11月6日，InfoQ刊文梳理大语言模型智能体执行框架（Harness）的演进路径。文章指出，智能体正从简单提示词链式编排，演进为具备可观测性与稳定性的结构化执行框架，这一演变由真实业务需求驱动，先后呈现链式、工具增强、结构化控制三种范式跃迁。

最初的智能体系统围绕线性工作流构建，即“链”。开发者把一系列提示词串起来，第一步输出作为第二步输入，Harness框架不过是工具调用、对话记忆的粘合代码，最终把LLM当作黑盒函数：文本进、文本出。LinkedIn早期一个生成式AI智能体即基于LangChain构建固定三步链：路由步骤判断查询是否在范围内及应由哪个专门AI“专家”处理；检索步骤调用必应网页搜索或LinkedIn内部API收集信息，为检索增强生成提供事实依据；生成步骤对检索数据进行过滤和综合，形成最终答案。这种结构构建部署较快，但十分脆弱，上游一个错误会级联传播，系统缺乏系统性识别错误或自动修复的机制。

随着应用场景复杂化，开发者转而采用图这一抽象方式，在工作流中加入分支、条件逻辑、并行执行和重试机制。基于图的Harness框架用节点表示LLM调用、工具调用或验证等任务，用边控制流程。其关键创新不只是增加分支，而是让控制流变得显式且可声明，开发者不再将逻辑隐式嵌入提示词或代码，而是定义成可查看、修改、梳理的执行计划。图系统还催生了多智能体系统，由顶层编排器管理任务流和依赖关系，并需要A2A、ACP等协议建立智能体之间的异步通信。受限于推理能力，智能体并非完全自主，“人在回路”机制在关键决策点向人类寻求澄清、反馈或批准。

在LinkedIn，团队复用现有消息系统实现编排和智能体间通信，将长耗时任务拆分为消息序列，保障严格的先进先出投递和消息历史查找，从而获得并行能力、弹性重试以及一次性返回、同步流式输出、跨多条消息异步流式输出等灵活执行模式。