当大无数AI产物还在上演API搬运工的扮装时，一款面向骨子制作公司的品牌视觉金钱银行器具，通过引入Harness架构透彻改变了游戏法则。本文将深度理解如何通过BrandContextAgent与QualityEvalAgent的双智能体计算，在当然话语需求与AI精准参数之间搭建起智能桥梁，已毕从AI器具到AI助手的质变飞跃。
大无数AI产物，说白了，仅仅API的搬运工。
用户输入一段笔墨，调用一个AI接口，把效果复返给用户。这条链路三步走完，产物就算上线了。这没什么问题，但它有一个根人性的流弊：它假定AI每次齐能给出敷裕好的效果。
但AI不是这么职责的。
这是我在作念一款面向骨子制作公司的AI分娩器具时，花了很万古刻才果真搞明晰的事。
我在作念什么，遭遇了什么问题
这个产物叫品牌视觉金钱银行，浅近说等于帮骨子制作公司把客户的品牌学问变成可以被AI调用的金钱，每次分娩不从零启动，每次输出齐得当品牌标准。
产物逻辑想明晰之后，最难的问题来了：如何保证AI生成的骨子得当品牌标准？
用户告诉系统”帮我出一条蒙牛中秋节的视频”，系统要如何把这句话变成一张高质料的、得当蒙牛品牌感的图片？
最直观的作念法是：拿到用户的需求，径直调用图像生成API，把效果复返给用户。
这个作念法的问题是：图像生成API需要的不是一句”帮我出蒙牛中秋节的视频”，它需要的是精准的正向提醒词、负向提醒词、LoRA权重、采样参数、参考图接受……这些参数的质料径直决定输出的好坏，而每个品牌的这套参数齐是不同的。
更费劲的是，就算参数缔造得还可以，生奏效果也不一定能用。品牌色偏了、产物渲染失真、合座作风跑偏——任何一个问题齐会导致骨子不可用，但系统莫得方针我方判断这些问题。
这等于我那时濒临的中枢产物问题：用户的当然话语需乞降AI需要的精准参数之间有一个浩荡的领域，生奏效果的质料莫得东说念主在把关。
从产物需求启程，我猜度了什么
这个问题要是靠东说念主来解决，逻辑是明晰的：
一个资深的AI骨子分娩大师，拿到用户的需求，先去读品牌手册，看产物档案，知晓这个品牌的视觉话语，然后把这些学问变调成AI能知晓的生成参数。生成完之后，他还要对着品牌标准验收：心境对永别、产物渲染准不准、合座作风符不得当——通过了才交给客户，欠亨过打且归重改。
这个过程里有两个中枢动作：一是把品牌学问翻译成生成参数，二是对效果作念品牌标准的质料验收。
我坚决到，这两个动作齐可以用AI来作念，仅仅需要两个不同的AI扮装。
Harness是什么
在阐述具体计算之前，先说一个主张。
Harness架构，平方知晓等于：在用户和AI器具之间，放一个会想考的治愈层。它不是径直调用AI，而是先想明晰如何调用，调用完再想明晰效果够不够好，不够好就带着校正意见再行来。
这个治愈层可以包含多个AI扮装，每个扮装追究一件具体的事，通盘这个词过程由一个中央编排器来照应。这等于Harness名字的由来——像一套马具，把不同的力量拴在一齐，朝归拢个标的走。
区别于普通的”调用API”模式，Harness的中枢价值在于两点：智能参数拼装和质料响应闭环。
产物计算：两个Agent的逻辑
我给这个产物计算了两个Agent节点。
第一个：BrandContextAgent。
职责唯有一件事：把用户的当然话语需求，聚首品牌档案里的学问，翻译成AI图像生成需要的精准参数。
它职责的时候，会从数据库里读取这个品牌的心境体系、作风边幅、可用的LoRA模子、历史优质骨子参考图……然后知晓用户说的”中秋节场景，凸起礼品感”是什么好奇，决定用哪个LoRA、深度图选哪张、提醒词如何写、参数如何配。
这个Agent用的是DeepSeek的大模子，输出的是一个结构化的JSON参数包，包含通盘图像生成需要的信息，还有一个reasoning字段，用汉文阐述它为什么这么配参数。
第二个：QualityEvalAgent。
职责唯有一件事：对生奏效果作念品牌标准的质料验收，给出评分和具体的校正暴戾。
它职责的时候，体球网2026世界杯赛事直播入口拿到生成的图片和品牌档案里的产物参考图，从四个维度评分：品牌色准确性、产物归附度、作风一致性、买卖可用性。总分100分，达到75分算通过。欠亨过的话，它会用汉文阐述晰那里出了问题，比如”产物LoRA权重略高，酒瓶反光过于犀利，暴戾调低至0.65″。
这个Agent用的是通义千问的视觉模子Qwen-VL，挑升处理图像理辞退务。
产物计算：响应闭环的逻辑
开云2026世界杯官方授权平台两个Agent之间的干系不是串行的，而是酿成了一个响应闭环。
要是QualityEvalAgent判断效果欠亨过，它的校正暴戾会被传回给BrandContextAgent，动作下一次调参的依据。通盘这个词过程最多跑三次迭代，直到通过质料验收，或者达到次数上限为止。
这个计算解决了一个产物层面的中枢问题：让系统有了自我纠错的智商。
用户不需要懂LoRA权重是什么，不需要懂为什么产物反光过强，不需要手动调参再行生成。他只需要边幅想要什么，系统会在后台把这个事作念到敷裕好再交给他。
从用户体验的角度来说，这个离别是：一个”AI器具”和一个”AI助手”的离别。
产物已毕：如何作念出来的
架构想明晰之后，已毕这件事我用的是VibeCoding的形式——用AI提拔写代码，不是重新手写。
通盘这个词时间栈是Next.js14加Supabase。通盘AI接口长入用openaiSDK，仅仅不同厂商的baseURL不同——DeepSeek是一个URL，通义千问是另一个URL，硅基流动的图像生成是第三个URL。这个长入化的平正是：换厂商的时候只改一滑成立，不需要重写业务逻辑。
Harness编排层的中枢代码是一个while轮回，最多跑三次：BrandContextAgent出参数，调图像生成API，QualityEvalAgent评分，通过就存库复返，欠亨过就带着响应赓续。
这段逻辑简略60行代码，是通盘这个词产物最中枢、最值钱的部分。
已毕过程中最难处分的不是Agent自己，而是两件配套的事：一是Agent的SystemPrompt要写到什么进程它才略踏实输出及格的JSON，二是Supabase的多田户RLS战术——这两件事AI提拔生成的代码齐弗成径直信任，必须东说念主工审查。
加入Harness之后，产物变了什么
在用户侧，最较着的变化是生成界面多了一个”生成想路”的面板，展示Agent的reasoning——系统为什么选了这个LoRA、为什么这么写提醒词。这个计算不是为了炫技，是因为我发现用户需步调路系统在作念什么，才会果真信任它的输出效果。
在质料侧，品牌色准确率和产物归附度有了系统性的保险，不再靠气运。往时不异的Brief可能出十张图有两张能用，当今经过两到三次迭代之后，通过率踏实在一个可预期的水平上。
在买卖侧，这个架构相沿了”品牌金钱托管”的中枢逻辑——系统对品牌的知晓越深，Agent的参数拼装越准，生成质料越踏实，客户换供应商的资本越高。Harness不仅仅一个时间架构，它是护城河的时间已毕。
给其他在作念AI产物的PM
要是你当今在计算一个AI产物，有一个问题值得提前想明晰：你的产物对AI输出效果的质料，有莫得主动的把控机制？
调用AI、展示效果——这是最低级的AI产物形态，它把质料限度的职守全部交给了用户。
更进一步的形态是：系统我方知说念什么叫”好的效果”，在把效果交给用户之前，先作念自我评估，必要时重作念。
Harness架构是已毕这一步的一种形式，不是惟一的形式。但背后的产物想维是通用的：在AI器具和用户之间，需要有一层会想考的中间层，而不是一个纵贯管说念。
这个中间层，是AI产物的智识处所。
说了好多想维层的东西，终末跟环球共享一下我的架构图。
“每个产物东说念主的产物齐跟我方的孩子一样，即使寄托了，也沸腾一直迭代他”
体球网
