Harness Engineering 初探

让 AI 理解「什么是正确」比让它「写出代码」更重要

缘起

起初听到 "Harness Engineering" 时，还以为又是哪个厂商搞的噱头。深入了解后发现，这背后的思想非常务实——人类掌舵，智能体执行，人类绝不动手编写一行代码。

OpenAI 通过 3 个工程师完成了一份 100 万行且投入使用的系统。

阅读参考：一文讲透：Harness Engineering 即控制论！

控制论基础

这里作者提出一个有意思的思考：今天 AI「输入-输出-修正」的回环，与维纳笔下的逻辑相似——动物是通过信息传递来实现目的性行为。那 AI 编程是不是控制论的一个工程实现呢？

三个核心概念

信息：我们在适应外部世界、并将这种适应反作用于外部世界的过程中，同外部世界进行交换的内容本身。

控制：为了达到既定目标，通过克服不确定性，对系统施加影响的过程。

反馈：让系统具备「自省」和「自我修正」的能力，让系统从「死的东西」变成了「活的系统」。

控制循环

[ 设定目标 ] → [ 感知偏差 ] → [ 施加干预 ] → [ 消除偏差 ]

Harness Engineering 核心理念

业界认为：真正的难题是把人类独有的知识变成 AI 可读的东西。大多数情况的失败并非 AI 能力不够，而是知识一直锁在人的大脑里。

过去人们总是跳过编写规则直接写代码，因为代价可能在很久以后才显现。但到了 AI 时代，代价会被成倍放大——因为 AI 代码生产效率实在是太高了。

所以人不需要在实现上（写代码）战胜机器，而要在评估上胜过它：

• 定义什么是正确
• 看出哪里偏了
• 判断方向对不对

如何执行

在一定条件下，某变量的值越大，变量的值增加越快，自繁殖系统一旦存在，无论一开始它对周围环境影响多小，最后都将产生巨大的、不可忽视的影响。

比如核爆炸：假如 AI 首次写了一个烂代码，后面的实现大概率会参考该烂代码编写。当到一定程度后，AI 也没有办法控制了。

三大执行原则：

• 为 AI 提供解决问题所必需的事实、数据、知识
• 用框架和规范降低可能性空间
• 合理的流程规划实现控制力累积

实践要点

规则沉淀

• AGENTS.md 控制在约 100 行实现渐进式披露
• 规则要沉淀到仓库，平时所有的设计决策、架构约定、团队共识都必须以版本化的 Markdown、代码或可执行计划的形式提交，否则 AI 会丢失这些信息的感知
• 规则中应该明确必要的架构约束（如代码的层次结构），但对于具体实现应该适当忽略
• 人类的建议要沉淀到仓库中，把人类对代码的要求从口头或聊天记录中提取成规则

可观测系统

• 构建 AI 可观测的系统，放弃人工审核，让 AI 实现自我闭环
• 可以自己闭环掉「开发 → 测试 → 修复」
• PR 的周期要尽量短，因为等待成本高于纠错成本

反馈机制

详尽的提示词未必比简单的效果更好，但后者过多依赖模型能力的同时还放大了可能性，导致项目后期的不可控性不断放大。

所以答案就是：我们给出的业务规则，一定要写到 AI 可检测、可验证 为止。

测试、规范检查、语法检测、UAT 这些反馈回路全部嵌入到 AI 的执行循环内部——AI 每生成一段代码就自动验证并修复。错误的发现和修复从数小时缩短到了数分钟。

工具使用

通过 L 感受器收集代码和参数给 AI，再让 AI 借此调用不同的工具（MCP、Skill），将各种参数转换为代码，从而完成原来不能完成的事。

总结

流程图

flowchart TD
    A[设定目标] --> B[感知偏差]
    B --> C[施加干预]
    C --> D[消除偏差]
    D --> A
    
    E[人类掌舵] -->|提供规则| A
    F[AI执行] -->|代码生成| G{反馈验证}
    G -->|检测偏差| B
    G -->|修复循环| F
    
    H[规则沉淀到仓库] -.->|保障感知| E
    I[可观测系统] -.->|自动闭环| G

核心要点汇总

文档更新于 2026年4月