🧠 پشت‌صحنه AI Agentها؛ از اولین حلقه اجرا تا طراحی Harness

💭 «طراحی Harness، کلید عملکرد در مرزهای پیشرفته کدنویسی عامل‌محوره.»

— تیم مهندسی انتروپیک، ۲۰۲۶

🚀 از پرامپت‌های ساده فراتر برو و با LangChain و LangGraph، Agentهای آماده Production بساز؛ از حلقه‌های استدلال ReAct تا فراخوانی ابزار و مهندسی Context.

📘 توضیح کتاب

🏗️ کتاب AI Agents & Harnesses Foundations نشان میده چطور AI Agentها و Agent Harnessهایی را بسازی که زیربنای اپلیکیشن‌های مدرن Agentic AI هستن. Harness همان ساختار اجرایی و کنترلی پیرامون Agent است که اجزای لازم برای انجام و ادامه‌دادن وظایف را کنار هم قرار میده.

🧩 مسیر یادگیری از اجزای پایه LangChain، شامل مدل‌ها، پیام‌ها، پرامپت‌ها، ابزارها و خروجی‌های ساختاریافته شروع میشه. با استفاده از این اجزا، به‌تدریج Agentهایی با قابلیت‌های بیشتر میسازی.

⚙️ در ادامه، سازوکار داخلی Agentها را بررسی میکنی؛ از حلقه اجرای Agent و LLMهای دارای قابلیت فراخوانی ابزار گرفته تا State، حافظه، مهندسی Context، هماهنگ‌سازی و Agentهایی که وظایف طولانی‌مدت را دنبال میکنن.

🔍 با استفاده از LangChain، LangGraph و LangSmith می‌بینی سیستم‌های عامل‌محور مدرن چطور ساخته و هماهنگ میشن و چطور میشه مسیر اجرای اون‌ها را ردیابی و رفتارشان را مشاهده کرد.

🛠️ این مسیر کمک میکنه معماری Harnessهای مدرن را درک کنی و پایه‌های عملی لازم برای ساخت، عیب‌یابی، ایمن‌سازی و تکامل Agentهای قابل‌اعتماد در محیط Production را به دست بیاری.

🎯 در پایان، علاوه بر شناخت اجزای یک سیستم عامل‌محور، میتونی ارتباط میان حلقه اجرا، ابزارها، State، حافظه و Context را در عمل درک کنی و از این مبانی برای توسعه Agentهای قابل‌اعتماد استفاده کنی.

🎯 چیزهایی که یاد میگیری

🧩 ساخت AI Agent با اجزای پایه LangChain، ابزارها و خروجی‌های ساختاریافته.

🔄 درک حلقه اجرای Agent: فراخوانی مدل، اجرای ابزارها، بازگرداندن نتایج به مدل و تکرار این چرخه.

🧠 ساخت Agentهای دارای حالت یا Stateful با LangGraph و به‌کارگیری مهندسی Context.

🔍 ردیابی و عیب‌یابی رفتار Agentها با LangSmith.

🏗️ طراحی Agent Harnessهای قابل‌اعتماد برای اجرای وظایف طولانی‌مدت.

🛡️ ایمن‌سازی و بهبود سیستم‌های AI Agent در Production با استفاده از حافظه، ذخیره‌سازی پایدار و محدودیت‌های حفاظتی یا Guardrailها.

✨ چه چیزی این کتاب را متمایز میکنه؟

🔧 بیشتر آموزش‌های Agent، دکوراتور را نشان میدن و همان‌جا متوقف میشن. این کتاب توضیح میده خود دکوراتور و Harness پیرامون اون، در عمل چه کاری انجام میدن.

🧱 ساخت بر پایه اصول اولیه: کار با LangChain، پرامپت‌های خام و عبارت‌های منظم یا Regex؛ باز کردن ساختارها تا اجزای پایه و بازسازی دستی اون‌ها.

🔬 توضیح واقعی Harnessها: به‌جای صرفاً نام بردن از Harness، سازوکار اون در سیستم‌های واقعی مثل Claude Cowork و Deep Agents در LangChain بررسی و دنبال میشه.

📚 ریشه‌یابی در تاریخچه Agentها: بررسی نقش LangChain در فراگیر کردن انتزاع‌های Agent و مسیر تکامل این رویکرد در LangGraph و Deep Agents.

📝 توضیح نظری: متن اصلی این مورد با عبارت «Theory that explains» قطع شده و ادامه آن موجود نیست.

👤 این کتاب برای چه کسانیه؟

👨‍💻 این کتاب برای توسعه‌دهندگان، مهندسان، متخصصان داده و ML، تیم‌های پلتفرم و عملیات و مدیران محصول نوشته شده که میخوان Agentها، Harnessها، Subagentها، مهندسی Context، MCP و Skillها را از درون و به‌صورت عمیق بشناسن.

🐍 آشنایی با Python و کار با خط فرمان کمک‌کننده است؛ اما به پیش‌زمینه یادگیری ماشین نیازی نیست.

🛠️ این کتاب روی مبانی تمرکز داره: حلقه اجرای Agent و Harness را شخصاً و لایه‌به‌لایه میسازی تا سازوکار اون‌ها را بفهمی و در کنار این شناخت، نحوه استفاده از Frameworkها را یاد بگیری.

📖 فهرست مطالب

فصل ۱. درک مبانی LangChain

فصل ۲. ساخت اولین Agent

فصل ۳. شناخت سازوکار داخلی Agentها

فصل ۴. ساخت حلقه اجرای Agent بدون Framework

فصل ۵. پیاده‌سازی ReAct از صفر: ساخت حلقه اجرای Agent بدون Function Calling

فصل ۶. مهندسی پرامپت و Context

فصل ۷. Agent Harnessها و Deep Agents

فصل ۸. دسترسی به مجموعه کدها و نسخه PDF

👤 درباره نویسنده

👨‍💻 ایدن مارکو، معمار AI در Google Cloud و سفیر LangChain است و سال‌ها تجربه در مهندسی نرم‌افزار، معماری Cloud و امنیت داره.

🎓 او یکی از نخستین مهندسان Orca Security بوده، مدرک کارشناسی علوم کامپیوتر از مؤسسه فناوری تخنیون داره و در دانشگاه رایشمن تدریس کرده است.

🛡️ ایدن همچنین مدرس AI و امنیت AI است و تجربه عملی خودش در ساخت سیستم‌های هوش مصنوعی امن و آماده Production را از طریق آموزش‌های کاربردی و عملی به اشتراک میذاره.

“Harness design is key to performance at the frontier of agentic coding.” — Anthropic Engineering, 2026

Go beyond simple prompts and build production-grade AI agents with LangChain and LangGraph, from ReAct reasoning loops to tool-calling and context engineering.

AI Agents & Harnesses Foundations shows you how to build the AI agents and agent harnesses powering modern agentic AI applications. You'll start with LangChain's core primitives, including models, messages, prompts, tools, and structured outputs, and use them to build increasingly capable agents. From there, you'll go under the hood to understand the agent loop, tool-calling LLMs, state, memory, context engineering, orchestration, and long-horizon agents. Using LangChain, LangGraph, and LangSmith, you'll see how modern agent systems are built, orchestrated, traced, and observed. By the end, you'll understand modern agent harness architecture and have the practical foundations to build, debug, secure, and evolve reliable production AI agents.

In this book, you'll learn how to:

• Build AI agents with LangChain primitives, tools, and structured outputs
• Understand the agent loop: call the model, run tools, feed results back, repeat
• Build stateful agents with LangGraph and apply context engineering
• Trace and debug agent behavior with LangSmith
• Design reliable agent harnesses for long-horizon execution
• Secure and improve production AI agent systems with memory, persistence, and guardrails

Why this book stands out

Most agent tutorials show you the decorator and stop there. This one shows you what the decorator, and the harness around it, is actually doing.

• Built from first principles: LangChain, raw prompts, and regex, stripped down and rebuilt by hand
• Harnesses explained, not name-dropped: traced through real systems like Claude Cowork and LangChain's Deep Agents
• Grounded in agent history: LangChain's role in popularizing agent abstractions, and its lineage through LangGraph and Deep Agents
• Theory that explains /li>

Who this is for

This book is for developers, engineers, data and ML professionals, platform and operations teams, and product managers who want to understand agents and harnesses, subagents, context engineering, MCP, skills, from the inside out. Comfort with Python and a command line helps; no machine learning background is needed. It's a foundations book: you'll build the agent loop and harness yourself, layer by layer, rather than just learning where to plug into a framework.

Table of Contents

Chapter 1. Understanding LangChain Foundations

Chapter 2. Building Your First Agent

Chapter 3. Understanding Agents Under the Hood

Chapter 4. Building Agent Loop Without a Framework

Chapter 5. ReAct From Scratch: Building an Agent Loop Without Function Calling

Chapter 6. Prompt and Context Engineering

Chapter 7. Agent Harnesses and Deep Agents

Chapter 8. Unlock the Code Bundle and the PDF Version

About the Author

Eden Marco is an AI Architect at Google Cloud and a LangChain Ambassador, with years of experience in software engineering, cloud architecture, and security. He was one of the first engineers at Orca Security, holds a bachelor's degree in computer science from the Technion, and has taught at Reichman University. Eden is also an AI and AI security educator, sharing his real-world experience building production-grade, secure AI systems through practical, hands-on teaching.