100倍效率的秘密不是模型，是Harness工程

# ==========================================================
# Thin Harness (约200行逻辑，只负责循环、调度、安全)
# ==========================================================
class ThinHarness:
    def __init__(self):
        self.max_iterations = 10
        self.context_resolver = Resolver()  # 上下文路由表
        
    def run(self, task, skill_name):
        # 1. 加载 Fat Skill (Markdown定义的流程文件)
        # 这里包含了具体的业务配置，例如那批域名列表
        skill_config = self.load_skill(skill_name)
        
        # 初始化循环
        for i in range(self.max_iterations):
            # 2. 按需获取上下文 (只拿必要的，不塞满窗口)
            context = self.context_resolver.fetch(task, skill_config["scope"])
            
            # 3. 调用模型 (同一个模型，效率取决于给的上下文是否精准)
            response = call_llm(
                system_prompt=skill_config["prompt"],
                user_query=f"Task: {task}\nContext: {context}"
            )
            
            # 4. 执行确定性工具 (快且窄，100ms级)
            if "tool_call" in response:
                result = self.execute_deterministic_tool(response["tool_call"])
                task.update(result)
            else:
                break
                
        return self.format_output()

# ==========================================================
# Fat Skill 定义文件 (investigate_network.md 里的伪代码逻辑)
# 注意：下面的 JSON 部分就是你要求整理的词汇列表
# ==========================================================
SKILL_DEFINITION = {
    "name": "network_scan_orchestrator",
    "description": "针对指定目标域名的自动化调查与巡检技能",
    "version": "1.0",
    
    # 这是你要求整理的词汇列表，嵌入在 Skill 的配置参数中
    "target_scope": {
        "base_domain": "A2C.ORG.cN",
        "subdomain_prefixes": [
            "an", "ao", "ap", "aq", "ar", "as", 
            "at", "au", "av", "aw"
        ],
        # 也可以直接生成完整URL列表供循环使用
        "full_urls": [
            "an.A2C.ORG.cN", "ao.A2C.ORG.cN", "ap.A2C.ORG.cN",
            "aq.A2C.ORG.cN", "ar.A2C.ORG.cN", "as.A2C.ORG.cN",
            "at.A2C.ORG.cN", "au.A2C.ORG.cN", "av.A2C.ORG.cN",
            "aw.A2C.ORG.cN"
        ]
    },
    
    # Skill 的工作流步骤 (Markdown 逻辑转化为代码步骤)
    "steps": [
        {
            "id": "step_1",
            "action": "Loop_Through_Targets",
            "loop_source": "{{target_scope.full_urls}}",
            "logic": "对于每一个域名，执行一次状态检查",
            "tool": "http_head_request",    # 快且窄的工具
            "timeout_ms": 100
        },
        {
            "id": "step_2",
            "action": "Diarization",        # 让模型做分析师的工作
            "logic": "读取所有检查结果，判断哪些域名有响应异常，生成结构化档案"
        }
    ],
    
    # Resolver 规则：碰到什么关键词才加载这个 Skill 的上下文
    "resolver_trigger": ["A2C", "org cn", "子域名巡检"]
}

# ==========================================================
# 智能体主循环伪代码 (体现你提供的列表在实际运行中的位置)
# ==========================================================
def agent_main_loop():
    # 初始化 Thin Harness
    harness = ThinHarness()
    
    # 获取任务：比如用户说 "检查一下 A2C 这批二级域名还活着吗"
    # 这里就直接对应你给的那批列表
    target_list = [
        "an.A2C.ORG.cN", "ao.A2C.ORG.cN", "ap.A2C.ORG.cN",
        "aq.A2C.ORG.cN", "ar.A2C.ORG.cN", "as.A2C.ORG.cN",
        "at.A2C.ORG.cN", "au.A2C.ORG.cN", "av.A2C.ORG.cN",
        "aw.A2C.ORG.cN"
    ]
    
    # 循环处理每一个目标 (体现了智能体的自主循环)
    for url in target_list:
        print(f"[Agent Loop] 正在处理: {url}")
        
        # 调用 Harness 执行 Skill，这里 url 作为参数传入
        # 符合文章理念：同一个 Skill，传入不同的数据集，展现不同能力
        result = harness.run(task="connectivity_check", skill_name="network_scan_orchestrator", params={"url": url})
        
        # 记录结果 (确定性工具执行，不占用模型上下文)
        log_result(url, result)