CMU 11-768 AI Agents 课程拆解：OpenHands 作者教你搭 Harness、建评测、RL 训 Agent

第一课的下半场讲了十分钟，Graham Neubig 朝教室抛了一个我今年写了半年的问题。让 Agent 变强有两条路，他说：训模型，或者在模型外面做 Harness。举手表决，哪条更重要？训模型的举了几只手，Harness 举了一大片。Daniel Fried 举了两次，被当场提醒讲师没有投票权。

然后 Neubig 给了自己的答案。截至 2026 年 9 月 8 日，CMU 11-768 AI Agents 一共放出四个半小时视频，这句是最值钱的：“通常的流程是，你发现一个问题，先在 Harness 里把它解掉。然后训模型的人跟上来……你就不用再在 Harness 这边解它了。“他本人更认训练是根本解法，前提是你付得起。你通常付不起，所以从 Harness 开始。

这一段对话就把这门课定了性。斯坦福的 CS146S 是本站阅读量最高的课程页，它教你把 Agent 用好。11-768 是供给侧：Harness、评测、RL 训出来的策略是怎么造的，讲课的是 OpenHands 的作者，搭档的研究组做人机交互。目前没有第二门公开的大学课程把搭脚手架、设计评测、Agent 强化学习放进同一份大纲。这篇把 28 次课、三份作业和"它到底适合谁"全部拆开。

CMU 11-768 到底是什么

官网 cmu-agents.com 是个 React 单页应用，直接抓页面只有一个标题。下表所有事实来自 9 月 8 日从站点 JavaScript 包里扒出来的课表数据、作业 1 仓库和第一课录像。没核实到的几条我放在文末。

一句话定位是 Neubig 自己在发布推文里写的：“学会搭一个脚手架、建评测、用 RL 训练一个 agentic LLM。“官网列的学习目标是：在开源 LLM 上从零实现一个 Agent，为多步任务设计评测，训练 Agent 提升能力，权衡安全与可靠性，并推进一个开放的 Agent 研究问题。

拿这份清单对着 CS146S 的大纲看，差距一目了然。CS146S 完全不碰训练，也从不让你写循环。11-768 第三周就让你写循环。

Build、Evaluate、Train：这门课的脊柱

Fried 在第一课把结构讲得很直白：前半学期三项技能，搭 Harness、评测它、用 RL 训它；后半学期用这三项技能做小组项目。讲课顺序是先讲 Agent 能力，再讲领域（编码、GUI、深度研究），再讲 SFT 和 RL，再讲框架和安全，再讲交互，最后是客座讲座。

这条脊柱怎么对到本站已经写过的工具和概念，是 Claude Code、Codex 重度用户该关心一门研究生 NLP 课的全部理由。

flowchart TB
    subgraph B["Build（作业 1，9 月 14 日截止）"]
        B1["ReAct 循环
Agent.run"]
        B2["工具分发
execute / send_message"]
        B3["SKILL.md 技能
渐进式披露"]
        B4["上下文压缩
6,000 token 阈值"]
    end
    subgraph E["Evaluate（作业 2，9 月 24 日截止）"]
        E1["LLM-as-judge 评测"]
        E2["SWE-bench 式
FAIL_TO_PASS"]
        E3["观测 A/B 实验
轨迹分析"]
    end
    subgraph T["Train（作业 3，10 月 22 日截止）"]
        T1["轨迹上的 SFT"]
        T2["RL 基础与
GRPO 一代算法"]
        T3["RL 系统
SkyRL、Miles"]
    end
    B --> E --> T
    B1 -.-> H1["Claude Code / Codex
的 agentic loop"]
    B3 -.-> H2["Claude Code Skills
同一套 YAML 头"]
    B4 -.-> H3["/compact 与
自动压缩"]
    E2 -.-> H4["Harness 第 5 层：
评测门禁"]
    T2 -.-> H5["Harness 补丁
被模型吸收的地方"]
    classDef build fill:#0f2a3d,stroke:#2dd4bf,color:#e6fffb
    classDef eval fill:#2a1f3d,stroke:#a78bfa,color:#f3efff
    classDef train fill:#3d2a0f,stroke:#f59e0b,color:#fff7e6
    classDef tool fill:#1a1a1a,stroke:#9ca3af,color:#e5e7eb
    class B1,B2,B3,B4 build
    class E1,E2,E3 eval
    class T1,T2,T3 train
    class H1,H2,H3,H4,H5 tool

虚线才是重点。作业 1 左边每一个框，都是你在商业编码 Agent 里配置过的东西：hooks、skills、压缩阈值、工具报错处理。这门课让你把每一个亲手造出来，再量一下哪里会坏。这就是我在Harness 六层倒着建里写的 Harness 工程，只是多了个打分的人。

右边则是 Neubig 那句"先 Harness、训练随后跟上"落地的地方。我在 Harness 工程是窗口期不是护城河里论证过，Harness 的优势是 2026 到 2027 的窗口，不是永久壁垒。第一课就是 OpenHands 作者对着一屋子博士生说同样的话，然后用作业 3 教他们怎么把窗口关上。

2026 秋季完整课表（28 次）

先看模块级的全貌：

timeline
    title 11-768 2026 秋按模块划分
    8月25日 - 9月8日 : Agent 能力（5 讲）
                     : 工具调用、上下文、技能与记忆、规划
    9月10日 - 9月24日 : 领域（3 讲）+ SFT
                      : 编码、GUI、深度研究
                      : A1 Harness 9月14日截止，A2 评测 9月24日截止
    9月22日 - 10月1日 : 训练（4 讲）
                      : RL 基础、进阶 RL、RL 系统
    10月6日 - 10月22日 : 安全 + 框架
                       : 沙箱、OpenHands、LangGraph、可观测性
                       : A3 训练 10月22日截止
    10月27日 - 11月17日 : 交互 + 搜索
                        : 未来工作、多智能体、人机交互、重排、树搜索
    11月19日 - 12月3日 : 客座 + 海报
                       : Narasimhan、Rush、期末展示

每一行都来自站点的课表数据。视频链接是截至 9 月 8 日 YouTube 播放列表里存在的四个录像；PPT 是 cmu-agents.com 上的直链 PDF（第 5 讲 18 MB，别用流量开）。没标讲者的就是 Neubig 或 Fried。

这张表里有两件事比标题本身重要。

参考文献才是真正的大纲。 第 2 讲一节课挂了 26 条参考，而且不是综述：MCP 2026-07-28 规范发布、Qwen3.8 的工具调用 chat template、DeepSeek V3.2 的工具调用编码脚本、OpenHands 的 ToolDefinition 源码、FastMCP 的 bearer token 鉴权。第 3 讲 44 条，把 DeepSeek、智谱 Z.AI、Kimi、OpenAI、Anthropic 的 KV cache 定价页并排放着，还把 Codex、OpenCode、Pi、Hermes Agent、OpenHands 的源码当作生产级 Agent 管理上下文的案例。第 4 讲把 Hermes Agent 的 prompt_builder.py 和 skills_tool.py 跟 SkillsBench、“Not All Skills Help” 两篇论文放在一起。只看视频，你会漏掉这门课大半的内容。

顺带一句国内读者会在意的：这份参考文献里中国模型的密度高得惊人。Qwen3.8-Flash-Next、GLM-5、GLM-5.3-Flash、Kimi K3、Kimi Linear、DeepSeek Sparse Attention、DeepSeek V4 全在第 3 讲的列表里，作业 1 的默认模型干脆就是 DeepSeek-V4-Flash。这是一门在匹兹堡讲、拿国产开源模型当教具的课。

客座名单是研究者，不是厂商。 CS146S 请的是 Claude Code 的作者、Warp 的 CEO、a16z 的合伙人。11-768 的外部声音是 Karthik Narasimhan（SWE-bench 和 SWE-agent 出自他的组）、Sasha Rush、Eric Wallace、Akari Asai。两门课面向的人完全不同，下面会说怎么选。

作业 1 拆开看：把你一直在配置的东西亲手造一遍

这是这门课对实践者最值钱的部分，所以篇幅给得最多。

cmu-agents/assignment-1 8 月 31 日公开，到 9 月 8 日有 30 星、23 fork。它是个 uv 工程，带 Makefile、一个内置的国际象棋 Web 应用，ASSIGNMENT.md 里写着 100 分的评分细则。默认模型是走 OpenAI 兼容接口的 deepseek/deepseek-v4-flash-0731，每次工具调用都在 Modal 沙箱里跑。起始代码的测试是故意失败的，你负责填 TODO。我 9 月 8 日克隆下来跑了 make setup（uv sync 加上锁定版本的 chess_app 子模块）和 uv run pytest：11 个失败、4 个通过、4 个被跳过（需要 Modal 的计费测试），3.2 秒，每个失败都是 TODO 处的 NotImplementedError。这就是完整的离线循环，一分钱不花。

按部分列一下你要造什么，以及它在你已经在用的工具里对应什么。

这份细则里有三个细节，比任何一页 PPT 都值钱。

第一，压缩那部分是在真实 SWE-bench 实例上打分的，还要你写一份有压缩和无压缩的 token 用量对比报告。这跟我在 2026 编码 Agent 上下文工程里非正式跑过的实验一模一样，当时的结论是做减法比做加法强。现在它成了一份带 FAIL_TO_PASS 检查的作业。它为什么进课程？Fried 第一课开场讲的就是这个故事：一位 OpenClaw 用户让 Agent 整理收件箱，它宣布"我要采取核弹方案”，删光了邮件，事后还承认"我记得她跟我说过，但我违背了”。Fried 的诊断是：Agent 压缩了上下文，“别删邮件"这条指令掉出去了。作业第 2 部分，就是让你亲手造出那个闯祸的机制，然后学会什么东西必须在摘要里活下来。

第二，技能部分要求渐进式披露：system prompt 里只放名字和描述，全文按需取。评分器会检查，没加载技能时 prompt 里不能出现 patch.txt 一个字。Claude Code 的技能目录为什么长那样，这一条说得比 Anthropic 自己的文档都清楚。

第三，第 3 部分的观测 A/B 实验（只给棋盘 vs 棋盘加合法走法，DeepSeek 和 gpt-oss 各跑一遍，共四组），评分标准是"看实验和证据，不看结果好坏，也不看赢没赢”。把工具输出设计当成对照实验做。我见过的大部分做 Agent 的团队，一次都没跑过这个实验。

两句实话。讲师的私有测试和参考补丁不在仓库里，校外人可以跑 make test，但永远拿不到那份私有评分。而且作业是计费的：Modal 沙箱加上 LLM token。在校生有赞助额度，你得自己掏，不过按 DeepSeek-V4-Flash 的价格，LLM 那部分是零钱，Modal 的免费额度也够跑不少沙箱分钟数。

国内跑作业的几个提示（这一段是我的推断，不是官方说法）：.env 里的 OPENAI_BASE_URL 是任意 OpenAI 兼容端点，课程用的 deepseek/deepseek-v4-flash-0731 是网关风格的模型名；如果你直连 DeepSeek 官方 API，要把 OPENAI_MODEL 改成官方的模型 ID，其余不用动。Modal 需要海外信用卡注册，这是最麻烦的一环；本地 Docker 替换沙箱理论上可行，但 Environment.execute 是绑 Modal 的，得自己改。

11-768、CS146S、CS329Z 该选哪个

这个秋天三所顶尖学校都在讲 “AI Agent”，但它们不是替代品。整个赛道我在2026 秋免费 AI Agent 课程盘点里写全了，这里只做三方对比。

给朋友的判断规则：如果你想变强的是配置一个 Agent，去上 CS146S，读我的 CS146S 总览。如果你想变强的是判断一个问题该放进 Harness 还是放进权重，那是 11-768，公开课里没有第二家教这个。

顺手打掉一个误解：11-768 不是 OpenHands 课。OpenHands 正好一节，10 月 8 日，下一节就是 LangGraph。作业 1 更接近 mini-SWE-agent（Fried 第一课现场演示过，评价是"对新模型有效，同时也够简单”），而不是 OpenHands。参考资料把 Codex、OpenCode、Pi、Hermes Agent、Claude Code 的权限模式当同类引用。Neubig 造了 OpenHands，但这门课讲的是这些工具下面共同的那套东西。

跟国内的框架对照也是一个道理。Qwen-Agent、OpenManus 这类项目，本质上都是作业 1 那个循环的不同封装：消息序列怎么拼、工具怎么分发、技能怎么按需加载、上下文什么时候压。上完作业 1，你读任何一个国产 Agent 框架的源码，都能直接定位到这四个函数。

Claude Code 重度用户必看的五节课

如果你每天跑编码 Agent，只有 6 小时而不是 27 小时，按这个顺序看。

1. 第 1 讲下半场（Neubig 讲能力）。 Harness 和训练的那段交锋，他对 Agent 失败原因的分类（环境理解、把安全当能力、“两行能改的事改了一千行”），以及系统全景：沙箱（Docker、Apptainer、Modal）、推理（vLLM、SGLang，“Agent 极其重要的一部分是缓存之前的请求”）、RL 系统（SkyRL、Miles）、可观测性（Laminar、MLflow）。30 分钟，够你重新整理自己那套配置的思路。
2. 第 3 讲，上下文管理。 重点看定价和 KV cache 那一段。看懂了前缀缓存定价为什么存在，你就不会再往 CLAUDE.md 里堆东西了。
3. 第 4 讲，技能与记忆。 Fried 主讲，参考资料是 Hermes Agent 的技能实现，配 SkillsBench 和 “Not All Skills Help” 两篇论文。任何 .claude/skills/ 目录都能直接用上。
4. 第 2 讲，工具调用。 节奏慢一点，但 chat template 那部分（Qwen、Mistral、DeepSeek 实际怎么编码一次工具调用）能解释你提过的一半"模型调错工具"的 bug。
5. 第 13 讲，沙箱与凭据管理（10 月 6 日，尚未录制）。 Neubig 第一课预告了这一节，用的例子是 OpenAI 的网络安全评测事故：一个 Agent 攻不进目标，转头把评测的 Hugging Face 页面黑了拿答案。如果你给 Agent 发过凭据，这节是你的。

暂时跳过：SFT/RL 那一块（第 8 到 12 讲），除非你手头有训练任务。它是在校生眼里这门课的核心，但也是"有训练语言模型经验"从建议变成硬门槛的地方。

怎么免费跟，视频什么时候上

没有直播。 课是录下来批量传到 Neubig 的 YouTube 频道。现有四个视频全是 9 月 8 日上传的，覆盖 8 月 25 日到 9 月 3 日的课，延迟大约一到两周。第 5、6 讲（9 月 8 日、10 日）PPT 已上，视频截至 9 月 8 日还没有。别掐着上课时间定闹钟，每周二看一眼播放列表就行。

国内读者的获取路径：PPT 是 cmu-agents.com 的直链 PDF，不用登录，我这边直接 curl 就下下来了；视频只在 YouTube，没有 B 站官方搬运（截至 9 月 8 日我没搜到），需要自备访问方式。能访问的话，yt-dlp --write-auto-subs --sub-langs en 就能把自动英文字幕拉下来，第一课 1 万 1 千词，扔给任何一个模型做摘要都够用。

课程时间换算，供参考（匹兹堡 11 月 1 日前 UTC-4，之后 UTC-5）：

截至 2026 年 9 月 8 日，免费 vs 仅限在校生：

自学者的六周压缩版。 学期把 22 讲摊在 15 周里，中间还有假期。自己跟的话，压缩一下，围绕你真正能做的那份作业重排：

• 第 1 周： 第 1、2 讲。克隆 assignment-1，跑 make setup 和 make doctor，让一次计费的 make run-code-agent 跑通。
• 第 2 周： 第 3、4 讲。做 A1 第 1、2 部分。就算没人打分也把 token 用量对比写出来，那份报告才是学到的东西。
• 第 3 周： 第 5、6 讲。做 A1 第 3 部分。跑完四组观测 A/B。
• 第 4 周： 第 7 到 10 讲，视频出一节看一节（GUI、SFT、RL 基础、深度研究）。把第 6 讲列表里的 SWE-Gym 和 R2E-Gym 论文读了。
• 第 5 周： 第 11 到 14 讲（进阶 RL、RL 系统、沙箱、OpenHands）。A2、A3 不公开，就在你的 A1 Harness 上自己建评测：10 个任务，FAIL_TO_PASS 风格，没有测试的用 LLM-as-judge。
• 第 6 周： 第 15 到 23 讲，到 11 月底陆续上。客座讲座是甜点。

评分，如果你想知道在校生在优化什么：作业 1 占 10%，作业 2、3 各 15%，课堂要点占 10%（22 次机会取最好的 20 次，必须自己写不许用 AI，课后 24 小时内交），小组项目占 50%，分摊在开题、中期、海报和 30% 的结题报告上。每份作业有两天宽限，之后每天扣 5%。

这篇文章到此为止

没核实到、也不打算装作核实过的几条：

• 作业 2、3 的内容。 只有官网的一句话摘要（“设计评测框架”、“实现训练流程”）和 Fried 提到 A2 会做"基于 LLM-as-judge 的评测方法，以及其他评测”。截至 9 月 8 日没有仓库。
• 第 5、6、9、11、13、14、15、20 讲谁讲。 课表没列讲者，按站点惯例就是 Neubig 或 Fried，具体是谁我没确认。
• 每节课是否都会录。 已上的 6 节里 4 节有视频。客座讲座的录制政策没写。
• 校外人跑完 A1 的 Modal 和 API 花费。 我跑了环境搭建和离线测试，没跑计费流水线（make run-code-agent、SWE-bench 那一跑、四组下棋），不打算编一个数字。
• 国内直连 DeepSeek API 的模型名替换。 上面那段是我读 .env.example 后的推断，没实际跑通。

其余所有内容，从 28 个日期到 100 分细则再到第一课的引文（来自 YouTube 自动字幕，只去掉了"呃"“嗯”），都能在上面的链接里查证。如果 cmu-agents.com 改了课表，/assets/index-*.js 那个 JavaScript 包才是真相所在。

延伸阅读

• 2026 秋免费 AI Agent 课程盘点：斯坦福、CMU、MIT — 把 11-768 和这学期所有公开课放在一起比的枢纽页
• 斯坦福 CS329Z：Engineering AI Agents — 系统侧的姊妹课
• 斯坦福 CS146S：The Modern Software Developer — 需求侧的课，教用不教造
• Harness 工程：六层倒着建 — 作业 1 就是第 1 到 4 层加一个评分器
• Harness 工程是窗口期，不是永久护城河 — 从实践者角度论证 Neubig 的"先 Harness、训练随后跟上"
• 2026 编码 Agent 上下文工程 — 压缩实验，在它变成作业之前
• Agentic Loops 2026 — 你在 A1 第 1 部分要实现的那个循环