智能與秩序
AI 編碼代理的 Harness 工程：構建高效可控的智能開發系統
摘要
本文介紹 AI 編碼代理的 Harness 工程框架。LangChain 定義代理為「模型+Harness」，Harness 是除模型外的所有組件，採三層同心圓架構：核心層（LLM）、中間層（系統提示、工具、編排）、外層（使用者構建的前饋 Guides 與反饋 Sensors）。核心目標為提高首次正確率與構建自校正閉環。執行分計算型（確定、快速、低成本的 lint、測試）與推理型（語義分析、高成本的代碼審查）。通過編碼規範、項目初始化、代碼修改工具、結構測試、審查指導等實踐，結合前饋與反饋控制，實現代理可控性。文中強調人類開發者的隱性 Harness（經驗、責任感、組織記憶、美學判斷）同樣關鍵，並引用 OpenAI、Stripe 等案例展示分層架構與反饋左移策略的應用。
重點
- Agent=Model+Harness，Harness 包含三層同心圓：模型核心層、框架中間層、使用者外層
- 前饋 Guides 在行動前引導，反饋 Sensors 在行動後觀察；兩者結合實現自校正閉環
- 計算型執行快速確定便宜，推理型執行靈活但成本高；需按時間線選擇最適執行策略
- 可維護性最成熟，架構適應性依賴 Fitness Functions，功能行為最具挑戰需規範與 AI 生成測試
- 人類開發者的隱性 Harness（經驗、責任感、組織記憶、美學）與顯性系統同等重要
章節
- Harness 架構定義與三層同心圓模型
定義代理為模型加 Harness，Harness 採三層同心圓：核心層（LLM）、中間層（系統提示、工具、編排）、外層（使用者 Guides 與 Sensors）
- 兩大核心目標與前反饋控制
提高首次正確率與構建自校正閉環，前饋 Guides 在行動前引導，反饋 Sensors 在行動後觀察並觸發自校正
- 執行類型與成本權衡
計算型執行確定、快速、低成本（lint、測試、型別檢查），推理型執行靈活但高成本（AI 代碼審查、LLM 判斷）
- 三大調節維度與新興模式
可維護性最成熟，架構適應性依賴 Fitness Functions，功能行為最具挑戰；Approved Fixtures 為新興模式
- 關鍵實踐與時間線部署
編碼規範、項目初始化、代碼修改工具、結構測試、審查指導等實踐，提交前用計算型，集成後用高成本控制
- 人類開發者的隱性 Harness
經驗、社會責任感、組織記憶、美學判斷等隱性因素與顯性系統同等重要，形成完整的代理可控架構
- 行業案例與實施啟示
OpenAI 分層架構與自定義檢查器，Stripe 啟發式預推送與反饋左移策略，展示架構實踐價值
金句
Agent = Model + Harness
Harness 的兩大目標：提高首次正確率（前饋控制減少錯誤）+ 構建自校正閉環（反饋控制自動修復）
執行類型分計算型（確定、快、低成本，如 lint、測試、型別檢查）與推理型（語義分析、高成本、非確定，如 AI 代碼審查、LLM 判斷）
時間線部署原則：提交前用快速計算型控制（lint、基礎 AI 審查），集成後用高成本控制（變異測試、架構審查）
人類開發者的隱性 Harness：經驗、社會責任感、組織記憶、美學判斷