Agent Engineering 学习周报 #1：从 Skills 到 Harness、Runtime 与 Team Context
整理 2026-09-07 ～ 2026-09-13 GitHub Trending 中值得长期关注的 Agent Engineering 项目，并把热点归纳成可学习的技术主线。
周报范围：2026-09-07 ～ 2026-09-13。
目标不是重复 GitHub Trending 榜单，而是把一周里出现的高价值项目整理成一条可持续学习的 Agent Engineering 路线。
本周结论
这一周最明显的变化，是 Agent 生态开始从“模型 + Tool Calling”继续向工程化分层：
Skills
↓
Harness
↓
Team Context / Memory
↓
Runtime / Product
↓
Local Inference / Gateway如果只看 Star，很容易把这些项目当成一批互不相关的热门仓库；把它们放到同一张图里之后，可以看到 Agent 工程正在逐渐形成稳定的软件栈。
Agent Application
│
┌──────────────────────┼──────────────────────┐
│ │ │
Skills Harness Runtime
│ │ │
Superpowers TeamAI / ECC OpenCode
mattpocock/skills Hermes PI-Desktop
diagram-design HumanLayer │
│ │ │
└──────────────────────┼──────────────────────┘
│
Infrastructure
│
Local LLM / Gateway
Magnitude / llmfit
OmniRoute本周最值得学习的不是某一个“最强 Agent Framework”，而是理解这些层之间的职责边界。
一、Skills 正在从提示词技巧变成工程资产
本周多个 Trending 项目都在围绕 Skills 展开。
obra/superpowers
Superpowers 把软件开发过程拆成一组可复用工作流，例如 brainstorming、writing-plans、test-driven-development、systematic-debugging、code review 和 verification。
它最值得学习的地方，是把“高级工程师的工作习惯”编码成 Agent 必须遵循的流程：
需求
↓
澄清 / Brainstorm
↓
Plan
↓
TDD / Implement
↓
Debug
↓
Review
↓
Verification这类 Skill 的价值在于稳定行为，而不是增加模型知识。
mattpocock/skills
这个仓库更加偏向真实工程场景，包含 grill-with-docs、triage、implement、diagnosing-bugs、research、tdd、domain-modeling、code-review 等 Skill。
它非常适合作为 Skill 设计参考，因为很多能力都围绕一个问题：怎样让 Agent 少猜、先确认上下文、形成反馈闭环。
vercel-labs/skills
它代表另一个重要方向：Skill 不只是文件，还需要安装和分发体系。
可以把它理解成：
npm → JavaScript Package
pip → Python Package
skills tooling → Agent Skill一旦 Skills 成为通用接口，后续一定会需要 Discover、Install、Update、Version、Marketplace 等生态能力。
cathrynlavery/diagram-design
这是很好的“专业能力 Skill 化”案例。它把架构图、流程图、Sequence、ER、State、Swimlane、Sankey、Gantt、Dependency、Deployment 等图形生成能力封装成 Coding Agent 可调用的 Skill。
这说明 Skills 正在从“怎么回答”扩大到“怎么完成专业任务”。
本周对 Skills 的理解
Prompt
= 一次性指令
Rule
= 长期约束
Skill
= 某类任务的可复用执行流程 + 资源 + 验证方式这会是后续学习 Agent Harness 的基础。
二、Harness 开始成为 Agent 工程的核心层
Skill 再多，如果没有统一组织方式，很快就会变成一堆 Markdown 文件。
本周值得重点看的 Harness 项目有三个。
Tencent/teamai-cli
TeamAI 面向团队解决：不同开发者使用 Claude Code、Codex、Cursor、OpenCode 等不同 Agent 时，怎样共享同一套：
Skills
Rules
Docs
Hooks
MCP
Agents
Environment
Knowledge
Learnings它可以被理解成团队级 Agent Harness 分发层。
最值得继续研究的是它的经验沉淀机制：
Agent Session
↓
用户纠正 / Tool 重试 / 执行失败
↓
Friction Signal
↓
提取 Learning
↓
Review
↓
Team Knowledge
↓
未来 Session Recall这里提出了一个比“如何做 Vector DB”更重要的问题：什么信息值得进入长期 Memory。
affaan-m/ECC
ECC 的定位是 Coding Agent Harness，把 Plan、Test、Implement、Review、Verify、Memory 和持续改进组织成一套工程系统。
可以把它理解成：
Model
+
Tools
+
Rules
+
Skills
+
Memory
+
Verification
=
Engineering Harness它覆盖范围很广，适合用来观察一个成熟 Harness 会包含哪些模块，不一定需要完整采用。
NousResearch/hermes-agent
Hermes 更接近长期运行的 Personal Agent Runtime + Harness。
值得关注的能力包括：
Persistent Memory
Skill Creation
Session Search
User Modeling
Cron / Automation
Subagents
Docker / SSH / Sandbox它开始把 Agent 从“一次聊天任务”推进到“长期存在的软件实体”。
本周对 Harness 的理解
Harness 可以暂时定义为：
Harness
├── Prompt / Rules
├── Skills
├── Tool Registry
├── Hooks
├── Memory
├── Context
├── Verification
├── Permission
└── Execution Workflow模型决定上限，Harness 很大程度决定 Agent 在真实工程中的稳定性。
三、Team Context 与 Memory 比 RAG 本身更值得研究
这一周多个项目都在暗示：Agent Memory 正在从“聊天记录向量化”转向结构化经验。
TeamAI 的 Learning、Hermes 的持久记忆，以及 HumanLayer 的 Agent Workflow 都在强调：
原始 Session
↓
筛选高价值信息
↓
结构化 Learning / Skill / Context
↓
未来任务按需 Recallhumanlayer/skills
HumanLayer 的 Skill 很有工程味，包括：
- 改进
CLAUDE.md - 收窄 React Prop 类型
- 构建持续迭代 Agent Loop
- 设计控制循环
- 快速生成代码 / 图示说明
其中 build-iterated-agentic-loop 很值得关注，因为它把 Agent、GitHub Actions、Prompt、Memory、模板和迭代流程连接了起来。
这一类项目说明：Memory 最终可能不会独立存在，而是和 Workflow、Skill、Eval 一起组成一个持续改进闭环。
四、Agent Runtime 正在成为独立产品层
anomalyco/opencode
OpenCode 是本周最值得作为“Coding Agent Runtime”源码参考的项目之一。
它适合重点观察：
Agent Loop
Tool Calling
Provider Abstraction
Permission
TUI
Plan / Build Agent
Subagent如果想真正理解 Coding Agent 的运行过程，读 OpenCode 比继续看抽象 Framework 更直接。
vastsa/PI-Desktop
PI-Desktop 展示了 Agent 真正进入产品之后，需要补齐多少工程能力。
它的核心架构可以概括为：
React Renderer
│
Electron Main
↙ ↘
Rust Host Agent Sidecar
│ │
FS / DB Agent Loop
Secrets Models
Permission Tools重点已经超出 LLM 本身，进入：
Session
Permission
Secrets
Process Isolation
Persistence
Recovery
Plugin
Review UI
Subagent这对前端开发者理解“AI 产品工程”尤其重要。
bilawalsidhu/gods-eye-view
God's Eye View 是本周很好的 Agent UX 案例。
它把实时 3D 地球、飞机、船舶、卫星、地震、公共摄像头和 AI Voice Agent 放进同一个复杂 GUI。
Agent 可以读取当前 Scene、Camera、Coordinates、Selected Entity 和 Telemetry，再操作地图工具。
它说明 AI 产品不需要把 Chat Window 当成唯一入口：
Agent
↙ ↓ ↘
Camera Data Tools
↓ ↓ ↓
Application UI这是值得长期关注的 Agent UX 方向。
五、本地推理和 Gateway 开始补齐 Agent 基础设施
本周另外一条明显主线，是 Agent Runtime 和 Model Runtime 逐渐解耦。
magnitudedev/magnitude
Magnitude 会分析本机硬件，选择适合的 Local Model，并提供统一推理服务给 Codex、Claude Code、OpenCode 等 Agent 使用。
AlexsJones/llmfit
llmfit 更专注硬件匹配和 Benchmark：
CPU / RAM / GPU / VRAM
↓
Model
↓
Quantization
↓
预计速度 / 实测 tok/s这类工具说明 Local LLM 正从“下载 Ollama 自己试”走向更成熟的模型选择与运行层。
diegosouzapw/OmniRoute
OmniRoute 对应的是 AI Gateway：
Agent
↓
Gateway
↓
Model Routing
Fallback
Quota
Cost
Compression
↓
LLM Providers以后企业 Agent 很可能不会直接绑定单一 Provider，而是统一经过 Gateway 做治理。
六、本周项目优先级
按“当前学习价值”排序，我会把上周收集到的项目分成三层。
第一层：建议真正读源码 / 文档
| 项目 | 重点 |
|---|---|
| obra/superpowers | Skill 与软件工程方法论 |
| Tencent/teamai-cli | Team Harness、Knowledge、Learning |
| anomalyco/opencode | Coding Agent Runtime |
| vastsa/PI-Desktop | Agent 产品架构、Permission、Session |
| NousResearch/hermes-agent | Persistent Agent、Memory、Subagent |
第二层：重点理解架构方向
| 项目 | 重点 |
|---|---|
| affaan-m/ECC | 大型 Coding Agent Harness |
| humanlayer/skills | Repo-local Agent Workflow |
| vercel-labs/skills | Skill 分发生态 |
| magnitudedev/magnitude | Local Model Runtime |
| diegosouzapw/OmniRoute | AI Gateway |
第三层：直接拿来用 / 快速观察
| 项目 | 用途 |
|---|---|
| cathrynlavery/diagram-design | 架构图 / 流程图 Skill |
| mattpocock/skills | 工程 Skills 参考库 |
| ayghri/i-have-adhd | Agent 输出 UX 规则 |
| bilawalsidhu/gods-eye-view | Agent + Complex GUI 产品案例 |
七、本周形成的知识图
把上周项目放在一起，可以得到一张更完整的 Agent Engineering Map：
Agent Engineering
│
┌────────────────────┼────────────────────┐
│ │ │
Skills Harness Runtime
│ │ │
Superpowers TeamAI OpenCode
Matt Skills ECC PI-Desktop
Diagram Design Hermes │
│ │ │
└────────────── Context / Memory ────────┘
│
Learning / Recall / Session
│
Infrastructure Layer
│
Local Inference / AI Gateway
Magnitude / llmfit / OmniRoute当前最重要的学习目标，是把这张图从“知道名词”推进到“能解释每层为什么存在、数据怎么流、权限怎么控制、状态怎么持久化”。
八、下一周学习重点
下周学习不继续铺更多仓库，优先沿已有主线深入。
1. Skill
阅读 Superpowers 中的：
brainstorming
writing-plans
test-driven-development
systematic-debugging然后完成自己的 frontend-debugging/SKILL.md。
2. Harness
深入 TeamAI CLI：
Skill distribution
Friction-based learning
Recall subagent
Team Knowledge目标是回答：团队经验怎么进入下一次 Agent Session？
3. Runtime
对照阅读：
重点搞清楚：
Agent Loop
Session
Permission
Tool Execution
Subagent
Persistence4. 输出
下一阶段至少留下三个自己的产物：
frontend-debugging/SKILL.md
Skill → Harness → Runtime 架构图
自己的 Coding Agent Desktop 设计草稿最后
上周最大的收获，是 Agent Engineering 的学习路径开始变得清晰。
后续可以暂时减少对“又出现了哪个 Agent Framework”的关注，把主要精力放到几个长期问题上：
Agent 如何稳定执行？
Agent 如何获得正确 Context？
Agent 如何积累 Memory？
Agent 如何被权限系统约束？
Agent 如何长期运行？
Agent 如何进入真实产品？只要持续沿着 Skills → Harness → Context → Runtime → Infrastructure 这条链路深入，GitHub Trending 就能从“项目收藏榜”变成真正的 Agent Engineering 学习雷达。