Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战¶

Ch01.738 Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战¶

📊 Level ⭐⭐ | 3.8KB | entities/openclacky-prompt-cache-harness-v2ex-799662c56ba6.md

Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战¶

相关实体¶

• yoonho lee: text optimization as a legitimate learning mecha → 原文存档

• MOC

深度分析¶

Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战 涉及agent领域的核心技术议题。

核心观点¶

1. Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战¶

   来源：V2EX（yafeilee）· 2026-05-14 · 前篇：https://v2ex.

2. com/t/1211434

核心结论¶

「效果已经不是当前 Agent 的主要矛盾，成本才是。 3. 」 3项任务实测，4家Agent横评，OpenRouter CSV逐请求核定： | Agent | 总成本 | 请求数 | Cache 命中率 | |-------|--------|--------|-------------| | OpenClacky | $5. 4. 10 | 51 | 90. 5. 6% | | Claude Code | $5.

内容结构¶

• Harness 工程分享：LLM Agent 的 prompt cache 命中率 90% 实战
• 核心结论
• 高 cache 命中率与多功能之间的结构性冲突
• 三年失败史
• 第一代（2024-2025上）：RAG / 知识库
• 第二代（2025中期）：SWEBench / 多Agent工作流
• 第三代（2025年底至今）：Ruby重写
• 核心决策1：双cache标记 + 允许失败回退

技术要点¶

• agent架构: 本文在agent方向提出的设计理念与实现路径
• 工程挑战: 实际落地中面临的关键问题与应对策略
• code趋势: 相关技术演进方向与新兴范式

关联实体¶

• 一文带你弄懂 Ai 圈爆火的新概念Harness Engineering
• Karpathy 最新访谈从 Vibe Coding 到 Agentic Engineering
• 深入理解 Claude Code 源码中的 Agent Harness 构建之道
• Karpathy Vibe Coding Agentic Engineering
• Agentops Operationalize Agentic Ai At Scale With Amazon Bedr
• 存之有序治之有矩Agent 记忆系统的工程实践与演进

实践启示¶

1. 工程落地: agent领域方案需关注可观测性、可维护性和成本效率
2. 技术选型: 根据场景选择合适的技术栈，避免过度设计或盲目追新
3. 持续迭代: 建立数据驱动的反馈闭环，持续优化系统表现
4. 风险管控: 引入新技术需评估对现有系统稳定性的影响，做好降级预案