关于 AI 工程化 Harness 的一些笔记(2026/6/5)

文章目录

一、我想解决什么问题

  • 让 AI 越用越懂项目(项目背景、代码风格、架构决策)
  • 让 AI 越用越理解我的意图(个人偏好、隐性规则)

二、几个基础概念

概念 说明 例子
Agent 框架 实现 AI 的推理循环(思考→行动→思考) LangGraph, AutoGen
Harness 套在现成 Agent 外面的控制层,管理输入/输出、工具、记忆 Trellis, ECC, Superpowers
Skill 一个具体的能力单元 TDD Skill, Code Review Skill

类比:Agent 是马,Harness 是缰绳+马鞍,Skill 是具体的动作指令。

Trellis、ECC、Superpowers、OpenSpec、Aegis 都属于 Harness,不是 Agent 框架。


三、各 Harness 的定位

Harness 核心定位 特点
Trellis 跨 Agent 的统一工作流 换底层 AI 工具不改流程,适合团队标准化
Superpowers 技能注入 强制 TDD、代码审查等工程流程
OpenSpec 规范先行 写代码前必须先写规范文档
ECC 功能最全 60+ Subagents、400+ Skills、安全扫描、本能学习系统
Aegis 深度治理 基线优先、证据驱动、防止虚假完成

四、Harness 注入信息的五种主要形式

Harness 不修改 Agent 的核心模型,而是在合适的时机把信息"塞进"Agent 的上下文窗口。主要形式如下:

形式 说明 例子
1. 系统提示词注入 会话开始时,把项目规范、编码标准等内容拼接到 System Prompt 里 Trellis 读取 .trellis/spec/ 文件并注入
2. Skill 注入 按需加载一段结构化的提示词+执行逻辑 ECC 的 400+ Skills,写测试时才加载 TDD Skill
3. 工具/函数注入 给 Agent 注册额外的可调用工具(读文件、执行命令等) Trellis 的 CLI 命令,ECC 的内置工具
4. 记忆注入 从本地数据库或文件读取跨会话的关键信息,自动注入 ECC 的 SQLite 记忆,Trellis 的 journal.md
5. Hook 注入 在 Agent 执行某个动作前后触发脚本,脚本返回值注入上下文 ECC 的 PreToolUse Hook,可在修改文件前注入警告

核心原则:在合适的时机(会话开始、触发 Skill、调用工具、跨会话恢复、Hook 触发),把合适的内容塞进 Agent 的上下文窗口。


五、谁最能实现"越用越懂项目"

ECC 最接近,因为它有 Instincts(本能)系统。

能力 Trellis ECC
静态知识库 ✅ 需手动更新 ✅ 非核心
跨会话记忆恢复 ⚠️ 半自动 ✅ 全自动
自动从对话中学习 ❌ ✅
行为进化(本能→技能) ❌ ✅
质量门禁 弱 ✅

但 ECC 主要绑定 Claude Code,团队用多工具时受限。


六、实测:两个 Harness 同时跑的情况

我试过同时装 Trellis 和 ECC,没做集成,日常工作流主要按 Trellis 走。

冲突点

方面 Trellis ECC 同时跑的问题
任务状态存储 .trellis/tasks/*.jsonl .ecc/state.db 两处记录,不一致
会话恢复 手动读 journal.md /save + /resume-session 两套方式
Hook 机制 pre_task 等 PreToolUse 等 可能互相触发
规则来源 静态 spec/*.md 动态 instincts/ 冲突时听谁的
命令行 trellis task start ecc /skills 认知负担

实测结果

  • token 用量比只装 Trellis 时高(双份上下文注入)
  • ECC 的学习机制(continuous-learning-v2)在后台自动运行,但它的"本能"触发依赖于特定场景,日常 Trellis 任务流中不容易体现出来
  • 实际感受:区别不大,主要还是走的 Trellis
  • 后来卸了 ECC,token 降回去了

小结

理论上可以手动写桥接脚本融合冲突,但:

  • token 成本实打实上涨
  • 对一般项目,感受不到差别(Trellis 本身的 workflow 已经够用)
  • 融合投入产出比低

结论:对一般项目,单个 Harness 足够。 选一个用顺手的就行。


七、总结

  1. Trellis/ECC 等是 Harness(缰绳),不是 Agent 框架。
  2. Workflow = 团队+AI 的操作手册,Trellis 把它变成了版本可控的文件。
  3. Harness 通过系统提示词、Skill、工具、记忆、Hook 五种形式向 Agent 注入信息。
  4. 让 AI 越用越懂项目,关键在于跨会话自动学习 ------ ECC 的 Instincts 最接近。
  5. 实测:两个 Harness 同时跑,token 涨了但效果没区别。一般项目单个 Harness 足够。

笔记整理自实际折腾过程,供参考。

相关推荐
吴佳浩1 天前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
叼烟扛炮1 天前
[LangChain] 学习笔记(09):工具(Tool)定义与调用闭环 · 理论+实战完整版
笔记·学习·langchain
forest_091 天前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
Rabitebla1 天前
【Linux操作系统】 文件篇(一):文件描述符与 Linux 文件管理机制
linux·网络·c++·笔记·学习
火山引擎开发者社区1 天前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔1 天前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区1 天前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1231 天前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI1 天前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能