兼容任何 Agent 框架或未来新形态面向可靠性的默认值单写者、事件日志、会话恢复都是运行时内建能力而非各框架各自造轮子。如果团队正在为长时运行 Agent 的调度与恢复发愁建议直接读 internal/harness/harness.go 和 proto/ax.proto 这两个不到 300 行的文件——它们就是 AX 设计哲学的全部浓缩。【免费下载链接】axGoogles open agentic orchestration runtime项目地址: https://gitcode.com/GitHub_Trending/ax11/ax创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉