第 05 篇已经把复杂任务写成可观察的 Todo 清单，但局部检索产生的文件、日志和失败尝试仍会进入主 `messages`。本篇增加 `task` 工具、`spawn_subagent()`、独立 `SUB_SYSTEM` 与全新的 `child messages`，沿“父 Agent 分派—子 Agent 调用工具—summary 回填父循环”的链路，解释上下文隔离怎样成立、治理 Hook 为

前置知识一已经把 Model 与 Harness 分开，但“模型提出动作、Harness 负责执行”仍只是一条静态分工。本篇沿“查看目录后再选择文件”这次任务，定位单次调用在新环境状态处为什么会断开；再解释 ReAct 中 reasoning、action、observation 如何形成反馈。随后严格区分 ReAct 方法范式、Tool Calling 结构化交接和 Agent Loop 控制结

前置知识已经说明，大模型可以生成回答或工具调用意图，却不会自行进入外部环境执行；Agent 因此需要一条能够行动、观察并继续判断的反馈循环。本篇把这条抽象循环写成第一个 Python 程序，并始终围绕“查找当前目录中的 Python 文件”这次请求，观察模型如何提出动作、Harness 如何执行、结果怎样回到下一轮，以及程序最终怎样停止并形成完整闭环。

第 08 篇已经把长工具结果、旧消息和整体历史压缩到可继续推理的大小，但 transcript 保存的是运行记录，summary 保存的是当前任务恢复点，它们都不会自动判断哪些偏好、项目事实和纠错经验值得跨会话保留。本篇增加文件化 Memory：用轻量索引描述已有记忆，根据当前问题选择少量正文，在模型调用前注入；回合结束后再从压缩前快照提取新信息，并在达到阈值时执行 consolidation。重

这是整个 Agent Harness 系列的第一块地基。我们先把 AI、Machine Learning、Deep Learning、Generative AI 和 LLM 放回各自的位置，再沿一次模型调用观察它能生成什么、不能直接改变什么。随后用同一个“整理本地 Python 项目”任务，对照聊天助手、固定 Workflow 和模型驱动 Agent 的控制权、状态来源与执行责任。最后给出本课程采

第 02 篇已经把 Bash 扩展成 `read_file`、`write_file`、`edit_file`、`glob` 等原子工具，并通过 dispatch map 保持主循环稳定。但“工具已注册、参数合法、handler 存在”只说明程序能够执行，并不等于这次执行应当被允许。本篇沿一次 Bash 调用进入 handler 前的最后一步，建立 deny list、规则匹配和人工确认三道权限关