我不是狐狸,我是那Harness Engineering

Harness Engineering 介绍

Harness Engineering 是 2025-2026 年兴起的 AI 工程新范式。其核心在于为 AI Agent 构建约束（Constraints） 、反馈（Feedback）与控制系统（Control Systems） ，旨在让 AI 在人类设定的边界内可靠、高效地工作。

核心理念：从"编写代码"转向"设计让 Agent 可靠运行的环境"。

1. 定义与起源

Harness Engineering（马具/驾驭工程）由 HashiCorp 联合创始人 Mitchell Hashimoto 在 2026 年初提出。它标志着软件工程核心竞争力的重大转移：超越了早期的提示词工程 (Prompt Engineering) 和上下文工程 (Context Engineering)。

"Harness" 的精准隐喻： 驾驭不等同于控制。真正的驾驭工程师不会尝试"硬编码" AI 的每一步行为，而是建立一套框架、约束和引导机制，让 AI 在其中自由发挥能力，同时保持可预测性和可靠性。

$!IMPORTANT\] Mitchell Hashimoto 的核心观点："每当你发现 Agent 犯了一个错误，就花时间设计一个解决方案，使 Agent 永远不再犯同样的错误。"$

2. 演进逻辑：从 Prompt 到 Harness

随着 AI 处理任务复杂度的增加，工程重点经历了三个阶段的演进：

阶段	核心关注点	隐喻	解决的问题
Prompt Engineering (2023)	说什么	指令	如何通过提示词让 AI 交付单次结果。
Context Engineering (2025)	知道什么	信息	如何通过 RAG 和动态上下文构建让 AI 获得所需信息。
Harness Engineering (2026)	在什么环境做事	环境/闭环	如何构建约束、反馈与控制系统，让 Agent Reliable 执行任务。

3. Harness Engineering 的三大支柱

根据业界共识（如 Thoughtworks 专家 Birgitta Böckeler 的总结），Harness 由以下三个核心维度构成：

维度一：上下文工程 (Context 2.0)

不再只是简单地填充窗口，而是确保 Agent 在正确的时机获得正确粒度的信息。

渐进式披露 (Progressive Disclosure) ：将隐性知识转化为结构化信息。通过层级目录（如 docs/ARCHITECTURE.md）按需引导，而非盲目堆砌。
运行时数据接入：提供日志、指标和环境映射，允许 Agent 使用 LogQL/PromQL 等工具进行动态查询。
直接感知环境：通过 CDP 等协议让 Agent 操作浏览器，实现原生的 Bug 重现或 UI 验证。

维度二：架构约束 (Architectural Constraints)

将"代码品味"（命名、依赖原则、边界等）编码为可强制执行的规则，实现"只在边界内行事"。

AI 友好型 Linter：传统的错误消息是给人看的，Harness 时代的 Linter 消息直接包含修复建议，便于 Agent 实现自主闭环。
双轨审计机制：引入专门的"审计 Agent"对主开发 Agent 的代码提交进行实时审查和拦截。

维度三：熵管理与反馈回路 (Entropy Management)

防止系统随时间推移而腐化，保障长期的可维护性。

反熵 Agent (Anti-Entropy) ：定期扫描代码库，自动清理过时文档、漂移模式和无效依赖。
实时演进：通过持续的监控与自动化验证修复系统缺陷，驱动 Agent 持续进化。

4. 核心实践：OpenAI 的 Codex 极端实验

OpenAI 曾记录过一个极具代表性的实践案例：5 名工程师在 5 个月内交付了 100 万行代码，且其中包含 0 行人类手写代码。

关键成功因素：

倒逼机制 (Forcing Function) ：全团队禁止直接编写代码，迫使所有人集中精力构建 Harness（基础设施）。
角色彻底转型 ：工程师从 Code Writer 进化为 Environment Designer 。其日常工作由写逻辑转变为维护 AGENTS.md、编写自定义 Linter 以及建立可观测性栈。
极高吞吐量：平均每人每日交付 3.5 个 PR，且大部分 Code Review 是由 Agent 对 Agent 完成的。

5. 开发者如何构建自己的 Harness？

精炼 AGENTS.md 索引：
- 目录化：根目录文件应少于 100 行，仅作为导航。
- 模块化：将架构、设计和安全约束拆分到 docs/*.md。
- 层级化：支持子目录级的覆盖规则（如 AGENTS.override.md）。
闭环反馈回路：
- 接入自动触发的测试、Lint 和验证工具。
- 优化反馈信息的格式，使其更易被 AI 解析和执行。
优化工作流习惯：
- 热启动：下班前启动 Agent 进行深度调研或并行探索。
- 职能分离：将模糊需求明确拆分为"规划 (Planning)"和"执行 (Execution)"两个阶段。
建立评估体系 (Evals) ：
- 超越简单的 CI，建立一套针对 Agent 意向和产出质量的系统化评估工具。

总结

Harness Engineering = 用工程手段"驯服"大模型，将 AI 转化为可靠的产品。

软件工程团队的核心竞争力，正在从"谁的代码写得好"转向"谁能设计出更好的 Agent 运行环境"。