The Harness Is the Backend
文章探讨了当前 AI 架构中 Harness（编排层）与后端基础设施分离带来的问题，指出这种分离导致了 Agent 的随机性与后端的确定性之间的调试复杂性。作者提出将后端抽象为 Worker、Trigger 和 Function 三个基本元素，介绍了名为 'iii' 的架构，使 Agent 作为 Worker 直接参与后端系统，而非通过外部集成层调用，从而实现真正的统一基础设施。
技术 / Harness Engineering
178 篇
Compound Engineering v3.3.0 发布：优化 Agent 思维链与交互
Compound Engineering v3.3.0 版本发布，核心更新在于优化 Agent 的交互模式。新版 Agent 会在执行耗时任务前先展示其理解（Stated、Inferred、Out-of-scope），从而在早期纠正错误假设，降低返工成本。此外，文档审查和代码审查技能变得更加智能，减少了不必要的用户打断，能够自动修复更多问题，旨在让 Agent 更易于纠正且更值得信赖。
The Self-Healing Agent Harness
文章介绍了作者开发的“自愈 Agent Harness”系统，该系统通过 AI 代理实现了自动化评估和修复闭环。它包含三个核心组件：用于实时评分的三法官评审团、将低分转化为修复工单的工程管道，以及由 AI 评分控制发布的灰度发布机制。这一系统替代了传统的 QA 和人工审查，使团队能够在每天发布 3-8 次的高频节奏下，自动发现并修复模型幻觉、工具契约漂移或基础设施故障等问题。
傻子可懂的 Harness Engineering 入门教程 + 项目实战
本文深入浅出地讲解了 AI 编程领域热门的 Harness Engineering 概念。文章将其定义为围绕 AI 模型搭建的一整套工作环境与流程，对比了提示词工程、上下文工程的演进关系，并详细拆解了上下文架构、执行能力、任务编排、反馈机制和架构护栏五大核心模块。作者结合“万能视频下载总结器”的全栈项目实战，展示了如何利用 Plan Mode、MCP 工具、Browser Use 及文档沉淀等技巧，让 AI 持续、靠谱地完成复杂工程任务。
AI Agent Harness 解析：为何智能体在生产环境中会崩溃
文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。
Agent 工程方法实践：Claude Code 与 OpenClaw 的深度对比
文章深入对比了 Claude Code 和 OpenClaw 两个 Agent 框架的工程实现。两者虽都采用 Agent = Model + Harness 的理念，但架构迥异：Claude Code 采用分层堆叠架构，服务于单线程深度编程场景，追求精确可控；OpenClaw 采用管道架构，面向多并发的生活场景，追求自主进化。文章从架构、循环、工具、指令、上下文、记忆等九个维度详细拆解了各自的工程设计权衡。
The Definitive Guide to Harness Engineering
本文介绍了软件工程的新支柱——Harness Engineering（挽具工程），将其定义为一种通过系统化约束和引导，将 AI 模型转化为可靠、可控的“精英表现者”的工程哲学。文章提出了 R.E.S.T 框架来评估生产级 Agent 系统，并阐述了从“执行者”到“架构师”的工程师角色转变，以及如何通过工程化的“硬约束”解决 AI 系统的随机性与可靠性问题。
AI Coding 已经变天：从 Prompt Engineering 到 Harness Engineering
文章指出 2026 年 AI Coding 的瓶颈已从模型能力转向工程范式。通过 OpenAI、Stripe 等案例，阐述了从 Prompt Engineering、Context Engineering 到 Harness Engineering 的演进。Harness Engineering 强调通过结构化知识、机械化约束、可观测性注入等五大支柱，构建让 AI 可靠工作的环境。作者提出人类角色应从“写代码”转变为设计让 AI 干活的系统。
How I got banned from GitHub due to my harness pipeline
作者 Junghwan NA 记录了一次极端的“线束工程”（Harness Engineering）实验。他在 72 小时内通过构建一个包含 13 个阶段的自动化流程，利用 OMX 和 Ouroboros 等 AI 代理工具，向包括 Kubernetes、Hugging Face 在内的 100 多个开源仓库提交了 500 多次提交。虽然大部分 PR 质量极高并被维护者直接合并，但这种高频行为触发了 GitHub 的滥用检测机制，导致其账户被封禁。文章深入探讨了实现该流程的技术细节（如本地复现、合并模式匹配），并阐述了在自动化时代，人类判断力和“认证”依然是维持开源系统信任的关键瓶颈。
沙盒：Harness 时代的服务器
本文阐述了在 Harness（AI 智能体架构）时代，沙盒作为新型服务器的核心地位。文章从评估测试环境出发，探讨了长期运行的智能体如何依赖沙盒进行隔离执行。重点分析了系统状态的持久化——包括推理轨迹和文件系统数据——对于恢复任务和审计的重要性。作者认为，未来的市场将由拥有“群体”控制层和轨迹数据所有权的一方定义，这引发了关于数据控制权是属于实验室还是企业内部的战略博弈。
如果裸模很蠢会怎样？Kyle Kingsbury 错在哪里
本文针对 Kyle Kingsbury 关于“LLM 是不可靠的胡扯机器”的观点进行了反驳。作者承认裸模型（Raw Model）不可靠，但指出 Kingsbury 的测试方法类似于在台架上测试发动机并断言汽车不安全。作者提出了“薄线束，胖技能”的架构理念，通过引入确定性代码、技能文件和解算器，将模型的不稳定性转化为可解决的工程问题，从而构建值得信赖的系统。
什么才是真正的 Harness Engineering？
本文基于 OpenAI 工程师 Ryan 的演讲，深入探讨了在 AI 代码生成日益强大的背景下，软件工程范式的转变。核心观点是“代码免费”，实施不再是瓶颈，人类真正的价值在于“指导”和“编排”。文章指出，Harness Engineering 的本质是将人类经验、标准和 taste 转化为上下文和 guardrails，赋予 agent 完整的权限和工具，使其成为自主的执行者，而人类则转型为团队的管理者，专注于定义标准、观察错误和优化流程。
如何优化 AI 编程中的 Harness 配置
本文探讨了在 AI 辅助编程中，如何通过优化 Harness（套件）配置来提升代码输出质量。文章提出了三个核心建议：保持配置文件的精简与人工编写，利用 R.P.I. 框架（Research, Plan, Implement）在更高抽象层次上进行交互，以及使用子代理来维护主上下文的清洁。文章强调了工程判断力在 Harness 设置中的重要性。
一文带你看懂 Harness Engineering
本文深入解析了AI工程领域的三次范式跃迁：从Prompt Engineering到Context Engineering，再到当前的Harness Engineering。文章用生动的游戏比喻和OpenAI的实际案例，阐述了Harness Engineering的本质——通过建立约束系统来驾驭强大的AI Agent。
Harness Engineering: 从执行者到系统架构师
本文提出了“驾驭工程（Harness Engineering）”的概念，指出在 AI Agent 时代，工程师的角色正从代码执行者转变为系统设计者。文章总结了 OpenAI、Anthropic 等公司实战中的 5 个核心思维模式，包括人类掌舵、修系统不修结果、环境外部化、生成与评估分离以及框架做减法。同时，文章给出了 6 条实用启示，强调搭建工作环境的重要性优于单纯选择模型，并指出掌控 AI 记忆是未来的护城河。
是的，他们确实比你更快
文章指出，随着 AI 的引入，部分公司已将产品交付速度和野心提升到了全新的标准。这些公司利用 AI Agent 在一周内生成数百上千个 PR，通过自上而下的指令、内部工具投资、实际的 Token 预算以及对排名和数据的公开追踪，实现了生产力约 10 倍的增长。无论是初创公司还是拥有数十年历史的遗留企业，都在摒弃情感束缚，全面拥抱 AI。
为什么你的“AI优先”策略可能是错的：从辅助到重塑工程流程
文章指出，仅仅将 AI 工具（如 Copilot）加入现有流程只是“AI 辅助”，而非真正的“AI 优先”。作者以 CREAO 为例，介绍了“Harness Engineering”理念：通过将代码库统一为单体仓库（Monorepo）以提高 AI 的可读性，利用 Claude 进行自动化代码审查，并建立自愈反馈循环，从而将工程流程从围绕人类编写代码转变为围绕 AI 构建系统，实现极高的迭代速度。
为什么你的“AI 优先”战略可能大错特错
文章探讨了“AI First”战略的误区，指出单纯引入 AI 工具并不等于 AI 优先。真正的 AI 优先需要基于“AI 是主力构建者”的假设，彻底重构流程、架构和组织，即“软件工程 First”。文章详细介绍了 CREAO 团队如何利用脚手架工程、统一代码库、CI/CD 流水线和自愈反馈循环，实现 99% 代码由 AI 编写且一天部署多次的高效模式，同时也指出了该模式适用的场景与局限性。
用好Agent最重要的技巧：约束先行
本文提出了使用 Agent 时最重要的原则——“约束先行”。作者通过个人实践总结出，在使用 Claude Code 等 Agent 时，应建立类似“宪法”的约束体系：包括全局原则、项目级规范和具体设计文档。通过构建从上至下的规则系统，可以避免文件管理混乱，显著提升 Agent 的工作效率和智能水平。这不仅是 Prompt 技巧，更是类似于公司治理和城市规划的系统工程方法论。
不懂 Harness Engineering，你所谓的 AI 转型只是在浪费预算
文章探讨了 Harness Engineering 的概念，即通过设计环境、设定标准和建立反馈来构建 AI 的工程环境，从而将 AI 从简单的聊天工具转化为能持续工作的生产力。文章对比了 OpenAI 和 Anthropic 的不同实践路径，并以 VergeX 为例，阐述了 Harness 在 AI 交易中的具体应用，包括工具调用、上下文管理、架构约束和反馈循环四大核心模块。
Mitchell Hashimoto 与 AI 工程演进：从聊天机器人到 Harness Engineering
文章详细介绍了 Terraform 之父 Mitchell Hashimoto 的 AI 工程实践六个阶段，从早期的聊天窗口尝试，到最终实现后台常驻 Agent 的愿景。核心亮点在于第五阶段提出的“Harness Engineering”（工程约束），即通过系统性设计（如 AGENTS.md 和验证工具）来防止 Agent 重复犯错。文章结合 Anthropic 和 OpenAI 的行业案例，指出工程师的核心技能正从手写代码转向设计 Agent 的运行约束环境。
10万开发者调查证实AI写的代码大部分是垃圾，这个Harness Engineering方法论把产出质量拉高了3倍
本文介绍了 HumanLayer 创始人 Dex Horthy 提出的“Harness Engineering”方法论，旨在解决 AI 编码 Agent 在复杂代码库中产出质量差的问题。核心观点包括：上下文窗口管理是关键（区分“聪明区”与“笨蛋区”），通过 Research-Plan-Implement (RPI) 流程压缩意图，以及利用子 Agent 进行上下文控制而非角色扮演。文章强调要审查计划而非代码，避免外包思考，并指出未来的挑战在于团队流程的适应。
从执行到记忆：gstack + Compound Engineering 实现 Agent 持续进化
文章分析了 Anthropic 的 Agent Harness 架构，并介绍了 Jason Zuo 如何使用 gstack 和 Compound Engineering (CE) 构建了一套完整的工程工作流。CE 替代了 Superpowers，提供了更深入的规划和审查机制。最关键的差异在于 CE 的 /ce:compound 功能，它通过独立 Agent 将每次开发的经验转化为结构化的项目记忆，实现了 Agent 的自我优化与积累，形成了从规划、执行、审查到记忆的完整闭环。
祝贺Claude Code成功越狱，获得永生
Claude Code因Anthropic发布失误导致源码泄露，作者分析了1902个源文件，揭秘其背后的工程架构。文章指出Claude Code的体验不仅靠模型，更靠精细的工程系统，包括精心拼装的System Prompt、四层权限安全审查、结构化记忆提取、9段式上下文压缩及企业级多Agent协作框架。这些设计展示了如何通过约束和工具让AI从“不可预测”变得“稳定可靠”。
6种架构模式+60%质量提升：Harness开源项目落地实践
文章介绍了开发者 revfactory 开源的 Claude Code 插件 'Harness'，该工具将 Harness Engineering 概念转化为实际可用的协作架构生成器。它内置了 Pipeline、Fan-out/Fan-in 等 6 种协作模式和 5 套团队模板，利用 Progressive Disclosure 技术解决上下文问题。A/B 测试显示，使用该工具在 15 个软件工程任务中实现了 60% 的质量提升和 100% 的胜率，标志着多 Agent 协作从概念讨论迈向了工具化落地。
深入解读 Harness Engineering：AI 工程的第三次范式转移
Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。
从执行到记忆：gstack + Compound Engineering 构建完整 Agent Harness
文章探讨了 Anthropic 提出的 Agent Harness 架构，对比了 Superpowers 和新工具 Compound Engineering (CE)。CE 通过引入 /ce:compound 机制，将工作中的 Debug 经验沉淀为可搜索的项目知识库，实现了 Agent 的自我优化和“记忆”。结合 gstack 的决策层能力，作者认为 gstack + CE 构成了从规划、执行、审查到记忆积累的完整工作流。
按头学习| 让 AI 真正做好复杂任务，需要一套什么样的系统？
本文基于 Anthropic 工程师的实战指南，探讨了如何通过多智能体系统（Multi-Agent System）解决单一 AI 模型在处理长时复杂任务时的上下文退化和自我评估偏差问题。文章通过对比单智能体（$9/20分钟）与三智能体系统（$200/6小时）在游戏开发中的表现，引入了类似 GAN 的“生成-评估”协作机制。详细介绍了包含规划者、实现者和评估者的全栈开发架构，并提出了系统设计应随任务复杂度和模型能力演化的核心原则。
