Harvey 是一个开源的自主 AI 销售智能体（autonomous AI sales agent）：它会自动寻找潜在客户、撰写冷启动邮件、发送营销活动、阅读回复并推进到预约会议，全程跑在你的 Claude Code 或 Codex 订阅上，没有额外的模型 API 账单。比起"它会自动做什么"，更值得关注的是它如何保证自动化不失控。这篇文章拆解 Harvey 背后的 6 条设计哲学，它们对任何 AI Agent 项目都有借鉴价值。

先认识 Harvey：跑在你订阅上的 AI 销售智能体

Harvey 的核心是一个心跳循环（heartbeat loop）：醒来 → 检查预算 → 决定下一步 → 执行 → 记录 → 睡眠，默认每 15 分钟一轮。它由五个各司其职的子智能体组成——Scout（打分与个性化）、Writer（写邮件序列）、Sender（发送）、Handler（处理回复）、Analyst（空闲时做分析），定义在 harvey/agents/ 目录。

它最特别的一点是成本模型：模型调用走你已经在付的 Claude Pro/Max 或 ChatGPT 订阅（Codex），按次调用、不按 token 计费。这让 Harvey 能"想一整天的循环"而不用担心 API 账单——前提是要有节制。正是这种"既自主、又要省钱"的张力，塑造了下面 6 条原则。

下面是它的本地仪表盘（localhost:5555），左侧是"等待你决策"的队列，右侧是管道数据：

启动后它会这样工作：

Decision: prospect (only 3 new prospects; pipeline needs leads) discover → 41 businesses in Portland, OR ($0.00, OpenStreetMap) profile → 41 sites read, 288 observations (free, no model calls) scout → 12 scored against your ICP Decision: write_campaign (12 new prospects with no drafts) Cycle complete. Sleeping for 15 minutes.

注意两点：每一步都标了成本，且决策是确定性的、可解释的。这背后正是它的设计哲学。

Harvey 的 6 条设计哲学速览

下面逐条展开。

原则一：自主不等于放任 —— 给智能体装上护栏

"Autonomous doesn't mean unsupervised."（自主不等于无人监督）

一个能整天空转、还会发出去的 Agent，最危险的地方在于"它什么时候会替你做决定"。Harvey 的答案是多层护栏，而且每一层都不依赖模型自觉：

• 静默时段（quiet hours）：夜间不活动，避免在错误的时间点打扰客户。
• 用量预算（budget）：读取你订阅的真实配额，按max_daily_claude_percent留足余量，满了就睡一小时再检查。
• 发送上限（max_daily_sends）：每天最多发多少封邮件，硬性封顶。
• 审批队列（Outbox）：默认每一封外发邮件都要你批准才能发出。
• 确定性发送前闸门（pre-send gate）：不经过任何模型，用纯代码拦截坏邮件。
• 一键急停（kill switch）：harvey sending pause立即停下所有外发。

这套"审批阶梯 + 确定性闸门"的逻辑，正是 harvey/gate.py 在发信前强制执行的：未渲染的合并变量、违禁词、超长正文、过多链接、HTML 正文、不可送达的地址、收件人与数据库记录不匹配——任意命中就直接拦下并记录原因。用一句话概括它的态度：提示词是地板，不是保证；约束写在 prompt 里，校验写进代码里。

💡 借鉴点：给 Agent 的"自主空间"画边界时，护栏要落在确定性的代码里，而不是依赖模型"应该会守规矩"。

原则二：好客户由你定义 —— 信号先提议、你确认

"You decide what a good prospect is."（什么是好客户，由你决定）

Harvey 知道如何收集 23 种关于一家企业的"信号"（signal）：它的现有代运营机构、是否在投广告、有没有在线预约、SEO 排名、是否缺 Schema 标记……但它在你确认之前一个都不收集。

首次运行时它先"提议"这份目录（见 harvey/signals.py 的SIGNAL_CATALOG），每一条都用大白话说明"它是什么、成本多少、为什么重要"。你在仪表盘或终端里逐个确认、跳过或拒绝：

harvey signals # 查看目录 harvey signals --confirm free # 打开所有免费的信号 harvey signals --confirm SERP_RANK # 显式打开某个付费信号

确认之后，仪表盘里的"人群构建器"（cohort builder）把这些信号变成一个可查询的目标集合——比如"有代运营机构 AND 在投 Google 广告 AND NOT 已有在线预约 → 23 家公司"。这带来两个好处：每一家为什么在名单里，你都解释得清；写邮件时 Harvey 也知道该引用哪一条信号。

💡 借鉴点：让 Agent提议能力清单、由人来确认，而不是开箱即全开。这样花费是刻意为之的，结果也是可解释的——一个你自己都解释不清的客户名单，你不该往里面发信。

原则三：能用确定性代码，就别用模型

"If it can be gotten deterministically, don't use a model."（能确定性拿到的，别用模型）

这条是 Harvey 能"跑在订阅上而不烧钱"的根本原因。它把判断和计算严格分开：

• 决策是确定性的。心跳里"下一步做什么"完全由管道里的几个计数推导出（回回复 > 发活动 > 写活动 > 拓客 > 空闲分析），见 harvey/main.py 的decide_next_action——不为此额外烧一次模型调用。
• 检索与解析用 Python。找企业、读官网（每家公司 3 个 HTTP 请求、无模型调用）、学邮箱地址规律，全是普通代码。
• 模型只用在真正需要判断的地方：给找到的数据打分、写个性化邮件、处理回复的意图分类。

换句话说，Claude/Codex 被"预留"给必须用智能的部分，其余一律交给廉价、可复现的代码。这就是为什么它能在一个普通订阅内跑一整天的循环。

💡 借鉴点：为 Agent 设计一张"哪些步骤必须用模型、哪些用代码"的清单。默认用代码，例外才上模型，成本与稳定性都会好得多。

原则四：失败是一种观察，而不是沉默

"A failure is an observation, not silence."（失败是一种观察，不是沉默）

"没找到团队页"是一个发现，"Overpass 限流了"也是一个发现。Harvey 的设计原则是：静默的失败看起来和干净的成功一模一样，于是坏掉的一次运行会被误当成"这个市场是空的"。

为此，错误不会悄悄消失：

• 心跳里连续失败会指数退避（60s→120s→…封顶 15 分钟），并明确记录"第 N 次失败，正在恢复"，见 harvey/main.py。
• 每个阶段（发现、画像、富集、验证）各自独立运行、可安全重跑、且标明成本，某一环出错不会伪装成"没找到任何东西"。
• 邮箱地址会被诚实地打标：verified/risky（catch-all）/guess/invalid，只有可送达的才会发——一个猜测绝不被当成一次成功。

💡 借鉴点：为 Agent 的每一步建立"显式失败"通道。把"没做成功"和"没东西可做"区分开，是 Agent 从"看着能用"走向"真的可信"的分水岭。

原则五：数据库才是资产，而不是智能体

"The database is the asset, not the agent."（数据库才是资产，而不是智能体）

Harvey 把数据存在本地 SQLite（data/harvey.db），schema 由一个念头驱动：每个事实是一行，而不是一个列。一家企业的信号不写成companies.has_agency这样的列，而是存进observations表的一行，带上置信度和来源（证据 URL、观察时间）。

这个设计白拿了四个好处：

1. 新信号无需迁移——收集器新造一个信号码即可工作。
2. 历史是免费的——同一个信号被季度性重复观察，本身就成了时间序列；"它上季度换掉了代运营机构"比任何静态事实都更有价值。
3. 置信度和出处跟着事实走，而不是被覆盖时丢掉。
4. 人群就是一个查询——集合交集发生在 SQL 里，而不是在应用代码里。

词表还是受治理的：数据库触发器会拒绝任何不在signal_codes表里的signal_code，一个笔误会大声失败，而不是悄悄造出一个垃圾信号。相关逻辑见 harvey/state.py。

💡 借鉴点：把 Agent 学到的东西沉淀成带置信度与出处、可随时间累积的结构化数据，而不是只存在对话历史里。数据会随时间复利，智能体本身不会。

原则六：一切皆可编辑 —— 不用写代码就能改变它

"Everything is editable."（一切皆可编辑）

Harvey 的销售知识不在代码里、不在向量库里，而是skills/目录下你可以直接编辑的纯 Markdown：

• skills/email_frameworks.md —— 冷邮件框架（AIDA、PAS、BAB 等）与"像真人写邮件"的硬性规则
• skills/objection_handling.md —— LAARC 异议处理循环
• skills/sales_methodology.md —— 销售方法论与伦理边界

智能体运行前，它需要的技能会被直接拼进提示词。改一个文件，下一次心跳的行为就变了——不用重启、不用改代码。子智能体的系统提示词同样是 prompts/ 里可编辑的 Markdown，而"哪个智能体加载哪些技能"由 harvey/brain.py 里的一张映射表决定，编辑映射即可调整。

行为配置则是两个纯文本文件：harvey.yaml（Harvey 是谁、卖给谁、渠道与用量上限）和.env（凭据）。仪表盘本身也是harvey/web/里无构建步骤的 HTML/CSS/JS，改app.css刷新即可。

💡 借鉴点：把"知识 / 提示词 / 行为参数"从代码中抽离成用户能读懂、能改的纯文本，非开发者也能重塑 Agent 的行为。

如何上手 Harvey

想亲手验证这 6 条原则，按下面几步即可（仓库为只读，仅供学习参考）：

git clone https://gitcode.com/gh_mirrors/harvey2/harvey cd harvey python3.13 -m venv .venv && source .venv/bin/activate && pip install -e . harvey train https://your-company.com # 让它学会你的产品 harvey signals --confirm free # 确认要收集的信号 harvey discover # 免费源找企业 harvey run # 启动心跳循环 harvey dashboard # 打开 localhost:5555

Microsoft 365 邮箱用户的配置细节见 docs/microsoft365.md。

写在最后：把"自主"拆成可验证的护栏

Harvey 的价值不在于"它会自己卖东西"，而在于它把自主拆解成了一组可验证、可解释、可随时拉闸的机制：人在回路（原则二、一）、成本可预测（原则三）、失败可见（原则四）、数据可积累（原则五）、行为可调整（原则六）。

如果你正在做自己的 AI Agent 项目，不妨用这 6 条当一份自检清单：你的 Agent 自主时，有没有护栏？它的目标由谁定义？哪些步骤其实不必用模型？失败会不会被静默吞掉？它学到的东西能不能沉淀下来？用户改它的行为，要改多少代码？答得上来，你的"自主"才接近"自主但不失控"。

（本文基于 Harvey 开源项目的 README、harvey/源码与skills/、prompts/整理，供学习交流。）