最近看到一篇Uber内部的工程经验分享，200万浏览量，讲的是Harness如何…

最近看到一篇Uber内部的工程经验分享，200万浏览量，讲的是Harness如何多快好省地完成任务。

这篇文章对做Agent开发的人来说非常有价值。

核心问题

Agent执行任务时，最大的挑战不是能不能做，而是如何高效地做。

Uber的工程师发现，Agent在执行复杂任务时，经常会遇到这些问题：

1. 任务分解不合理：把大任务拆成太多小步骤，导致效率低下
2. 资源浪费：重复执行相同的子任务，没有缓存机制
3. 错误恢复困难：一旦某个步骤失败，整个任务需要重来
4. 上下文管理混乱：任务执行过程中，关键信息容易丢失

Uber的解决方案

1. 智能任务分解

不是简单地把任务拆成线性步骤，而是分析任务的依赖关系，找出可以并行执行的部分。

比如一个数据分析任务，数据清洗、特征工程、模型训练可以部分并行，而不是串行执行。

2. 缓存和复用

对于重复执行的子任务，建立缓存机制。如果输入相同，直接返回缓存结果，不重新计算。

这在Agent执行批量任务时特别有效，可以节省大量时间和计算资源。

3. 断点续传

任务执行失败时，不是从头开始，而是从失败点继续。关键是要保存中间状态，确保可以恢复。

4. 上下文压缩

长任务执行过程中，关键信息需要保留，但中间过程可以压缩。Uber开发了一套上下文管理机制，确保Agent不会忘记重要信息。

实际效果

根据文章数据，采用这些优化后：

• 任务完成时间平均缩短40%
• 计算资源消耗降低35%
• 任务成功率从75%提升到92%

对Agent开发者的启示

1. 不要只关注模型能力

很多人觉得Agent效果不好是因为模型不够强。实际上，任务编排和资源管理同样重要。

2. 缓存是必须的

如果Agent要执行重复任务，缓存机制可以大幅提升效率。不要每次都从头计算。

3. 错误恢复机制

Agent执行任务时，失败是常态。关键是要有完善的错误恢复机制，而不是简单地重试。

4. 上下文管理

长任务执行时，上下文管理是核心挑战。需要找到保留关键信息和压缩中间过程的平衡点。

适合谁看？

• Agent开发者：需要优化Agent执行效率
• 技术团队负责人：需要控制AI工具的使用成本
• AI架构师：需要设计高效的Agent系统

总的来说，Uber的这篇工程经验分享非常有价值。对于正在做Agent开发的团队来说，值得深入研究一下。