如果你还在用“玩具级”的Agent和RAG系统那么你很可能正在浪费宝贵的开发资源并错失大模型技术带来的真正生产力革命。很多开发者尝试过用LangChain快速拼凑一个Demo却发现它难以应对真实业务中复杂的多轮对话、多模态文件处理和严格的权限控制。问题不在于大模型本身而在于我们是否拥有一个工业级的、可落地的架构。这篇文章要解决的正是这个核心痛点。我们将彻底告别“Hello World”式的Demo通过一个名为Harness的现代Agent开发框架构建一个具备多模态RAG能力的企业级智能体。这不是一个简单的概念介绍而是一个从零到一的实战指南涵盖架构设计、环境搭建、核心代码、部署上线和避坑指南。读完本文你将掌握如何将一个想法变成一个能在生产环境中稳定运行的AI应用。1. 为什么你的Agent项目总是停留在Demo阶段在深入技术细节之前我们必须先诊断问题。许多开发者的大模型项目“见光死”通常卡在以下几个关键环节架构脆弱早期原型为了追求速度往往将所有逻辑对话管理、工具调用、知识检索耦合在一个脚本里。当需要添加新功能如支持PDF解析、连接内部数据库时代码迅速变得难以维护。“伪”RAG体验简单的向量检索只能回答“是什么”无法进行多轮、深度的追问和推理。当用户问“对比一下A方案和B方案的优缺点”时系统往往只能机械地返回两段独立的文本片段。缺乏工程化能力没有清晰的技能Skill抽象、状态管理、错误处理和日志监控。一旦出现“幻觉”或调用失败难以定位和修复。多模态支持薄弱业务文档不仅仅是文本还有表格、图片的PPT带复杂格式的Word以及扫描的PDF。一个只能处理纯文本的RAG系统价值大打折扣。部署与协作困难Demo跑在本地Jupyter Notebook里但如何打包成API服务如何让团队其他成员也能开发和调试Harness框架的出现正是为了解决这些工程化难题。它不是一个单一的库而是一个面向生产环境的Agent开发平台提供了模块化、可观测、易部署的一整套解决方案。接下来我们将从概念到实战一步步拆解如何用它构建工业级应用。2. 核心概念辨析Agent、RAG与Harness在开始搭建之前厘清几个容易混淆的核心概念至关重要。2.1 Agent智能体不只是聊天机器人一个真正的Agent应该具备感知、规划、决策、执行的能力。你可以把它理解为一个虚拟的、拥有特定技能的“数字员工”。核心能力理解用户意图、拆解复杂任务、自主调用工具如搜索、计算、API、管理任务状态、并从结果中学习。在Harness中的体现Harness将Agent的核心逻辑封装成Skill技能。一个Skill就是一个可复用的、完成特定任务的模块例如“查询天气”、“分析财报”、“生成SQL”。2.2 RAG检索增强生成给模型装上“外部记忆”RAG是为了解决大模型“知识陈旧”和“幻觉”问题的主流方案。传统RAGNaive RAG用户提问 → 将问题转换为向量 → 去向量数据库检索相似文本块 → 将文本块作为上下文喂给模型 → 生成答案。流程简单但容易检索不精准、上下文不连贯。高级/Agentic RAG引入了智能体思维。例如先让Agent判断问题类型再决定检索策略或者让Agent对检索结果进行重排序、总结、多路验证。这使RAG系统变得更聪明、更可靠。多模态RAG将检索范围从文本扩展到图像、表格、幻灯片。例如从一份产品手册中既能提取文字描述也能解读其中的结构图和数据图表。2.3 HarnessAgent的“操作系统”与“脚手架”你可以把Harness看作开发AI Agent的“Spring Framework”。它提供了一套标准化的开发范式让你能专注于业务逻辑Skill而不用重复造轮子。核心价值模块化以Skill为单元组织代码天然解耦便于团队协作和测试。可观测性内置完整的日志、追踪和监控能清晰看到Agent的“思考过程”Chain of Thought和每一步工具调用的输入输出。易部署提供命令行工具和配置能轻松将开发好的Agent打包为REST API服务或桌面应用。工具生态预集成或易于集成各种工具如网络搜索、代码执行、文件操作。简单总结我们用Harness这个框架来构建一个具备多模态RAG能力的Agent。接下来我们进入实战环节。3. 环境准备搭建你的工业级开发环境我们将构建一个“企业技术文档问答助手”。它能处理Word、PDF、PPT、Excel等多种格式的公司内部文档并回答员工的技术问题。3.1 基础环境清单请确保你的开发环境满足以下要求操作系统Linux (Ubuntu 20.04)、macOS 或 WSL2 (Windows)。Python版本 3.9 或 3.10。推荐使用conda或pyenv管理虚拟环境。包管理工具pip最新版。模型API准备一个或多个大模型API密钥。本文以DeepSeek、OpenAI GPT-4或国内主流平台API为例。请确保你的网络环境可以稳定访问所选API。向量数据库我们将使用轻量且流行的ChromaDB。3.2 创建项目并安装核心依赖首先创建一个干净的项目目录并初始化虚拟环境。# 1. 创建项目目录 mkdir enterprise-rag-agent cd enterprise-rag-agent # 2. 创建并激活Python虚拟环境以conda为例 conda create -n harness-agent python3.10 -y conda activate harness-agent # 3. 安装Harness核心库 # 注意Harness可能仍在快速迭代请以官方文档为准。以下是一个典型的安装命令。 pip install harness[cli] -U # 或者从源码安装如果pip安装包未发布 # git clone harness-repo-url # cd harness pip install -e .[cli]3.3 安装多模态文档处理与向量数据库依赖我们的Agent需要能“读懂”各种格式的文件。# 安装文档加载与解析库 pip install pypdf2 python-docx pptx openpyxl pillow # 安装用于将图像中文字OCR出来的库处理扫描件 pip install pytesseract pdf2image # 安装Chroma向量数据库及其嵌入模型集成 pip install chromadb sentence-transformers # 安装LangChain用于构建RAG链Harness可以与其良好集成 pip install langchain langchain-community3.4 配置模型API密钥在项目根目录创建一个.env文件来管理敏感信息切勿提交到代码仓库。# .env 文件内容 # 以DeepSeek为例如果你使用其他模型请替换为对应的环境变量名 DEEPSEEK_API_KEYyour_deepseek_api_key_here DEEPSEEK_BASE_URLhttps://api.deepseek.com # 或其他兼容OpenAI的端点 # 如果备用OpenAI # OPENAI_API_KEYyour_openai_api_key_here然后在Python中使用python-dotenv加载它。pip install python-dotenv4. 项目架构设计从混沌到清晰在写第一行代码前我们先规划好目录结构。这是工程化的第一步。enterprise-rag-agent/ ├── .env # 环境变量密钥等 ├── .gitignore ├── pyproject.toml # 项目依赖声明或requirements.txt ├── app.py # 主应用入口Harness Agent定义 ├── skills/ # 技能模块目录 │ ├── __init__.py │ ├── document_qa.py # 文档问答核心技能 │ └── utils.py # 共享工具函数 ├── knowledge_base/ # 知识库管理 │ ├── loader.py # 多模态文档加载器 │ ├── chunker.py # 文本分割策略 │ ├── vector_store.py # 向量数据库封装 │ └── data/ # 存放原始文档.pdf, .docx等 ├── tools/ # 自定义工具如果需要 │ └── __init__.py ├── config/ # 配置文件 │ └── settings.py └── tests/ # 单元测试 └── test_skills.py这个结构将业务逻辑Skill、数据层知识库、配置和工具清晰分离符合Harness的模块化哲学。5. 核心技能实现多模态RAG问答技能这是整个Agent的“大脑”。我们将在skills/document_qa.py中实现。5.1 第一步构建多模态知识库首先我们需要一个强大的文档加载和向量化流程。创建knowledge_base/loader.py。# knowledge_base/loader.py import os from typing import List, Dict, Any from pathlib import Path from langchain_community.document_loaders import ( PyPDFLoader, UnstructuredWordDocumentLoader, UnstructuredPowerPointLoader, CSVLoader, UnstructuredFileLoader ) from langchain.schema import Document from PIL import Image import pytesseract class MultimodalDocLoader: 支持多格式文档加载并对图像进行OCR处理 def __init__(self, file_path: str): self.file_path file_path self.ext Path(file_path).suffix.lower() def load(self) - List[Document]: 加载文档返回LangChain Document对象列表 docs [] if self.ext .pdf: # 尝试作为文本PDF加载 try: loader PyPDFLoader(self.file_path) docs loader.load() except Exception as e: # 可能是扫描件PDF尝试OCR简化示例生产环境需更健壮 print(f标准PDF加载失败尝试OCR: {e}) # 此处应调用pdf2image和pytesseract进行OCR为简化略过 # docs self._ocr_pdf() pass elif self.ext in [.docx, .doc]: loader UnstructuredWordDocumentLoader(self.file_path) docs loader.load() elif self.ext in [.pptx, .ppt]: loader UnstructuredPowerPointLoader(self.file_path) docs loader.load() elif self.ext in [.xlsx, .xls, .csv]: loader CSVLoader(self.file_path) if self.ext .csv else None # 对于Excel可使用pandas处理此处简化 if loader: docs loader.load() else: # 尝试通用文本加载器 loader UnstructuredFileLoader(self.file_path) docs loader.load() # 为每个文档块添加元数据记录来源 for doc in docs: doc.metadata.update({source: self.file_path, type: self.ext}) return docs # knowledge_base/chunker.py from langchain.text_splitter import RecursiveCharacterTextSplitter def get_text_splitter(chunk_size1000, chunk_overlap200): 获取文本分割器用于将长文档切分为适合检索的片段 return RecursiveCharacterTextSplitter( chunk_sizechunk_size, chunk_overlapchunk_overlap, separators[\n\n, \n, 。, , , , , , ] ) # knowledge_base/vector_store.py import chromadb from chromadb.config import Settings from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings import os from dotenv import load_dotenv load_dotenv() class KnowledgeBase: 知识库管理类负责文档的存储和检索 def __init__(self, persist_directory./chroma_db): # 使用开源嵌入模型例如 sentence-transformers避免依赖付费API from langchain.embeddings import HuggingFaceEmbeddings self.embeddings HuggingFaceEmbeddings( model_namesentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 ) self.persist_directory persist_directory self.vector_store None self._init_vector_store() def _init_vector_store(self): 初始化或加载已有的向量数据库 if os.path.exists(self.persist_directory): print(f加载已有知识库: {self.persist_directory}) self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) else: print(创建新的知识库...) self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) def add_documents(self, file_paths: List[str]): 将一批文档添加到知识库 from .loader import MultimodalDocLoader from .chunker import get_text_splitter all_splits [] text_splitter get_text_splitter() for fp in file_paths: print(f处理文件: {fp}) loader MultimodalDocLoader(fp) docs loader.load() if docs: splits text_splitter.split_documents(docs) all_splits.extend(splits) if all_splits: self.vector_store.add_documents(all_splits) print(f成功添加 {len(all_splits)} 个文本块到知识库。) else: print(未找到可处理的文本内容。) def search(self, query: str, k5): 在知识库中检索相关文档 if self.vector_store is None: return [] return self.vector_store.similarity_search(query, kk)5.2 第二步使用Harness定义RAG问答技能现在我们创建核心的Skill。Harness的核心是定义Skill类。# skills/document_qa.py from typing import Dict, Any, List from harness import Skill, Context from pydantic import BaseModel, Field import asyncio from knowledge_base.vector_store import KnowledgeBase from langchain.chains import RetrievalQA from langchain.llms import OpenAI from langchain.chat_models import ChatOpenAI import os from dotenv import load_dotenv load_dotenv() # 定义Skill的输入参数模型 class DocumentQAInput(BaseModel): question: str Field(description用户提出的技术问题) # 可以扩展更多参数如文档来源过滤 # source_filter: Optional[str] None class DocumentQASkill(Skill): 企业文档问答技能。基于多模态知识库回答用户关于内部技术文档的问题。 name document_qa description 回答关于公司内部技术文档、产品手册、API文档等问题。 input_schema DocumentQAInput def __init__(self): super().__init__() # 初始化知识库 self.kb KnowledgeBase() # 初始化LLM。这里使用DeepSeek兼容OpenAI API # 确保你的 .env 中配置了 DEEPSEEK_API_KEY 和 DEEPSEEK_BASE_URL self.llm ChatOpenAI( modeldeepseek-chat, openai_api_keyos.getenv(DEEPSEEK_API_KEY), openai_api_baseos.getenv(DEEPSEEK_BASE_URL), temperature0.1, # 低温度保证回答稳定 streamingFalse ) # 构建检索式问答链 self.qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, # 将检索到的文档“塞”进上下文 retrieverself.kb.vector_store.as_retriever(search_kwargs{k: 4}), return_source_documentsTrue # 返回参考来源 ) async def execute(self, input_data: DocumentQAInput, context: Context) - Dict[str, Any]: 技能的执行逻辑 question input_data.question # 使用LangChain链进行问答 result self.qa_chain({query: question}) answer result.get(result, 抱歉我暂时无法回答这个问题。) source_docs result.get(source_documents, []) # 格式化回答并附上参考来源 formatted_answer f{answer}\n\n**参考来源**\n for i, doc in enumerate(source_docs[:3]): # 显示前3个来源 source doc.metadata.get(source, 未知) # 简单截取片段 snippet doc.page_content[:150] ... if len(doc.page_content) 150 else doc.page_content formatted_answer f{i1}. 文件: {source}\n 片段: {snippet}\n # 在Harness上下文中记录本次交互便于追踪 context.logger.info(fDocumentQA Skill 被调用问题: {question}) return { answer: formatted_answer, sources: [doc.metadata.get(source) for doc in source_docs], success: True }6. 组装Agent并运行从模块到智能体有了核心Skill我们需要用Harness将其组装成一个完整的Agent并提供一个交互界面。创建app.py。# app.py import asyncio from harness import Agent, Harness from skills.document_qa import DocumentQASkill from dotenv import load_dotenv import sys load_dotenv() async def main(): # 1. 初始化Harness应用 harness Harness( nameEnterpriseDocAssistant, description企业级多模态文档问答助手 ) # 2. 创建Agent实例 agent Agent( nameTechDocExpert, description精通公司所有技术文档的专家, instructions你是一个专业、严谨的技术文档助手。基于提供的知识库回答问题如果知识库中没有相关信息请明确告知用户你不知道不要编造信息。回答要清晰、有条理。 ) # 3. 为Agent注册技能 qa_skill DocumentQASkill() agent.register_skill(qa_skill) # 4. 将Agent添加到Harness应用 harness.register_agent(agent) # 5. 启动Harness这里以CLI交互模式为例 # Harness提供了多种运行方式CLI、Web Server、API等 print(*50) print(企业级文档问答助手已启动) print(输入您的问题或输入 quit 退出。) print(*50) # 简单的CLI循环 while True: try: user_input input(\n您: ).strip() if user_input.lower() in [quit, exit, q]: print(再见) break if not user_input: continue # 调用Agent执行技能 # 这里我们直接调用注册的qa_skill实际Harness会根据路由自动选择技能 result await qa_skill.execute( qa_skill.input_schema(questionuser_input), contextharness.create_context() ) print(f\n助手: {result.get(answer, 无回答)}) except KeyboardInterrupt: print(\n程序被中断。) break except Exception as e: print(f\n处理请求时出错: {e}) if __name__ __main__: asyncio.run(main())7. 运行与效果验证现在让我们把整个系统跑起来。7.1 初始化知识库在运行主程序前我们需要先向知识库“投喂”一些文档。创建一个单独的脚本init_kb.py。# init_kb.py from knowledge_base.vector_store import KnowledgeBase import os if __name__ __main__: # 假设你的文档放在 knowledge_base/data/ 目录下 data_dir ./knowledge_base/data file_paths [] # 收集所有支持格式的文件 for root, dirs, files in os.walk(data_dir): for file in files: if file.lower().endswith((.pdf, .docx, .pptx, .txt, .md)): full_path os.path.join(root, file) file_paths.append(full_path) print(f找到 {len(file_paths)} 个文档文件。) if file_paths: kb KnowledgeBase() kb.add_documents(file_paths) print(知识库初始化完成) else: print(f请在 {data_dir} 目录下放置一些文档PDF、Word等。)运行它python init_kb.py你会看到处理进度和成功添加的文本块数量。7.2 启动Agent并提问现在运行主应用python app.py你应该看到启动横幅然后进入交互界面。尝试提问您: 我们公司的API网关的鉴权方式有哪些假设你的知识库文档中包含了API网关的相关说明预期输出 助手会返回一个基于检索内容生成的答案并在下方列出参考了哪些文件的哪些片段。这证明了RAG正在工作。7.3 验证多轮对话与Agent能力Harness Agent的优势在于可以管理对话状态。我们可以扩展DocumentQASkill使其能处理跟进问题如“能详细说说OAuth2.0吗”。这需要技能内部维护简单的上下文记忆或利用Harness提供的对话管理功能。由于篇幅限制本文展示了最核心的单轮RAG流程。在实际项目中你可以利用Harness的Context对象来存储和读取多轮对话历史。8. 部署上线从开发机到生产服务Demo在本地运行成功只是第一步。Harness提供了强大的部署能力。8.1 将Agent打包为HTTP API服务Harness CLI通常提供一键部署命令。假设我们使用其Web服务器功能# 假设Harness CLI命令为 harness (请以官方文档为准) harness serve app:harness --host 0.0.0.0 --port 8000这会在本地启动一个HTTP服务器提供REST API端点如/v1/agents/TechDocExpert/invoke来调用你的Agent。8.2 编写一个简单的客户端进行测试创建一个test_client.py来测试API。# test_client.py import requests import json url http://localhost:8000/v1/agents/TechDocExpert/invoke headers {Content-Type: application/json} payload { skill: document_qa, # 指定要调用的技能名 input: { question: 如何申请新的项目仓库权限 } } response requests.post(url, jsonpayload, headersheaders) if response.status_code 200: result response.json() print(回答:, result.get(output, {}).get(answer)) else: print(f请求失败: {response.status_code}) print(response.text)8.3 生产环境考量安全性API服务必须添加认证API Key、JWT。Harness可能支持中间件或你需要通过Nginx/API Gateway添加。可观测性利用Harness内置的日志和追踪接入如PrometheusGrafana进行监控。扩展性向量数据库Chroma可以考虑换成支持分布式的如Weaviate、Qdrant。对于高并发可以使用Harness的Worker模式或多实例部署。版本管理Skill的代码变更需要有版本控制和CI/CD流程。9. 常见问题与排查思路在开发和部署过程中你一定会遇到问题。下表列出了典型问题及解决方法。问题现象可能原因排查方式解决方案运行harness命令未找到Harness未正确安装或不在PATH在终端输入pip show harness使用pip install -e .从源码安装或检查虚拟环境是否激活加载PDF文档时乱码或为空PDF是扫描件或加密查看loader.py的日志尝试用其他PDF阅读器打开集成OCR库如pdf2imagepytesseract处理扫描件向量检索结果不相关嵌入模型不匹配或分块策略不佳1. 检查嵌入模型维度。2. 打印检索到的文本块内容。1. 确保嵌入模型统一。2. 调整chunk_size和chunk_overlap或尝试语义分块。Agent回答“我不知道”或幻觉1. 检索到的上下文不足。2. LLM温度过高。3. Prompt指令不明确。1. 检查知识库是否包含该信息。2. 查看检索到的top-k文档。3. 检查LLM调用参数。1. 增加检索数量k。2. 降低temperature到0.1以下。3. 在Skill的instructions中加强约束。API调用超时或失败网络问题或模型服务不稳定查看Harness服务日志和网络连接1. 设置合理的超时时间。2. 实现重试机制和降级策略。内存占用过高1. 同时加载过多文档。2. 嵌入模型太大。使用htop或ps命令监控1. 流式加载和处理文档。2. 换用更轻量的嵌入模型如all-MiniLM-L6-v2。10. 最佳实践与进阶路线构建一个稳健的工业级Agent远不止于跑通流程。以下是一些关键建议10.1 技能设计原则单一职责一个Skill只做一件事并做好。例如将“文档检索”和“答案生成”拆分成两个协作的Skill可以提高复用性。强类型化充分利用Pydantic定义清晰的输入输出Schema这能自动生成API文档并减少运行时错误。可测试性为每个Skill编写单元测试模拟不同的输入和上下文。10.2 知识库优化混合检索结合向量检索语义相似和关键词检索精确匹配提升召回率。元数据过滤为文档块添加丰富的元数据部门、项目、日期、版本检索时进行过滤提升精度。重排序Re-ranking使用一个更精细的模型对初步检索结果进行重排将最相关的排在前面。定期更新建立知识库的自动化更新流水线。10.3 利用Harness的进阶特性工作流Workflow将多个Skill串联或并联组成复杂的工作流。例如先由“分类Skill”判断问题类型再路由到不同的“专家Skill”。记忆Memory利用Harness的长期/短期记忆能力让Agent记住对话历史和用户偏好。工具Tools除了内部Skill可以轻松集成外部工具如查询数据库、调用内部API、发送邮件让Agent能力无限扩展。评估Evaluation使用Harness提供的评估框架对你的Agent回答进行自动化的质量评估和回归测试。10.4 走向“Agentic RAG”本文实现的是基础RAG。下一步是引入智能体思维查询理解与改写在检索前让Agent先分析用户问题将其改写成更利于检索的形式。多步检索对于复杂问题先检索大纲或目录再针对性地检索细节。结果验证与溯源让Agent对自己生成的答案引用知识库片段进行验证确保每句话都有据可查。通过本文的实战你已经掌握了使用Harness框架构建企业级多模态RAG Agent的完整路径。从清晰的项目架构、模块化的技能开发、到最终的服务部署这套方法论能让你摆脱玩具Demo的局限真正将大模型能力落地到生产环境。记住好的AI应用是“三分模型七分工程”而Harness正是那解决工程难题的利器。现在你可以基于这个坚实的起点去探索更复杂的智能体场景了。建议收藏本文在后续开发中随时参考。
如果你还在用“玩具级”的Agent和RAG系统那么你很可能正在浪费宝贵的开发资源并错失大模型技术带来的真正生产力革命。很多开发者尝试过用LangChain快速拼凑一个Demo却发现它难以应对真实业务中复杂的多轮对话、多模态文件处理和严格的权限控制。问题不在于大模型本身而在于我们是否拥有一个工业级的、可落地的架构。这篇文章要解决的正是这个核心痛点。我们将彻底告别“Hello World”式的Demo通过一个名为Harness的现代Agent开发框架构建一个具备多模态RAG能力的企业级智能体。这不是一个简单的概念介绍而是一个从零到一的实战指南涵盖架构设计、环境搭建、核心代码、部署上线和避坑指南。读完本文你将掌握如何将一个想法变成一个能在生产环境中稳定运行的AI应用。1. 为什么你的Agent项目总是停留在Demo阶段在深入技术细节之前我们必须先诊断问题。许多开发者的大模型项目“见光死”通常卡在以下几个关键环节架构脆弱早期原型为了追求速度往往将所有逻辑对话管理、工具调用、知识检索耦合在一个脚本里。当需要添加新功能如支持PDF解析、连接内部数据库时代码迅速变得难以维护。“伪”RAG体验简单的向量检索只能回答“是什么”无法进行多轮、深度的追问和推理。当用户问“对比一下A方案和B方案的优缺点”时系统往往只能机械地返回两段独立的文本片段。缺乏工程化能力没有清晰的技能Skill抽象、状态管理、错误处理和日志监控。一旦出现“幻觉”或调用失败难以定位和修复。多模态支持薄弱业务文档不仅仅是文本还有表格、图片的PPT带复杂格式的Word以及扫描的PDF。一个只能处理纯文本的RAG系统价值大打折扣。部署与协作困难Demo跑在本地Jupyter Notebook里但如何打包成API服务如何让团队其他成员也能开发和调试Harness框架的出现正是为了解决这些工程化难题。它不是一个单一的库而是一个面向生产环境的Agent开发平台提供了模块化、可观测、易部署的一整套解决方案。接下来我们将从概念到实战一步步拆解如何用它构建工业级应用。2. 核心概念辨析Agent、RAG与Harness在开始搭建之前厘清几个容易混淆的核心概念至关重要。2.1 Agent智能体不只是聊天机器人一个真正的Agent应该具备感知、规划、决策、执行的能力。你可以把它理解为一个虚拟的、拥有特定技能的“数字员工”。核心能力理解用户意图、拆解复杂任务、自主调用工具如搜索、计算、API、管理任务状态、并从结果中学习。在Harness中的体现Harness将Agent的核心逻辑封装成Skill技能。一个Skill就是一个可复用的、完成特定任务的模块例如“查询天气”、“分析财报”、“生成SQL”。2.2 RAG检索增强生成给模型装上“外部记忆”RAG是为了解决大模型“知识陈旧”和“幻觉”问题的主流方案。传统RAGNaive RAG用户提问 → 将问题转换为向量 → 去向量数据库检索相似文本块 → 将文本块作为上下文喂给模型 → 生成答案。流程简单但容易检索不精准、上下文不连贯。高级/Agentic RAG引入了智能体思维。例如先让Agent判断问题类型再决定检索策略或者让Agent对检索结果进行重排序、总结、多路验证。这使RAG系统变得更聪明、更可靠。多模态RAG将检索范围从文本扩展到图像、表格、幻灯片。例如从一份产品手册中既能提取文字描述也能解读其中的结构图和数据图表。2.3 HarnessAgent的“操作系统”与“脚手架”你可以把Harness看作开发AI Agent的“Spring Framework”。它提供了一套标准化的开发范式让你能专注于业务逻辑Skill而不用重复造轮子。核心价值模块化以Skill为单元组织代码天然解耦便于团队协作和测试。可观测性内置完整的日志、追踪和监控能清晰看到Agent的“思考过程”Chain of Thought和每一步工具调用的输入输出。易部署提供命令行工具和配置能轻松将开发好的Agent打包为REST API服务或桌面应用。工具生态预集成或易于集成各种工具如网络搜索、代码执行、文件操作。简单总结我们用Harness这个框架来构建一个具备多模态RAG能力的Agent。接下来我们进入实战环节。3. 环境准备搭建你的工业级开发环境我们将构建一个“企业技术文档问答助手”。它能处理Word、PDF、PPT、Excel等多种格式的公司内部文档并回答员工的技术问题。3.1 基础环境清单请确保你的开发环境满足以下要求操作系统Linux (Ubuntu 20.04)、macOS 或 WSL2 (Windows)。Python版本 3.9 或 3.10。推荐使用conda或pyenv管理虚拟环境。包管理工具pip最新版。模型API准备一个或多个大模型API密钥。本文以DeepSeek、OpenAI GPT-4或国内主流平台API为例。请确保你的网络环境可以稳定访问所选API。向量数据库我们将使用轻量且流行的ChromaDB。3.2 创建项目并安装核心依赖首先创建一个干净的项目目录并初始化虚拟环境。# 1. 创建项目目录 mkdir enterprise-rag-agent cd enterprise-rag-agent # 2. 创建并激活Python虚拟环境以conda为例 conda create -n harness-agent python3.10 -y conda activate harness-agent # 3. 安装Harness核心库 # 注意Harness可能仍在快速迭代请以官方文档为准。以下是一个典型的安装命令。 pip install harness[cli] -U # 或者从源码安装如果pip安装包未发布 # git clone harness-repo-url # cd harness pip install -e .[cli]3.3 安装多模态文档处理与向量数据库依赖我们的Agent需要能“读懂”各种格式的文件。# 安装文档加载与解析库 pip install pypdf2 python-docx pptx openpyxl pillow # 安装用于将图像中文字OCR出来的库处理扫描件 pip install pytesseract pdf2image # 安装Chroma向量数据库及其嵌入模型集成 pip install chromadb sentence-transformers # 安装LangChain用于构建RAG链Harness可以与其良好集成 pip install langchain langchain-community3.4 配置模型API密钥在项目根目录创建一个.env文件来管理敏感信息切勿提交到代码仓库。# .env 文件内容 # 以DeepSeek为例如果你使用其他模型请替换为对应的环境变量名 DEEPSEEK_API_KEYyour_deepseek_api_key_here DEEPSEEK_BASE_URLhttps://api.deepseek.com # 或其他兼容OpenAI的端点 # 如果备用OpenAI # OPENAI_API_KEYyour_openai_api_key_here然后在Python中使用python-dotenv加载它。pip install python-dotenv4. 项目架构设计从混沌到清晰在写第一行代码前我们先规划好目录结构。这是工程化的第一步。enterprise-rag-agent/ ├── .env # 环境变量密钥等 ├── .gitignore ├── pyproject.toml # 项目依赖声明或requirements.txt ├── app.py # 主应用入口Harness Agent定义 ├── skills/ # 技能模块目录 │ ├── __init__.py │ ├── document_qa.py # 文档问答核心技能 │ └── utils.py # 共享工具函数 ├── knowledge_base/ # 知识库管理 │ ├── loader.py # 多模态文档加载器 │ ├── chunker.py # 文本分割策略 │ ├── vector_store.py # 向量数据库封装 │ └── data/ # 存放原始文档.pdf, .docx等 ├── tools/ # 自定义工具如果需要 │ └── __init__.py ├── config/ # 配置文件 │ └── settings.py └── tests/ # 单元测试 └── test_skills.py这个结构将业务逻辑Skill、数据层知识库、配置和工具清晰分离符合Harness的模块化哲学。5. 核心技能实现多模态RAG问答技能这是整个Agent的“大脑”。我们将在skills/document_qa.py中实现。5.1 第一步构建多模态知识库首先我们需要一个强大的文档加载和向量化流程。创建knowledge_base/loader.py。# knowledge_base/loader.py import os from typing import List, Dict, Any from pathlib import Path from langchain_community.document_loaders import ( PyPDFLoader, UnstructuredWordDocumentLoader, UnstructuredPowerPointLoader, CSVLoader, UnstructuredFileLoader ) from langchain.schema import Document from PIL import Image import pytesseract class MultimodalDocLoader: 支持多格式文档加载并对图像进行OCR处理 def __init__(self, file_path: str): self.file_path file_path self.ext Path(file_path).suffix.lower() def load(self) - List[Document]: 加载文档返回LangChain Document对象列表 docs [] if self.ext .pdf: # 尝试作为文本PDF加载 try: loader PyPDFLoader(self.file_path) docs loader.load() except Exception as e: # 可能是扫描件PDF尝试OCR简化示例生产环境需更健壮 print(f标准PDF加载失败尝试OCR: {e}) # 此处应调用pdf2image和pytesseract进行OCR为简化略过 # docs self._ocr_pdf() pass elif self.ext in [.docx, .doc]: loader UnstructuredWordDocumentLoader(self.file_path) docs loader.load() elif self.ext in [.pptx, .ppt]: loader UnstructuredPowerPointLoader(self.file_path) docs loader.load() elif self.ext in [.xlsx, .xls, .csv]: loader CSVLoader(self.file_path) if self.ext .csv else None # 对于Excel可使用pandas处理此处简化 if loader: docs loader.load() else: # 尝试通用文本加载器 loader UnstructuredFileLoader(self.file_path) docs loader.load() # 为每个文档块添加元数据记录来源 for doc in docs: doc.metadata.update({source: self.file_path, type: self.ext}) return docs # knowledge_base/chunker.py from langchain.text_splitter import RecursiveCharacterTextSplitter def get_text_splitter(chunk_size1000, chunk_overlap200): 获取文本分割器用于将长文档切分为适合检索的片段 return RecursiveCharacterTextSplitter( chunk_sizechunk_size, chunk_overlapchunk_overlap, separators[\n\n, \n, 。, , , , , , ] ) # knowledge_base/vector_store.py import chromadb from chromadb.config import Settings from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings import os from dotenv import load_dotenv load_dotenv() class KnowledgeBase: 知识库管理类负责文档的存储和检索 def __init__(self, persist_directory./chroma_db): # 使用开源嵌入模型例如 sentence-transformers避免依赖付费API from langchain.embeddings import HuggingFaceEmbeddings self.embeddings HuggingFaceEmbeddings( model_namesentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 ) self.persist_directory persist_directory self.vector_store None self._init_vector_store() def _init_vector_store(self): 初始化或加载已有的向量数据库 if os.path.exists(self.persist_directory): print(f加载已有知识库: {self.persist_directory}) self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) else: print(创建新的知识库...) self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) def add_documents(self, file_paths: List[str]): 将一批文档添加到知识库 from .loader import MultimodalDocLoader from .chunker import get_text_splitter all_splits [] text_splitter get_text_splitter() for fp in file_paths: print(f处理文件: {fp}) loader MultimodalDocLoader(fp) docs loader.load() if docs: splits text_splitter.split_documents(docs) all_splits.extend(splits) if all_splits: self.vector_store.add_documents(all_splits) print(f成功添加 {len(all_splits)} 个文本块到知识库。) else: print(未找到可处理的文本内容。) def search(self, query: str, k5): 在知识库中检索相关文档 if self.vector_store is None: return [] return self.vector_store.similarity_search(query, kk)5.2 第二步使用Harness定义RAG问答技能现在我们创建核心的Skill。Harness的核心是定义Skill类。# skills/document_qa.py from typing import Dict, Any, List from harness import Skill, Context from pydantic import BaseModel, Field import asyncio from knowledge_base.vector_store import KnowledgeBase from langchain.chains import RetrievalQA from langchain.llms import OpenAI from langchain.chat_models import ChatOpenAI import os from dotenv import load_dotenv load_dotenv() # 定义Skill的输入参数模型 class DocumentQAInput(BaseModel): question: str Field(description用户提出的技术问题) # 可以扩展更多参数如文档来源过滤 # source_filter: Optional[str] None class DocumentQASkill(Skill): 企业文档问答技能。基于多模态知识库回答用户关于内部技术文档的问题。 name document_qa description 回答关于公司内部技术文档、产品手册、API文档等问题。 input_schema DocumentQAInput def __init__(self): super().__init__() # 初始化知识库 self.kb KnowledgeBase() # 初始化LLM。这里使用DeepSeek兼容OpenAI API # 确保你的 .env 中配置了 DEEPSEEK_API_KEY 和 DEEPSEEK_BASE_URL self.llm ChatOpenAI( modeldeepseek-chat, openai_api_keyos.getenv(DEEPSEEK_API_KEY), openai_api_baseos.getenv(DEEPSEEK_BASE_URL), temperature0.1, # 低温度保证回答稳定 streamingFalse ) # 构建检索式问答链 self.qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, # 将检索到的文档“塞”进上下文 retrieverself.kb.vector_store.as_retriever(search_kwargs{k: 4}), return_source_documentsTrue # 返回参考来源 ) async def execute(self, input_data: DocumentQAInput, context: Context) - Dict[str, Any]: 技能的执行逻辑 question input_data.question # 使用LangChain链进行问答 result self.qa_chain({query: question}) answer result.get(result, 抱歉我暂时无法回答这个问题。) source_docs result.get(source_documents, []) # 格式化回答并附上参考来源 formatted_answer f{answer}\n\n**参考来源**\n for i, doc in enumerate(source_docs[:3]): # 显示前3个来源 source doc.metadata.get(source, 未知) # 简单截取片段 snippet doc.page_content[:150] ... if len(doc.page_content) 150 else doc.page_content formatted_answer f{i1}. 文件: {source}\n 片段: {snippet}\n # 在Harness上下文中记录本次交互便于追踪 context.logger.info(fDocumentQA Skill 被调用问题: {question}) return { answer: formatted_answer, sources: [doc.metadata.get(source) for doc in source_docs], success: True }6. 组装Agent并运行从模块到智能体有了核心Skill我们需要用Harness将其组装成一个完整的Agent并提供一个交互界面。创建app.py。# app.py import asyncio from harness import Agent, Harness from skills.document_qa import DocumentQASkill from dotenv import load_dotenv import sys load_dotenv() async def main(): # 1. 初始化Harness应用 harness Harness( nameEnterpriseDocAssistant, description企业级多模态文档问答助手 ) # 2. 创建Agent实例 agent Agent( nameTechDocExpert, description精通公司所有技术文档的专家, instructions你是一个专业、严谨的技术文档助手。基于提供的知识库回答问题如果知识库中没有相关信息请明确告知用户你不知道不要编造信息。回答要清晰、有条理。 ) # 3. 为Agent注册技能 qa_skill DocumentQASkill() agent.register_skill(qa_skill) # 4. 将Agent添加到Harness应用 harness.register_agent(agent) # 5. 启动Harness这里以CLI交互模式为例 # Harness提供了多种运行方式CLI、Web Server、API等 print(*50) print(企业级文档问答助手已启动) print(输入您的问题或输入 quit 退出。) print(*50) # 简单的CLI循环 while True: try: user_input input(\n您: ).strip() if user_input.lower() in [quit, exit, q]: print(再见) break if not user_input: continue # 调用Agent执行技能 # 这里我们直接调用注册的qa_skill实际Harness会根据路由自动选择技能 result await qa_skill.execute( qa_skill.input_schema(questionuser_input), contextharness.create_context() ) print(f\n助手: {result.get(answer, 无回答)}) except KeyboardInterrupt: print(\n程序被中断。) break except Exception as e: print(f\n处理请求时出错: {e}) if __name__ __main__: asyncio.run(main())7. 运行与效果验证现在让我们把整个系统跑起来。7.1 初始化知识库在运行主程序前我们需要先向知识库“投喂”一些文档。创建一个单独的脚本init_kb.py。# init_kb.py from knowledge_base.vector_store import KnowledgeBase import os if __name__ __main__: # 假设你的文档放在 knowledge_base/data/ 目录下 data_dir ./knowledge_base/data file_paths [] # 收集所有支持格式的文件 for root, dirs, files in os.walk(data_dir): for file in files: if file.lower().endswith((.pdf, .docx, .pptx, .txt, .md)): full_path os.path.join(root, file) file_paths.append(full_path) print(f找到 {len(file_paths)} 个文档文件。) if file_paths: kb KnowledgeBase() kb.add_documents(file_paths) print(知识库初始化完成) else: print(f请在 {data_dir} 目录下放置一些文档PDF、Word等。)运行它python init_kb.py你会看到处理进度和成功添加的文本块数量。7.2 启动Agent并提问现在运行主应用python app.py你应该看到启动横幅然后进入交互界面。尝试提问您: 我们公司的API网关的鉴权方式有哪些假设你的知识库文档中包含了API网关的相关说明预期输出 助手会返回一个基于检索内容生成的答案并在下方列出参考了哪些文件的哪些片段。这证明了RAG正在工作。7.3 验证多轮对话与Agent能力Harness Agent的优势在于可以管理对话状态。我们可以扩展DocumentQASkill使其能处理跟进问题如“能详细说说OAuth2.0吗”。这需要技能内部维护简单的上下文记忆或利用Harness提供的对话管理功能。由于篇幅限制本文展示了最核心的单轮RAG流程。在实际项目中你可以利用Harness的Context对象来存储和读取多轮对话历史。8. 部署上线从开发机到生产服务Demo在本地运行成功只是第一步。Harness提供了强大的部署能力。8.1 将Agent打包为HTTP API服务Harness CLI通常提供一键部署命令。假设我们使用其Web服务器功能# 假设Harness CLI命令为 harness (请以官方文档为准) harness serve app:harness --host 0.0.0.0 --port 8000这会在本地启动一个HTTP服务器提供REST API端点如/v1/agents/TechDocExpert/invoke来调用你的Agent。8.2 编写一个简单的客户端进行测试创建一个test_client.py来测试API。# test_client.py import requests import json url http://localhost:8000/v1/agents/TechDocExpert/invoke headers {Content-Type: application/json} payload { skill: document_qa, # 指定要调用的技能名 input: { question: 如何申请新的项目仓库权限 } } response requests.post(url, jsonpayload, headersheaders) if response.status_code 200: result response.json() print(回答:, result.get(output, {}).get(answer)) else: print(f请求失败: {response.status_code}) print(response.text)8.3 生产环境考量安全性API服务必须添加认证API Key、JWT。Harness可能支持中间件或你需要通过Nginx/API Gateway添加。可观测性利用Harness内置的日志和追踪接入如PrometheusGrafana进行监控。扩展性向量数据库Chroma可以考虑换成支持分布式的如Weaviate、Qdrant。对于高并发可以使用Harness的Worker模式或多实例部署。版本管理Skill的代码变更需要有版本控制和CI/CD流程。9. 常见问题与排查思路在开发和部署过程中你一定会遇到问题。下表列出了典型问题及解决方法。问题现象可能原因排查方式解决方案运行harness命令未找到Harness未正确安装或不在PATH在终端输入pip show harness使用pip install -e .从源码安装或检查虚拟环境是否激活加载PDF文档时乱码或为空PDF是扫描件或加密查看loader.py的日志尝试用其他PDF阅读器打开集成OCR库如pdf2imagepytesseract处理扫描件向量检索结果不相关嵌入模型不匹配或分块策略不佳1. 检查嵌入模型维度。2. 打印检索到的文本块内容。1. 确保嵌入模型统一。2. 调整chunk_size和chunk_overlap或尝试语义分块。Agent回答“我不知道”或幻觉1. 检索到的上下文不足。2. LLM温度过高。3. Prompt指令不明确。1. 检查知识库是否包含该信息。2. 查看检索到的top-k文档。3. 检查LLM调用参数。1. 增加检索数量k。2. 降低temperature到0.1以下。3. 在Skill的instructions中加强约束。API调用超时或失败网络问题或模型服务不稳定查看Harness服务日志和网络连接1. 设置合理的超时时间。2. 实现重试机制和降级策略。内存占用过高1. 同时加载过多文档。2. 嵌入模型太大。使用htop或ps命令监控1. 流式加载和处理文档。2. 换用更轻量的嵌入模型如all-MiniLM-L6-v2。10. 最佳实践与进阶路线构建一个稳健的工业级Agent远不止于跑通流程。以下是一些关键建议10.1 技能设计原则单一职责一个Skill只做一件事并做好。例如将“文档检索”和“答案生成”拆分成两个协作的Skill可以提高复用性。强类型化充分利用Pydantic定义清晰的输入输出Schema这能自动生成API文档并减少运行时错误。可测试性为每个Skill编写单元测试模拟不同的输入和上下文。10.2 知识库优化混合检索结合向量检索语义相似和关键词检索精确匹配提升召回率。元数据过滤为文档块添加丰富的元数据部门、项目、日期、版本检索时进行过滤提升精度。重排序Re-ranking使用一个更精细的模型对初步检索结果进行重排将最相关的排在前面。定期更新建立知识库的自动化更新流水线。10.3 利用Harness的进阶特性工作流Workflow将多个Skill串联或并联组成复杂的工作流。例如先由“分类Skill”判断问题类型再路由到不同的“专家Skill”。记忆Memory利用Harness的长期/短期记忆能力让Agent记住对话历史和用户偏好。工具Tools除了内部Skill可以轻松集成外部工具如查询数据库、调用内部API、发送邮件让Agent能力无限扩展。评估Evaluation使用Harness提供的评估框架对你的Agent回答进行自动化的质量评估和回归测试。10.4 走向“Agentic RAG”本文实现的是基础RAG。下一步是引入智能体思维查询理解与改写在检索前让Agent先分析用户问题将其改写成更利于检索的形式。多步检索对于复杂问题先检索大纲或目录再针对性地检索细节。结果验证与溯源让Agent对自己生成的答案引用知识库片段进行验证确保每句话都有据可查。通过本文的实战你已经掌握了使用Harness框架构建企业级多模态RAG Agent的完整路径。从清晰的项目架构、模块化的技能开发、到最终的服务部署这套方法论能让你摆脱玩具Demo的局限真正将大模型能力落地到生产环境。记住好的AI应用是“三分模型七分工程”而Harness正是那解决工程难题的利器。现在你可以基于这个坚实的起点去探索更复杂的智能体场景了。建议收藏本文在后续开发中随时参考。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
