工程横切四篇回答"Agent 怎么从 Demo 变成生产系统"——骨架、生产化、协议、配置一条龙，另补 4 处原文档只有结论没给手段的点。① Harness 工程：Harness=框架中"不是 AI 的部分"但决定 AI 能跑多远——Hook 管道六节点（PreCall→PreReasoning→PostReasoning→PreActing→PostActing→PostCall）+ 六大子系统 + 三级 Hook 管道（Session/Loop/Skill 各 0-900 优先级）；Hook 管流程可 jump_to 改路由、Interceptor 管质量不能改路由；错误恢复严重度四层（重试→压缩→降级→结构化失败）；② 生产化工程：POC→生产 9 道坎（会话隔离/状态外部化/三探针/优雅关闭/配置热更新/模型灾备/限流熔断/可观测/蓝绿发布）；四层容错=严重度(基调)×错误类型(动作)两轴合一，多错误叠加先定基调再选动作；Agent CI/CD 比传统多 Prompt/模型/Eval 三维（PR→快照→工具单测>90%→Mock→E2E→A/B 7天+1000样本≥3WIN→灰度→全量→异常回滚）；并发三路线（Tokio work-stealing/asyncIO 协程/Java21 虚拟线程，Codex 按工具名读写锁最优雅）；优雅关闭时序（SIGTERM→拒新→摘除→等会话→存 Checkpoint INTERRUPTED→SIGKILL）；③ 补缺·可观测/成本/评测：可观测四件套=Trace(OTel GenAI span：llm/tool/agent/retrieval，W3C traceparent 跨 Agent 传播)+Metrics(token/成本/延迟/成功率/高危拦截)+Logs(结构化+Prompt 脱敏)+Eval(golden+adversarial)；成本三件套=Prompt Cache(命中段约 0.1× 读价)+语义缓存(相似问题直接回)+模型路由(easy→小/难→大 对应配置 routing)+预算熔断(会话 token/成本上限)；评测体系=golden set 建设(真实场景人工标注+自动 adversarial)+LLM-as-Judge 校准(抽样人工复核一致性)+离线(CI mock)+在线(灰度 A/B)+基线漂移监控；④ 协议栈四层：L0 脑和模型(L0 字段式 vs Anthropic 块式，结果回填 messages 是上下文注入) / L1 脑和手(MCP tools/list+calls) / L2 脑和脑(A2A AgentCard+Task 异步) / L3 脑和眼(AG-UI SSE 8 事件)；四坑(报文直塞/结果没回填失忆/MCP 连断破坏 Cache/A2A 当同步)；⑤ 配置落地：一份 YAML 定义 Agent(model 降级链+loop+tools 权限+skills+memory+security+observability)→DB 四张表(agent_definitions/agent_sessions/skill_registry)→启动 SELECT active 构建；补缺·多租户隔离=每用户独立 Checkpoint/上下文+租户配额(token/并发/成本)+数据边界(存储按租户分区)。金句：AI 只负责想、Harness 负责跑起来且不崩；POC 差距不在代码量在工程化维度；一条请求穿过四层任何一层断交互就失败；原文档给了目标值的地方，生产落地靠的是手段不是口号。