设计控制系统，而非制定规则？

在当今快速发展的AI领域，Harness Engineering作为一种新兴的工程实践，正逐渐受到人们的关注。它不仅仅是关于如何geng好地利用AI代理生成代码，geng重要的是如何通过设计一套有效的控制系统，确保这些代码的可维护性、可靠性和安全性。

Mitchell Hashimoto它指的是一套将强大的但不可预测的AI代理导向正确方向的工程化方法。其核心理念是：每当AI代理犯错时就通过工程化的手段修复它，让它永远不再犯同类错误。

OpenAI采取的Zuo法是将代码仓库本身变成一个system of record。所有知识，包括设计文档、架构图、执行计划、质量评分和技术债追踪，dou以版本化的形式存在于代码仓库中。这种方法确保了知识的可版本化、可校验和可维护性。

AGENTS.md文件只是入口，真正的核心在于repo内可版本化、可校验的知识组织。这种渐进式披露的设计原则确保了AI代理在每个任务中只获取它需要的上下文，不多也不少。

Harness Engineering的核心闭环包括生成、约束、验证、反馈和再生成。缺少验证环节的harness是不完整的。OpenAI的Zuo法是通过让AI代理直接接入运行时可观测性，来实现这一闭环。

这意味着harness的设计需要实证驱动，而不是理论上“越严格越好”。LangChain的实验提供了量化的佐证：同一个模型，仅改变harness，性Neng得分就有了显著提升。这说明模型是商品，而harness是壁垒。

早期AI coding的叙事是“用任何语言、任何模式生成代码，LLM会搞定一切”。但OpenAI的实践表明，提升信任和可靠性恰恰需要收窄解空间——固定架构模式、强制边界、标准化结构。自由度和可控性的trade-off是真实存在的。

OpenAI部署了GC Agent，后台周期性运行的agent，职责包括清理技术债、维护代码库的健康度。这种Zuo法确保了代码库不会随着agent产出速度的增加而迅速恶化。

Harness Engineering的本质不是写规则，而是设计控制回路。它由context engineering、architectural constraints、garbage collection三个正交维度构成一个完整的控制系统。

这不是一次性设计好的静态系统，而是一个以agent失败为输入、以harness改进为输出的持续迭代飞轮。它的目标是让AI代理在边界内自主操作，而不是靠人工review来保证质量。

Harness Engineering代表了一种新的工程实践，它通过设计有效的控制系统，来确保AI代理生成的代码的可维护性、可靠性和安全性。它不是Prompt Engineering的升级版，而是一种全新的方法论。

随着AI技术的不断发展，Harness Engineering将会成为规模化agent coding的生存条件。它的应用将会越来越广泛，影响着软件开发的各个方面。