Perplexity AI 是 AI Agent Harness Engineering 的一种形态吗？

Perplexity AI 是 AI Agent Harness Engineering 的一种形态吗？关键词：Perplexity AI、AI Agent、Harness Engineering、LLM Agent、搜索增强生成RAG、知识检索Agent、Agent框架技术摘要：2024年以来，Perplexity AI 凭借「基于大模型的智能搜索」迅速出圈——它能理解用户复杂的自然语言查询、实时爬取全网权威信息、梳理逻辑并生成带引用的结构化答案，甚至能帮用户完成「整理学术论文」「制定旅行攻略」这类多步骤任务。本文将从核心概念拆解入手，一步步对比Perplexity AI的功能架构、工作流程与AI Agent Harness Engineering的定义、标准、设计要素，结合ER实体关系图、Mermaid交互流程图、Python简化实现代码，直观验证「Perplexity AI是LLM时代搜索增强型知识检索Agent的标准化Harness实现」这一命题，并探讨Harness Engineering在AI Agent落地中的关键作用、Perplexity的技术迭代路径、以及该形态未来的发展趋势与挑战。背景介绍目的和范围本文的核心目的有三个：把「AI Agent Harness Engineering」这个听起来很玄乎的词讲得像「用牵绳遛狗」一样简单易懂，让非技术背景的读者也能明白Harness在AI Agent里是做什么的；用专业技术视角（包括功能模块、ER架构、工作流程、代码实现）逐一验证Perplexity AI是否满足Harness Engineering的核心标准；通过Perplexity这个爆款案例，提炼LLM时代「垂直领域搜索增强Agent」的Harness设计最佳实践，给想做类似产品的开发者/产品经理一些启发。本文的研究范围会严格控制在：不涉及Perplexity的具体商业机密（比如它的搜索索引是怎么建的、引用评分算法的具体细节），只基于公开的技术文档、产品体验、GitHub开源的类似框架（比如LangChain、AutoGPT、AgentSims）进行分析；不讨论其他类型的AI Agent（比如自主决策型Agent AutoGPT、代码生成型Agent GitHub Copilot Workspace、对话型Agent Character.AI），只聚焦Perplexity所属的「单任务触发+明确目标约束+外部工具增强+结构化输出带可追溯性」的知识检索Agent；对Harness Engineering的定义会采用学术界和工业界目前认可度最高的框架（比如Stanford CS224W、LangChain Harness文档、OpenAI Function Calling相关规范），避免自说自话。预期读者这篇博客的预期读者覆盖三个群体，每个群体都能找到自己想看的内容：非技术背景的好奇者：主要看「核心概念解释」「ER架构图」「Mermaid交互流程图」「实际应用场景」「未来发展趋势」这些部分，搞懂Perplexity为什么比谷歌好用、什么是AI Agent、Harness Engineering在里面扮演什么角色；初级AI开发者/入门学习者：主要看「核心概念原理和架构」「核心算法原理具体操作步骤」「项目实战：代码实际案例」「最佳实践tips」这些部分，学会用Python和LangChain搭建一个简化版的Perplexity；资深AI架构师/产品经理：主要看「ER实体关系对比」「边界与外延」「核心概念属性维度对比」「行业发展与未来趋势」「常见问题与解答」这些部分，思考如何优化自己产品的Harness设计、如何在搜索增强Agent的基础上做垂直领域的延伸。文档结构概述本文的结构就像「搭乐高积木」一样，从最基础的零件（核心概念）开始，然后拼出核心模块（Perplexity和Harness的功能架构），再组装成完整的模型（对比验证），最后测试模型的功能（项目实战）、分析模型的优缺点（边界与外延）、展望模型的未来（发展趋势）：背景介绍：先铺垫为什么要研究这个问题、研究的目的和范围、谁适合看这篇文章；核心概念与联系：这是全文的基础，我会用「牵绳遛狗」「做川菜外卖」「图书馆找资料」这些生活中的例子，把Perplexity AI、AI Agent、Harness Engineering、搜索增强生成RAG、知识检索Agent这些核心概念讲得清清楚楚，然后给出它们之间的ER实体关系图、Mermaid交互关系图、属性维度对比表格；问题背景与提出：详细讲一讲「传统搜索」和「普通LLM对话」的痛点，然后顺理成章地引出「为什么Perplexity能火」和「为什么我们要讨论它是不是Harness Engineering的形态」这两个问题；问题验证：Perplexity AI的功能架构与Harness Engineering的标准对比：这是全文的核心部分，我会先列出工业界和学术界公认的「AI Agent Harness Engineering的5大核心标准」，然后逐一分析Perplexity AI的功能模块、工作流程、技术实现是否满足这些标准，同时给出Perplexity的内部架构示意图、简化版的Mermaid工作流程图；数学模型与核心算法原理：用通俗易懂的语言+Latex数学公式，讲解Perplexity AI背后的核心算法——比如搜索结果排序算法、引用位置匹配算法、多步推理链生成算法；项目实战：用Python和LangChain搭建一个简化版的Perplexity：这是全文最有趣的部分，我会从「开发环境搭建」「系统功能设计」「系统架构设计」「系统核心实现源代码」「代码解读与分析」「最佳实践tips」这几个方面，一步步教大家搭建一个能理解查询、用Google搜索实时信息、生成带引用的结构化答案的简化版Perplexity；实际应用场景：讲一讲Perplexity AI目前在教育、科研、职场、生活这四个领域的具体应用，以及垂直领域的搜索增强Agent未来可能的应用方向；边界与外延：讨论Perplexity AI作为Harness Engineering形态的局限性（比如不能做完全自主的多目标决策、不能处理需要实时生成复杂代码的任务），以及Harness Engineering在AI Agent领域的其他应用形态；行业发展与未来趋势：用一张Markdown表格梳理一下「搜索技术的发展历史」「AI Agent的发展历史」「Harness Engineering的发展历史」，然后展望Perplexity这类搜索增强型Agent Harness未来的发展趋势（比如多模态搜索增强、个性化知识图谱绑定、多Agent协作）；总结：学到了什么？：用「牵绳遛狗」「做川菜外卖」「图书馆找资料」这三个例子，再次回顾全文的核心概念和它们之间的关系，强调Perplexity是LLM时代搜索增强型知识检索Agent的标准化Harness实现；思考题：动动小脑筋：给读者提出三个不同难度的思考题，鼓励大家进一步思考和应用所学知识；附录：常见问题与解答：解答读者可能会问的一些问题，比如「Perplexity和谷歌的区别是什么？」「Perplexity是用哪个大模型做的？」「Harness Engineering和Agent框架有什么区别？」；扩展阅读 参考资料：列出一些对本文有帮助的技术文档、学术论文、GitHub开源项目、博客文章。术语表为了避免读者在阅读过程中遇到不懂的术语，我先把本文用到的核心术语、相关概念、缩略词列出来，后面遇到的时候会再次提醒大家：核心术语定义Perplexity AI：一款由Perplexity Labs开发的、基于大模型的智能搜索增强型知识检索工具，能理解用户复杂的自然语言查询、实时爬取全网权威信息、梳理逻辑并生成带引用的结构化答案；AI Agent：一种能感知环境（比如通过摄像头、麦克风、搜索引擎、API获取外部信息）、做出决策（比如调用哪个工具、生成什么内容）、采取行动（比如调用API、生成文本、控制机器人）、并从行动结果中学习优化的智能体；Harness Engineering：一种用于构建、部署、监控、调试、优化AI Agent的标准化工程方法论和技术框架体系，核心目标是把AI Agent从「实验室的玩具」变成「工业界的可靠产品」；搜索增强生成RAG：一种结合了「外部知识检索」和「大模型生成」的技术，核心思路是先从外部知识库/搜索引擎中检索出与用户查询相关的信息，然后把这些信息作为「上下文」输入给大模型，让大模型基于检索到的信息生成准确、可靠、带可追溯性的答案；知识检索Agent：一种专门用于「理解用户查询→检索外部知识→整合知识→生成带引用的答案」的AI Agent，是目前AI Agent领域落地最成熟、应用最广泛的类型之一。相关概念解释LLM（Large Language Model）：大语言模型，比如GPT-4、Claude 3、Llama 3、Qwen，能理解和生成人类的自然语言；Function Calling：大模型的一种能力，能根据用户的查询和预设的工具描述，自动判断是否需要调用工具、调用哪个工具、以及调用工具时需要传入哪些参数；提示工程Prompt Engineering：一种用于优化大模型输出的技术，核心思路是通过精心设计的提示词（比如明确目标、给出示例、限制输出格式），让大模型生成更准确、更符合要求的内容；引用位置匹配算法：一种用于把大模型生成的答案中的「事实性内容」和「检索到的外部知识」对应起来的算法，核心目标是让答案的引用更准确、更有说服力；搜索结果排序算法：一种用于对检索到的外部知识（比如网页、学术论文、新闻）进行排序的算法，核心目标是把最权威、最相关、最新的知识排在前面。缩略词列表缩略词全称中文含义AIArtificial Intelligence人工智能LLMLarge Language Model大语言模型RAGRetrieval-Augmented Generation搜索增强生成APIApplication Programming Interface应用程序编程接口NLPNatural Language Processing自然语言处理EREntity-Relationship实体-关系GitHub（无全称，是一个代码托管平台）代码托管平台CS224WStanford CS224W Machine Learning with Graphs斯坦福大学图机器学习课程核心概念与联系故事引入在讲核心概念之前，我先给大家讲三个生活中的小故事，这三个故事分别对应本文的三个核心概念——Perplexity AI、AI Agent、Harness Engineering：故事一：图书馆找资料——Perplexity AI的诞生小明是一名高中生，明天就要交一篇关于「如何用AI拯救濒危动物大熊猫」的研究性学习报告，但是他之前从来没有接触过这个领域，不知道从哪里找资料。他先试了试传统的谷歌搜索：输入「如何用AI拯救大熊猫」，结果出来了1000多万条网页，有新闻、有论文、有科普文章、还有广告，他翻了前20页，只找到了5篇有用的，但还是不知道怎么把这些零散的资料整理成一篇逻辑清晰的报告；他又试了试普通的ChatGPT对话：输入「如何用AI拯救濒危动物大熊猫，请写一篇1000字的研究性学习报告」，ChatGPT很快就生成了一篇看起来很专业的报告，但里面提到的「中国大熊猫保护研究中心用GPT-4分析大熊猫粪便数据」「成都大熊猫繁育研究基地用AI监控大熊猫的行为」这些内容，他不知道是真的还是假的，也没有办法验证；最后，他的好朋友小红给他推荐了Perplexity AI：输入「如何用AI拯救濒危动物大熊猫，请整理成一篇1000字左右的带引用的高中研究性学习报告，引用的资料要是近3年的权威来源（比如中国大熊猫保护研究中心官网、Nature子刊、央视新闻）」，Perplexity只用了10秒钟，就生成了一篇逻辑清晰、内容准确、每一句话后面都带蓝色引用链接的报告，小明点击链接一看，都是真实的权威资料，他高兴坏了，很快就把报告写完了。故事二：牵绳遛狗——AI Agent的本质假设你养了一只聪明的金毛犬，它叫大黄，你想让它帮你完成「到小区楼下的便利店买一瓶矿泉水和一包纸巾」的任务——这只金毛犬就是一个简化版的AI Agent：感知环境：大黄能看到便利店的位置、能听到便利店老板的声音、能闻到矿泉水和纸巾的味道；做出决策：大黄会根据你的指令（目标约束）和感知到的环境，做出一系列决策——比如「走哪条路到便利店最快」「先买矿泉水还是先买纸巾」「如果便利店老板不在怎么办」；采取行动：大黄会根据自己的决策采取行动——比如「叼着你的钱包下楼」「走到便利店」「用爪子拍便利店的门」「叼起矿泉水和纸巾」「把钱递给便利店老板」；学习优化：如果这次任务完成得不好（比如便利店老板不在，或者钱不够），大黄下次就会调整自己的决策——比如「出门前先看看便利店有没有开门」「多带一点钱」。但是，大黄有一个问题——它有时候会不受控制：比如走到半路会去追一只蝴蝶，比如叼到矿泉水会先喝一口，比如把钱叼到便利店老板面前的时候会掉在地上。这时候，你需要给大黄套上一根牵绳——这根牵绳就是本文的第三个核心概念：Harness Engineering。故事三：开一家标准化的川菜外卖店——Harness Engineering的目标假设你想在上海开一家标准化的川菜外卖店，名字叫「川味小馆」——你不能只靠自己一个人做菜、接单、送餐，你需要建立一套标准化的工程方法论和技术框架体系，把「川味小馆」从「你一个人的小作坊」变成「有100家分店的连锁品牌」——这套标准化的体系就是Harness Engineering：明确目标约束：比如「所有菜品的口味必须和总店一致」「接单后30分钟内必须送到」「食材必须每天新鲜采购」；标准化的生产流程：比如「洗菜→切菜→炒菜→装盒→打包」，每一个步骤都有明确的操作规范和质量标准；标准化的工具：比如「统一的菜刀、炒锅、电饭煲」「统一的接单系统、送餐系统、库存管理系统」；标准化的监控和调试机制：比如「每一个分店都有一个店长负责监控生产流程和质量」「如果出现菜品口味不一致、送餐超时的问题，总部会第一时间派人去调试」；标准化的优化机制：比如「总部会定期收集用户的反馈」「根据用户的反馈优化生产流程、工具、菜品」。有了这套标准化的体系，你就能快速复制「川味小馆」的成功模式，开100家、1000家分店——这就是Harness Engineering的核心目标：把AI Agent从「实验室的玩具」变成「工业界的可靠产品」，快速复制成功模式。核心概念解释（像给小学生讲故事一样）刚才的三个小故事已经让大家对本文的核心概念有了一个初步的印象，现在我再用更通俗易懂的语言，像给小学生讲故事一样，逐一解释这些核心概念：核心概念一：Perplexity AI——一个聪明的「图书管理员助手」刚才的故事一里，小明用Perplexity AI找到了写研究性学习报告的资料——Perplexity AI就像一个聪明的、专业的、24小时在线的图书管理员助手：聪明：它能听懂你复杂的自然语言指令，比如「整理一篇1000字左右的带引用的高中研究性学习报告，引用的资料要是近3年的权威来源」；专业：它知道从哪里找最权威、最相关、最新的资料，比如中国大熊猫保护研究中心官网、Nature子刊、央视新闻；24小时在线：它不需要吃饭、不需要睡觉、不需要休息，随时都能帮你找资料；带引用的结构化答案：它不会像普通的ChatGPT那样给你一堆「不知道真假的内容」，它会把每一句话后面都带一个蓝色的引用链接，你点击链接就能看到真实的权威资料，验证内容的真假。核心概念二：AI Agent——一只「聪明的、能帮你干活的宠物狗」刚才的故事二里，你养的金毛犬大黄就是一个简化版的AI Agent——AI Agent就像一只「聪明的、能帮你干活的宠物狗」：宠物狗的「眼睛、耳朵、鼻子」是AI Agent的「感知模块」：能感知环境，比如通过搜索引擎、API、摄像头、麦克风获取外部信息；宠物狗的「大脑」是AI Agent的「决策模块」：能根据你的指令（目标约束）和感知到的环境，做出一系列决策，比如调用哪个工具、生成什么内容；宠物狗的「爪子、嘴巴」是AI Agent的「行动模块」：能根据自己的决策采取行动，比如调用API、生成文本、控制机器人；宠物狗的「记忆」是AI Agent的「记忆模块」：能记住之前的行动和结果，从行动结果中学习优化。但是，和普通的宠物狗不同，AI Agent是用代码写出来的，它不会生病、不会死亡、不会背叛你，只要你给它电和网络，它就能一直帮你干活。核心概念三：Harness Engineering——一根「能控制宠物狗的牵绳」+「一套训练宠物狗的标准化方法」刚才的故事二里，你给大黄套上的牵绳就是Harness Engineering的一部分——Harness Engineering就像「一根能控制宠物狗的牵绳」+「一套训练宠物狗的标准化方法」：牵绳：能控制宠物狗的行为，不让它去追蝴蝶、不让它先喝一口矿泉水、不让它把钱掉在地上——对应AI Agent的「目标约束模块」「安全控制模块」「质量控制模块」；标准化的训练方法：能快速训练出一只「听话的、能帮你干活的宠物狗」——对应AI Agent的「标准化构建模块」「标准化部署模块」「标准化监控模块」「标准化调试模块」「标准化优化模块」。Harness Engineering的核心目标是把AI Agent从「实验室的玩具」变成「工业界的可靠产品」——就像把「一只只会摇尾巴的宠物狗」变成「一只听话的、能帮你到便利店买东西的导盲犬/搜救犬/宠物服务犬」。核心概念四：搜索增强生成RAG——「让宠物狗先去图书馆查资料，再回答你的问题」刚才的故事一里，普通的ChatGPT之所以会给小明「不知道真假的内容」，是因为它的「记忆」（训练数据）是截止到某个时间点的（比如GPT-4的训练数据截止到2023年10月），它不知道「2024年中国大熊猫保护研究中心有没有用GPT-4分析大熊猫粪便数据」「2024年成都大熊猫繁育研究基地有没有用AI监控大熊猫的行为」——这时候，我们需要让大模型「先去图书馆查资料，再回答你的问题」——这就是搜索增强生成RAG。搜索增强生成RAG就像「让你的宠物狗先去小区楼下的图书馆查一下相关资料，再回来回答你的问题」：第一步：你问宠物狗一个问题（比如「如何用AI拯救濒危动物大熊猫」）；第二步：宠物狗去图书馆查资料（比如从中国大熊猫保护研究中心官网、Nature子刊、央视新闻查相关资料）；第三步：宠物狗把查到的资料整理成一篇「笔记」；第四步：宠物狗看着「笔记」回答你的问题（比如生成一篇1000字左右的带引用的高中研究性学习报告）。核心概念五：知识检索Agent——一只「专门帮你去图书馆查资料的宠物狗」刚才的故事一里，Perplexity AI就是一只专门帮你去图书馆查资料的宠物狗——这就是知识检索Agent。知识检索Agent是一种专门用于「理解用户查询→检索外部知识→整合知识→生成带引用的答案」的AI Agent，它是目前AI Agent领域落地最成熟、应用最广泛的类型之一——除了Perplexity AI之外，还有很多其他的知识检索Agent，比如微软的Bing Chat、百度的文心一言搜索版、字节跳动的豆包搜索版。核心概念之间的关系（用小学生能理解的比喻）刚才的五个核心概念不是孤立的，它们之间有非常紧密的联系——现在我再用「开一家标准化的川菜外卖店」「牵绳遛狗」「图书馆找资料」这三个例子，逐一解释这些核心概念之间的关系：关系一：Perplexity AI是知识检索Agent的一个「爆款产品」刚才的故事三里，「川味小馆」是一家标准化的川菜外卖店——Perplexity AI就是知识检索Agent领域的「川味小馆」，是一个「爆款产品」。知识检索Agent是一个「大类」，Perplexity AI是这个「大类」里的一个「具体产品」——就像「川菜外卖店」是一个「大类」，「川味小馆」是这个「大类」里的一个「具体产品」。关系二：知识检索Agent是AI Agent的一个「垂直细分类型」刚才的故事二里，「导盲犬/搜救犬/宠物服务犬」是「宠物狗」的一个「垂直细分类型」——知识检索Agent就是AI Agent的一个「垂直细分类型」。AI Agent是一个「大类」，知识检索Agent、自主决策型Agent AutoGPT、代码生成型Agent GitHub Copilot Workspace、对话型Agent Character.AI都是这个「大类」里的「垂直细分类型」——就像「宠物狗」是一个「大类」，「导盲犬/搜救犬/宠物服务犬」「金毛犬/拉布拉多犬/柯基犬」都是这个「大类」里的「垂直细分类型」。关系三：搜索增强生成RAG是知识检索Agent的「核心技术」刚才的故事三里，「川菜的烹饪技术」是「川味小馆」的「核心竞争力」——搜索增强生成RAG就是知识检索Agent的「核心技术」。知识检索Agent之所以能生成「准确、可靠、带可追溯性的答案」，就是因为它用了搜索增强生成RAG——如果没有RAG，知识检索Agent就会像普通的ChatGPT那样，给你一堆「不知道真假的内容」。关系四：Harness Engineering是「构建、部署、监控、调试、优化Perplexity AI这类知识检索Agent的标准化工程方法论和技术框架体系」刚才的故事三里，「开一家标准化的川菜外卖店的标准化体系」是「川味小馆」能快速复制成功模式的「关键」——Harness Engineering就是「构建、部署、监控、调试、优化Perplexity AI这类知识检索Agent的标准化工程方法论和技术框架体系」。Perplexity AI之所以能从「实验室的玩具」变成「工业界的可靠产品」，之所以能在短时间内吸引这么多用户，就是因为它用了Harness Engineering——如果没有Harness Engineering，Perplexity AI就会像很多早期的AI Agent那样，经常出错、不受控制、难以部署、难以优化。核心概念原理和架构的文本示意图（专业定义）为了让大家更直观地理解这些核心概念的原理和架构，我先给出一个专业定义的文本示意图——后面我会再给出一个Mermaid ER实体关系图和一个Mermaid交互关系图：【AI Agent的通用原理和架构文本示意图】 ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 用户输入层 │ │ （用户的自然语言查询、图像输入、语音输入等） │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 感知层（Perception Layer） │ │ 1. 自然语言理解模块（NLU）：理解用户的输入，提取关键信息、意图、目标约束 │ │ 2. 外部信息检索模块：从搜索引擎、API、知识图谱、数据库等外部数据源检索相关信息 │ │ 3. 多模态感知模块（可选）：处理图像、语音、视频等多模态输入 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 记忆层（Memory Layer） │ │ 1. 短期记忆模块：存储当前对话的上下文、感知到的外部信息、决策的中间结果 │ │ 2. 长期记忆模块（可选）：存储用户的历史交互记录、个性化偏好、知识库 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 决策层（Decision Layer） │ │ 1. 意图识别模块：识别用户的意图，比如是要查资料、还是要写代码、还是要聊天 │ │ 2. 目标分解模块（可选）：如果是多步骤任务，把大目标分解成多个小目标 │ │ 3. 工具选择模块：根据用户的意图和目标约束，选择合适的工具，比如搜索引擎、API、计算器 │ │ 4. 参数生成模块：生成调用工具时需要传入的参数 │ │ 5. 内容生成模块：根据感知到的外部信息、记忆的内容、目标约束，生成最终的输出 │ │ 6. 安全控制模块：检查生成的内容是否安全、是否符合法律法规、是否符合用户的要求 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 行动层（Action Layer） │ │ 1. 工具调用模块：调用决策层选择的工具，传入参数，获取工具的返回结果 │ │ 2. 内容输出模块：把决策层生成的最终输出展示给用户，比如文本、图像、语音、视频 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 反馈优化层（Feedback Optimization Layer） │ │ 1. 反馈收集模块：收集用户的反馈、工具的返回结果、输出的效果 │ │ 2. 效果评估模块：评估输出的效果，比如是否准确、是否符合要求、是否安全 │ │ 3. 模型优化模块（可选）：根据评估结果优化大模型、提示词、搜索结果排序算法、引用位置匹配算法 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 用户输出层 │ │ （展示给用户的最终输出，比如带引用的结构化文本、图像、语音、视频） │ └─────────────────────────────────────────────────────────────────────────────────┘ 【Perplexity AI作为知识检索Agent的原理和架构文本示意图（基于AI Agent的通用架构简化）】 ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 用户输入层 │ │ （用户的自然语言查询，比如「如何用AI拯救濒危动物大熊猫」） │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 感知层（Perception Layer） │ │ 1. 自然语言理解模块（NLU）：理解用户的查询，提取关键信息（比如「AI」「拯救」「大熊猫」）、│ │ 意图（比如「查资料→整理成研究性学习报告」）、目标约束（比如 │ │ 「1000字左右」「带引用」「近3年的权威来源」） │ │ 2. 搜索增强模块（RAG的检索部分）：根据提取的关键信息，从Perplexity的私有搜索索引、 │ │ 谷歌搜索、必应搜索等外部搜索引擎检索相关信息，然后对检索到 │ │ 的信息进行排序、过滤、去重、摘要，生成「上下文信息列表」 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 记忆层（Memory Layer） │ │ 1. 短期记忆模块：存储当前对话的上下文（比如用户之前的查询、Perplexity之前的答案）、 │ │ 感知到的「上下文信息列表」、决策的中间结果 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 决策层（Decision Layer） │ │ 1. 意图识别模块：识别用户的意图是「查资料→生成带引用的结构化答案」 │ │ 2. 内容生成与引用匹配模块（RAG的生成部分）：根据「上下文信息列表」、短期记忆的内容、 │ │ 目标约束，生成带引用的结构化答案，同时把答案中的「事实性内容」│ │ 和「上下文信息列表」中的信息对应起来，生成引用链接 │ │ 3. 安全控制模块：检查生成的内容是否安全、是否符合法律法规、是否符合用户的要求 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 行动层（Action Layer） │ │ 1. 内容输出模块：把带引用的结构化答案展示给用户，比如文本、蓝色引用链接 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 反馈优化层（Feedback Optimization Layer） │ │ 1. 反馈收集模块：收集用户的反馈（比如点赞、点踩、修改查询、点击引用链接）、引用链接的点击 │ │ 量、搜索结果的排序效果、输出的效果 │ │ 2. 效果评估模块：评估输出的效果，比如是否准确、是否符合要求、是否安全 │ │ 3. 模型优化模块：根据评估结果优化大模型、提示词、搜索结果排序算法、引用位置匹配算法、私有搜索索引 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ 用户输出层 │ │ （展示给用户的最终输出，比如带蓝色引用链接的1000字左右的高中研究性学习报告） │ └─────────────────────────────────────────────────────────────────────────────────┘ 【Harness Engineering的原理和架构文本示意图（用于构建、部署、监控、调试、优化Perplexity AI这类知识检索Agent）】 ┌─────────────────────────────────────────────────────────────────────────────────┐ │ Harness Engineering的核心目标 │ │ 把AI Agent从「实验室的玩具」变成「工业界的可靠产品」，快速复制成功模式 │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ Harness Engineering的5大核心模块 │ │ ┌─────────────────────────────────────────────────────────────────────────────┐ │ │ │ 1. Agent构建模块（Agent Building Module） │ │ │ │ a. 目标约束配置工具：配置Agent的目标约束、质量标准、安全标准 │ │ │ │ b. 工具库管理工具：管理Agent可以调用的工具，比如搜索引擎、API、计算器 │ │ │ │ c. 提示词模板管理工具：管理Agent使用的提示词模板，比如意图识别提示词、内容生成提示词 │ │ │ │ d. 记忆模块配置工具：配置Agent的记忆模块，比如短期记忆的长度、长期记忆的存储位置 │ │ │ └─────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────┐ │ │ │ 2. Agent部署模块（Agent Deployment Module） │ │ │ │ a. 云原生部署工具：把Agent部署到云端，比如AWS、Azure、Google Cloud、阿里云 │ │ │ │ b. 容器化部署工具：用Docker、Kubernetes把Agent容器化，方便部署和扩展 │ │ │ │ c. API网关配置工具：配置Agent的API网关，方便用户调用Agent的API │ │ │ └─────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────┐ │ │ │ 3. Agent监控模块（Agent Monitoring Module） │ │ │ │ a. 性能监控工具：监控Agent的性能，比如响应时间、吞吐量、错误率 │ │ │ │ b. 质量监控工具：监控Agent的输出质量，比如准确率、召回率、F1值、用户满意度 │ │ │ │ c. 安全监控工具：监控Agent的输出安全，比如是否有违规内容、是否有泄露隐私的内容 │ │ │ └─────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────┐ │ │ │ 4. Agent调试模块（Agent Debugging Module） │ │ │ │ a. 日志管理工具：记录Agent的所有操作，比如感知到的信息、做出的决策、采取的行动、生成的输出 │ │ │ │ b. 追踪工具：追踪Agent的整个工作流程，找出错误的原因 │ │ │ │ c. A/B测试工具：对不同的提示词、工具、模型进行A/B测试，找出最优的方案 │ │ │ └─────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────┐ │ │ │ 5. Agent优化模块（Agent Optimization Module） │ │ │ │ a. 提示词优化工具：根据用户的反馈和A/B测试的结果优化提示词 │ │ │ │ b. 模型微调工具：根据用户的反馈和标注的数据微调大模型 │ │ │ │ c. 工具优化工具：根据用户的反馈和工具的返回结果优化工具库 │ │ │ │ d. 搜索结果排序算法优化工具：根据用户的反馈优化搜索结果排序算法 │ │ │ │ e. 引用位置匹配算法优化工具：根据用户的反馈优化引用位置匹配算法 │ │ │ └─────────────────────────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ Harness Engineering的输出 │ │ 一个「可靠的、可部署的、可监控的、可调试的、可优化的AI Agent产品」 │ └─────────────────────────────────────────────────────────────────────────────────┘Mermaid ER实体关系图为了让大家更直观地理解这些核心概念之间的实体关系，我给出一个Mermaid ER实体关系图——Mermaid是一种可以用文本生成图表的工具，非常适合用来写技术博客：发起提供输入给是一种是一种垂直细分类型使用核心技术包含包含被构建部署监控调试优化包含包含包含包含包含调用调用使用生成包含指向反馈给USERstringuser_idPK用户唯一标识stringusername用户名stringemail邮箱stringpreference个性化偏好