实战指南：基于沙箱环境构建安全可控的多智能体系统

最近在尝试将大模型能力集成到实际业务中时你是否也遇到过这样的困境单个AI模型能力有限处理复杂任务时逻辑混乱、成本高昂且难以控制面对多步骤的客户咨询、自动化报告生成或代码审查等场景我们需要的不是一个“万能”的模型而是一个能协同工作、各司其职的智能体团队。这正是Harness工程与Multi-Agent多智能体系统要解决的核心问题。然而网上资料要么过于学术化要么就是零散的代码片段缺乏一套从零搭建、安全可控且能直接复用于生产环境的完整指南。本文将以实战为导向为你系统拆解如何构建一个基于SandBox沙箱环境的多智能体系统。我们将从核心概念讲起手把手带你完成环境搭建、智能体定义、任务编排与安全隔离并最终实现一个能处理复杂任务的自动化流程。无论你是希望入门AI应用开发的工程师还是寻求项目落地的技术负责人这篇超过5000字的详尽教程都将提供清晰的路径和可运行的代码。1. 背景与核心概念为什么需要Harness与Multi-Agent在深入代码之前我们必须厘清几个关键概念理解它们为何成为当前AI工程化的热点。1.1 AI大模型Large Language Model, LLM的局限与机遇当前的主流大模型如GPT-4、Claude、DeepSeek等在通用知识、逻辑推理和内容生成上表现出色。但它们存在固有瓶颈单次交互的上下文长度有限、复杂任务容易产生“幻觉”、调用成本按Token计价高昂且无法直接操作外部系统如数据库、API。这意味着让一个大模型从头到尾独立完成一个包含数据查询、分析、撰写和发布的完整流程既不可靠也不经济。1.2 Agent智能体与Multi-Agent System多智能体系统一个Agent可以理解为一个具备特定技能、能感知环境、自主决策并执行动作的AI实体。它通常由三部分组成大脑LLM负责理解指令、规划步骤、做出决策。技能Skill/Tool赋予Agent操作外部世界的能力例如调用搜索API、运行Python代码、读写文件。记忆Memory保存对话历史、任务上下文实现连贯交互。而Multi-Agent System则由多个这样的智能体组成它们通过协同、竞争或分层的方式共同完成一个复杂目标。例如一个系统可能包含Planner Agent规划者拆解用户需求生成任务执行流程图。Coder Agent编码者专门编写和调试代码。Reviewer Agent审查者检查代码质量和安全性。Executor Agent执行者在安全环境中运行代码并返回结果。这种分工协作的模式显著提升了任务处理的可靠性、专业性和效率。1.3 Harness约束/驾驭工程Harness在这里的含义是“约束”或“驾驭”。它的核心思想是我们不能让AI智能体完全“自由发挥”必须为其设计一套安全、可控的执行框架和环境。这包括资源隔离防止智能体的代码操作影响宿主系统。权限控制限制智能体能访问的文件、网络和系统命令。流程编排定义智能体之间的通信协议和任务流转逻辑。成本与性能监控跟踪每个智能体的Token消耗和响应延迟。Harness工程就是构建这套“缰绳”和“跑道”的实践确保多智能体系统既能高效完成任务又不会“脱缰”造成安全或稳定性问题。网络上热议的chimera项目探讨的正是异构LLM的低延迟与高性能服务而actor-attention-critic则是多智能体强化学习中的一种协同策略。1.4 SandBox沙箱—— 安全的执行环境SandBox是Harness工程中实现安全隔离的关键技术。它为每个智能体尤其是需要执行代码的智能体提供一个独立的、资源受限的运行环境。在这个“沙箱”里智能体可以安全地执行Python、JavaScript等代码。进行文件读写限制在特定目录。访问网络可配置白名单。 即使代码存在恶意行为或错误也不会危及主机系统。常见的沙箱技术包括Docker容器、gVisor、Firecracker以及一些语言级别的沙箱如PyPy的沙盒模式。2. 环境准备与版本说明我们将使用Python作为主要开发语言因为它拥有最丰富的AI生态。本项目将模拟一个“数据分析与报告生成”的多智能体系统。2.1 基础环境操作系统Ubuntu 20.04/macOS Monterey/Windows 10 (WSL2推荐)。本文示例基于Ubuntu 22.04。Python版本3.9 或 3.10。避免使用3.11可能存在的某些库兼容性问题。包管理工具pip和venv(推荐) 或conda。2.2 核心依赖库我们将创建一个requirements.txt文件来管理依赖。关键库及其作用如下# 核心AI与智能体框架 langchain0.1.0 # 智能体编排框架社区活跃 langchain-openai0.0.5 # OpenAI模型集成 # 可选其他模型集成如 langchain-anthropic, langchain-google-genai # 大模型API调用 (以OpenAI为例可替换为其他) openai1.12.0 # 代码执行与沙箱环境核心 docker6.1.3 # 使用Docker作为沙箱后端 # 可选piston-cli-client (纯Python沙箱)但Docker更通用 # 工具与工具调用 langchain-experimental0.0.49 # 包含一些实验性智能体如代码执行智能体 requests2.31.0 # 用于网络请求工具 # 实用工具 python-dotenv1.0.0 # 管理环境变量如API密钥 pydantic2.5.0 # 数据验证2.3 可选基础设施Docker Docker Compose用于构建和运行沙箱环境。这是实现安全代码执行的推荐方式。# Ubuntu 安装示例 sudo apt-get update sudo apt-get install docker.io docker-compose sudo usermod -aG docker $USER # 将当前用户加入docker组避免sudo # 执行后需要**重新登录**生效大模型API密钥你需要准备一个或多个大模型的API密钥。本文示例使用OpenAI GPT-4但你完全可以替换为DeepSeek、Claude或本地部署的Ollama模型。2.4 项目结构预览在开始前我们先规划好项目目录这有助于理解后续代码的组织方式。multi_agent_project/ ├── .env # 存储敏感信息如API密钥 ├── requirements.txt # 项目依赖 ├── main.py # 主程序入口 ├── agents/ # 智能体模块目录 │ ├── __init__.py │ ├── base_agent.py # 智能体基类 │ ├── planner_agent.py # 规划智能体 │ ├── coder_agent.py # 编码智能体 │ └── critic_agent.py # 审查智能体 ├── tools/ # 工具技能目录 │ ├── __init__.py │ ├── code_executor.py # 代码执行工具连接沙箱 │ └── web_search.py # 网络搜索工具示例 ├── sandbox/ # 沙箱环境配置 │ ├── Dockerfile # 沙箱容器镜像定义 │ └── docker-compose.yml # 沙箱服务编排 ├── skills/ # 技能定义LangChain Tool格式 │ └── __init__.py └── utils/ # 工具函数 └── __init__.py3. 核心组件拆解Agent, Tool, Sandbox3.1 定义智能体Agent基类我们首先创建一个基础的智能体类它封装了与大模型对话、调用工具的核心逻辑。使用LangChain可以大幅简化这一过程。# agents/base_agent.py import os from typing import List, Optional, Any from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from langchain.memory import ConversationBufferMemory from pydantic import BaseModel, Field class AgentConfig(BaseModel): 智能体配置模型 name: str Field(description智能体名称) role: str Field(description智能体角色描述) llm_model: str Field(defaultgpt-4-turbo-preview, description使用的LLM模型) temperature: float Field(default0.1, description模型温度越低越确定) tools: List[BaseTool] Field(default_factorylist, description可用的工具列表) system_prompt: str Field(description系统提示词定义智能体行为) class BaseAgent: 智能体基类 def __init__(self, config: AgentConfig): self.config config self.llm ChatOpenAI( modelconfig.llm_model, temperatureconfig.temperature, openai_api_keyos.getenv(OPENAI_API_KEY) # 从环境变量读取密钥 ) self.memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) self.agent_executor self._create_agent_executor() def _create_agent_executor(self) - AgentExecutor: 创建LangChain智能体执行器 prompt ChatPromptTemplate.from_messages([ (system, self.config.system_prompt), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) agent create_openai_tools_agent(self.llm, self.config.tools, prompt) return AgentExecutor(agentagent, toolsself.config.tools, memoryself.memory, verboseTrue) def run(self, task_input: str) - str: 执行任务 try: result self.agent_executor.invoke({input: task_input}) return result[output] except Exception as e: return fAgent {self.config.name} 执行出错: {str(e)}3.2 构建安全沙箱Sandbox安全是重中之重。我们将使用Docker创建一个轻量级、无网络或受限网络、只有必要Python包的沙箱环境。# sandbox/Dockerfile FROM python:3.9-slim # 设置非root用户增强安全性 RUN useradd -m -u 1000 sandboxuser \ mkdir -p /app chown -R sandboxuser:sandboxuser /app # 安装最小化依赖 COPY --chownsandboxuser:sandboxuser requirements_sandbox.txt /app/requirements.txt RUN pip install --no-cache-dir -r /app/requirements.txt # 切换到非root用户 USER sandboxuser WORKDIR /app # 设置资源限制在docker run时通过参数控制更灵活 # 这里主要进行环境隔离 # 启动命令作为一个服务等待执行代码 CMD [python, -c, import sys; print(Sandbox ready); sys.stdout.flush(); import time; time.sleep(3600)]requirements_sandbox.txt只包含执行数据分析任务可能需要的包pandas2.0.3 numpy1.24.3 matplotlib3.7.1 requests2.31.0然后我们编写一个CodeExecutorTool它负责将代码发送到Docker容器中执行。# tools/code_executor.py import docker import os from typing import Optional from langchain.tools import BaseTool from pydantic import BaseModel, Field class CodeExecutionInput(BaseModel): code: str Field(description需要执行的Python代码字符串) timeout: int Field(default30, description执行超时时间秒) class CodeExecutorTool(BaseTool): name code_executor description 在安全的Docker沙箱中执行Python代码并返回结果。适用于数据分析、计算和文件操作。 args_schema type(CodeExecutionInput, (BaseModel,), { code: Field(..., description需要执行的Python代码字符串), timeout: Field(default30, description执行超时时间秒) }) def __init__(self): super().__init__() # 初始化Docker客户端 self.client docker.from_env() self.container_image my_sandbox:latest # 需提前构建的镜像 self.container None self._start_container() def _start_container(self): 启动或复用沙箱容器 try: # 查找正在运行的沙箱容器 containers self.client.containers.list(filters{ancestor: self.container_image}) if containers: self.container containers[0] print(f复用现有容器: {self.container.id[:12]}) else: # 启动新容器限制资源并禁用网络 self.container self.client.containers.run( self.container_image, detachTrue, network_modenone, # 禁用网络访问 mem_limit512m, # 内存限制 pids_limit50, # 进程数限制 cpu_period100000, cpu_quota50000, # 限制CPU使用率 volumes{/tmp/sandbox: {bind: /app/data, mode: rw}} # 仅挂载数据卷 ) print(f启动新容器: {self.container.id[:12]}) except docker.errors.ImageNotFound: raise RuntimeError(f镜像 {self.container_image} 未找到请先构建。) def _run(self, code: str, timeout: int 30) - str: 核心执行方法 if not self.container: return 错误沙箱容器未就绪。 exec_command fpython -c {repr(code)} try: exec_result self.container.exec_run( cmd[python, -c, code], workdir/app/data, timeouttimeout ) exit_code, output exec_result.exit_code, exec_result.output.decode(utf-8) if exit_code 0: return output.strip() if output else 代码执行成功无输出。 else: return f代码执行错误 (Exit Code: {exit_code}):\n{output} except docker.errors.APIError as e: return fDocker API错误: {str(e)} except Exception as e: return f执行异常: {str(e)} def _arun(self, code: str, timeout: int 30): raise NotImplementedError(此工具不支持异步执行。)3.3 设计技能Skill/Tool技能是智能体的“手”和“脚”。除了代码执行我们还可以定义其他技能如网络搜索。# tools/web_search.py import requests from langchain.tools import BaseTool from pydantic import BaseModel, Field import json class WebSearchInput(BaseModel): query: str Field(description搜索查询词) class WebSearchTool(BaseTool): name web_search description 使用搜索引擎API获取最新信息。输入是一个搜索查询字符串。 args_schema type(WebSearchInput, (BaseModel,), { query: Field(..., description搜索查询词) }) def __init__(self, api_key: str): super().__init__() # 示例使用Serper Dev API (免费额度) self.api_key api_key self.url https://google.serper.dev/search def _run(self, query: str) - str: headers { X-API-KEY: self.api_key, Content-Type: application/json } payload json.dumps({q: query}) try: response requests.post(self.url, headersheaders, datapayload, timeout10) response.raise_for_status() results response.json() # 简化返回前3个结果 simplified [] for item in results.get(organic, [])[:3]: simplified.append({ title: item.get(title), link: item.get(link), snippet: item.get(snippet) }) return json.dumps(simplified, ensure_asciiFalse, indent2) except requests.exceptions.RequestException as e: return f网络搜索失败: {str(e)} def _arun(self, query: str): raise NotImplementedError(此工具不支持异步执行。)4. 完整实战案例构建数据分析报告生成系统现在我们将上述组件组装起来实现一个包含三个智能体的系统规划者(Planner)、编码者(Coder)、审查者(Critic)。它们将协作完成“分析某公司销售数据并生成报告”的任务。4.1 定义具体的智能体# agents/planner_agent.py from .base_agent import BaseAgent, AgentConfig from langchain.tools import Tool class PlannerAgent(BaseAgent): 规划智能体负责拆解任务生成执行步骤 def __init__(self): config AgentConfig( namePlanner, role你是一个资深项目分析师擅长将模糊的需求拆解为具体、可执行的数据分析步骤。, llm_modelgpt-4-turbo-preview, temperature0.1, tools[], # 规划者通常不需要外部工具 system_prompt你负责规划数据分析任务。用户会提出一个需求你需要将其拆解成一个清晰的、线性的步骤列表。 每个步骤应该明确指定由哪个智能体执行Coder或Critic并描述该步骤的具体输入和预期输出。 输出格式必须是严格的JSON列表例如 [ {step: 1, agent: Coder, action: 生成模拟销售数据, input: 创建包含日期、产品、销售额、数量的DataFrame}, {step: 2, agent: Coder, action: 计算月度销售额趋势, input: 对数据按月份聚合计算总销售额}, {step: 3, agent: Critic, action: 检查数据合理性, input: 审查上一步生成的趋势图和数据确保没有异常值} ] 只输出JSON不要有其他解释。 ) super().__init__(config) # agents/coder_agent.py from .base_agent import BaseAgent, AgentConfig from tools.code_executor import CodeExecutorTool from tools.web_search import WebSearchTool import os class CoderAgent(BaseAgent): 编码智能体负责编写和执行Python代码来完成数据任务 def __init__(self): # 初始化工具 code_tool CodeExecutorTool() search_tool WebSearchTool(api_keyos.getenv(SERPER_API_KEY, )) config AgentConfig( nameCoder, role你是一个专业的Python数据分析师精通pandas, numpy, matplotlib。根据指令编写安全、高效的代码并在沙箱中执行。, llm_modelgpt-4-turbo-preview, temperature0.2, tools[code_tool, search_tool], system_prompt你是一个Python代码专家。你的任务是接收具体的操作描述如‘生成模拟销售数据’然后编写出能完成该任务的Python代码并使用code_executor工具执行它。 编写代码时请遵循以下规则 1. 代码必须完整、可独立运行。 2. 优先使用pandas进行数据处理。 3. 如果需要可视化使用matplotlib生成图表并保存为PNG文件到/app/data/目录。 4. 如果任务需要最新信息如‘查找2023年智能手机市场趋势’可以使用web_search工具。 5. 最终输出应包括代码简要说明、执行结果如数据预览、图表保存路径或关键发现。 如果执行出错分析错误并尝试修复。 ) super().__init__(config) # agents/critic_agent.py from .base_agent import BaseAgent, AgentConfig from tools.code_executor import CodeExecutorTool class CriticAgent(BaseAgent): 审查智能体负责检查代码质量、结果合理性和安全性 def __init__(self): code_tool CodeExecutorTool() # 用于重新运行代码验证 config AgentConfig( nameCritic, role你是一个严谨的代码审查员和数据质量专家。你的任务是发现代码缺陷、逻辑错误和不合理的结果。, llm_modelgpt-4-turbo-preview, temperature0.1, tools[code_tool], system_prompt你负责审查Coder智能体生成的代码和结果。你的输入将包含1) 任务描述2) 已编写的代码3) 代码执行结果。 你需要仔细检查 1. **安全性**代码是否尝试执行危险操作如删除系统文件、无限循环 2. **正确性**代码逻辑是否符合任务要求是否存在语法或运行时错误 3. **数据合理性**结果数据是否有异常值如负的销售额趋势是否符合常识 4. **代码质量**是否有冗余计算变量命名是否清晰 输出你的审查意见明确指出任何问题并给出修改建议。如果一切正常输出‘审查通过代码与结果均符合预期’。 ) super().__init__(config)4.2 主控流程与任务编排这是整个系统的大脑负责协调各个智能体按顺序工作。# main.py import os import json from agents.planner_agent import PlannerAgent from agents.coder_agent import CoderAgent from agents.critic_agent import CriticAgent from dotenv import load_dotenv load_dotenv() # 加载 .env 文件中的环境变量 class MultiAgentOrchestrator: 多智能体编排器 def __init__(self): self.planner PlannerAgent() self.coder CoderAgent() self.critic CriticAgent() self.execution_log [] def execute_plan(self, plan: list): 按计划执行每一步 results {} for step in plan: step_num step[step] agent_name step[agent] action step[action] task_input step.get(input, ) print(f\n{*50}) print(f执行步骤 {step_num}: [{agent_name}] - {action}) print(f输入: {task_input}) agent getattr(self, agent_name.lower(), None) if not agent: result f错误未知的智能体 {agent_name} print(result) results[step_num] result continue # 执行任务 try: # 对于Coder输入是动作描述对于Critic输入需要包含上下文上一步的结果 if agent_name Critic and step_num 1: # 将上一步的结果作为审查的上下文 prev_result results.get(step_num-1, ) full_input f任务{action}\n待审查的代码及结果\n{prev_result} else: full_input task_input output agent.run(full_input) print(f输出:\n{output}) results[step_num] output self.execution_log.append({ step: step_num, agent: agent_name, input: task_input, output: output[:500] # 截断长输出 }) except Exception as e: error_msg f步骤 {step_num} 执行异常: {str(e)} print(error_msg) results[step_num] error_msg return results def run(self, user_request: str): 运行完整流程规划 - 执行 - 总结 print(f用户请求: {user_request}) print(\n[阶段1] 规划任务...) plan_json_str self.planner.run(user_request) print(f生成的计划:\n{plan_json_str}) try: # 解析规划结果 plan json.loads(plan_json_str.strip()) if not isinstance(plan, list): raise ValueError(规划结果不是有效的JSON列表) except json.JSONDecodeError as e: print(f解析计划失败: {e}) plan [{step: 1, agent: Coder, action: 直接处理请求, input: user_request}] print(\n[阶段2] 执行计划...) results self.execute_plan(plan) print(\n[阶段3] 生成最终报告...) # 可以在这里添加一个ReportAgent来汇总结果此处简化为打印 final_report f 任务执行完成 原始请求: {user_request} 执行步骤数: {len(plan)} 最终结果摘要: {json.dumps(results, indent2, ensure_asciiFalse)} print(final_report) return final_report if __name__ __main__: # 检查必要环境变量 if not os.getenv(OPENAI_API_KEY): print(错误请在 .env 文件中设置 OPENAI_API_KEY) exit(1) orchestrator MultiAgentOrchestrator() # 示例任务 user_request 分析一下我们公司过去一年的销售数据找出最畅销的产品类别和销售额的季节性趋势并生成一份简要报告。 # 注意实际任务中Coder需要真实数据。这里规划器会指示Coder先‘生成模拟数据’。 orchestrator.run(user_request)4.3 运行与验证构建沙箱镜像在项目根目录下执行docker build -t my_sandbox:latest -f sandbox/Dockerfile .设置环境变量创建.env文件填入你的API密钥。OPENAI_API_KEYsk-your-openai-key-here SERPER_API_KEYyour-serper-key-here # 可选用于搜索安装依赖pip install -r requirements.txt运行主程序python main.py4.4 预期输出与结果说明程序运行后你将在控制台看到类似以下的输出清晰地展示了多智能体协作的整个过程用户请求: 分析一下我们公司过去一年的销售数据... [阶段1] 规划任务... 生成的计划: [ {step: 1, agent: Coder, action: 生成模拟的过去一年销售数据, input: 创建包含日期、产品类别、销售额、数量的DataFrame时间范围从2023-01-01至今}, {step: 2, agent: Coder, action: 计算各产品类别的总销售额找出最畅销类别, input: 对模拟数据按产品类别分组汇总销售额}, ... ] [阶段2] 执行计划... 执行步骤 1: [Coder] - 生成模拟的过去一年销售数据 输入: 创建包含日期、产品类别、销售额、数量的DataFrame... Coder开始思考并调用code_executor工具 进入链... 调用工具: code_executor... 工具输出: 代码执行成功。已生成包含1000条记录的DataFrame。前5行预览... 链结束。 输出: 已成功生成模拟销售数据... 执行步骤 2: [Coder] - 计算各产品类别的总销售额... ... [阶段3] 生成最终报告... 任务执行完成 ...最终在沙箱的挂载目录/tmp/sandbox根据docker-compose.yml配置中你可能会找到由Coder智能体生成的图表文件如monthly_trend.png。5. 常见问题与排查思路在搭建和运行多智能体系统时你可能会遇到以下典型问题问题现象常见原因解决思路Docker连接错误(docker.errors.DockerException)1. Docker服务未运行。2. 当前用户不在docker组。1. 运行sudo systemctl start docker(Linux)。2. 将用户加入docker组后务必重新登录sudo usermod -aG docker $USER。沙箱容器启动失败1. 镜像my_sandbox:latest不存在。2. 端口冲突或资源不足。1. 确保已执行docker build -t my_sandbox:latest ...。2. 检查docker ps -a和docker logs container_id。OpenAI API调用失败1. API密钥未设置或错误。2. 网络问题或区域限制。3. 额度不足。1. 检查.env文件格式和变量名是否正确。2. 尝试curl测试API连通性。3. 登录OpenAI控制台检查余额。智能体陷入循环或动作不符合预期1. 系统提示词System Prompt不够清晰。2. 温度Temperature参数过高导致输出随机。3. 工具描述不准确。1. 细化提示词明确约束和输出格式。2. 将temperature调低至0.1-0.3。3. 检查工具Tool的name和description是否能让LLM准确理解其功能。代码执行工具超时或无响应1. 代码存在死循环。2. Docker容器资源耗尽。3. 代码需要网络但沙箱禁用了网络。1. 在代码执行工具中设置合理的timeout。2. 增加容器的内存/CPU限制或优化代码。3. 对于需要网络的代码考虑使用专门的web_search工具或为沙箱配置有限的网络访问需谨慎。LangChain版本兼容性错误LangChain版本更新较快API可能变动。锁定教程中指定的版本号requirements.txt。遇到错误时查阅对应版本的 LangChain官方文档 。6. 最佳实践与工程建议将多智能体系统投入生产环境或复杂项目时以下经验能帮助你走得更稳。6.1 智能体设计原则单一职责每个智能体应专注于一个明确的领域如规划、编码、审查、搜索。这能提升可靠性和可调试性。清晰的边界与协议明确定义智能体之间的通信数据格式如使用JSON Schema。规划器的输出必须是结构化的便于主控制器解析。人机协同与审批点在关键步骤如删除数据、发布结果设置人工审批环节避免AI完全自主做出不可逆的操作。6.2 沙箱安全强化最小权限原则沙箱容器应以非root用户运行并移除所有不必要的系统权限--cap-dropALL。资源硬限制通过Docker的--memory,--cpus,--pids-limit等参数严格限制CPU、内存和进程数防止资源耗尽攻击。文件系统隔离仅挂载必要的只读或特定读写卷。避免挂载主机敏感目录。网络隔离默认禁用网络--networknone。对于需要网络访问的工具如搜索应创建独立的、仅有出站权限的网络沙箱或使用代理。6.3 性能与成本优化智能体路由并非所有任务都需要最强的GPT-4。可以根据任务复杂度路由到不同模型如简单分类用GPT-3.5-Turbo复杂推理用GPT-4以平衡成本与效果。缓存与记忆对频繁出现的相似查询结果进行缓存。利用LangChain的ConversationSummaryMemory或VectorStoreRetrieverMemory来管理长对话上下文而非无限制地增长Token消耗。异步执行如果智能体之间的任务没有强依赖可以使用异步框架如asyncio并发执行减少总体延迟。6.4 可观测性与监控全面日志记录记录每个智能体的输入、输出、调用的工具、消耗的Token数以及执行时间。self.execution_log只是一个开始应集成到ELK或PrometheusGrafana中。Token成本跟踪在调用LLM API时捕获返回中的usage字段实时统计和预警成本。链路追踪为每个用户会话或任务生成唯一ID贯穿所有智能体和工具调用便于问题排查和流程分析。6.5 配置与版本管理配置外部化将模型类型、API端点、温度参数、沙箱配置等全部移至配置文件如config.yaml或环境变量便于不同环境开发、测试、生产切换。依赖锁定使用pip-tools或poetry精确锁定所有依赖库的版本确保环境一致性。容器镜像版本化沙箱的Docker镜像应打上版本标签并与主应用代码版本关联确保每次部署的环境完全相同。通过本教程你不仅学会了如何搭建一个多智能体系统的原型更重要的是掌握了其核心设计思想通过Harness工程沙箱、编排、约束将强大的但不可控的AI能力转化为安全、可靠、可协作的生产力组件。下一步你可以尝试集成更多的智能体如专精SQL查询的、专精邮件撰写的或者将其与你的实际业务系统如CRM、数据库对接解决真实的自动化需求。记住从一个小而具体的场景开始迭代远比一开始就设计一个庞大复杂的系统要高效得多。