开启 Harness Engineering 探索之旅

📌 一句话摘要

本文分享腾讯内部在 AI 编程实践中构建 Harness Engineering 体系（SpecWorker）的经验，系统阐述如何通过协议层、管线层与纪律层将 AI 编码能力嵌入真实研发流程，解决出码率高但提效不明显的瓶颈。

📝 详细摘要

文章从 AI 编程实践中发现的「出码率高但提效不明显」的裂缝切入，引入 Harness Engineering 概念——即设计模型如何工作而非如何回答，并回顾了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的关注点迁移。作者详细介绍了腾讯自研的 SpecWorker 体系，分为研发端到端交付（轨道 1）、线上运营（轨道 2）和长期记忆（知识库）三部分。在研发轨道中，文章拆解了协议层（输入输出契约）、管线层（标准化需求到上线的 6+1 阶段，含 P1 需求钉死、P2 契约设计、P3 代码实现与多轮校准、P4 测试自愈、P5 部署门禁、P6 归档复利）和纪律层（TDD、Debug、Verify、Review、Evaluate 五道防线硬编码不可绕过）。特别强调了管线上的可监测性（可追踪、可回溯、可度量）作为信任 AI 的工程前提。最后介绍了线上运营轨道（告警自动处理）和知识库（长期记忆）的设计。全文展示了在真实业务、多人协作、存量系统中落地 AI 驱动研发的实践取舍与边界。

💡 主要观点

- 出码率与提效之间存在裂缝，根本原因是 AI 只加速了写代码环节，而理解、对齐、验证等非编码环节成为新瓶颈。 AI 将附属复杂度（语法、工具）大幅降低，但本质复杂度（理解需求、对齐设计、验证质量）一分没少，瓶颈从写代码转移到了非编码环节。

Harness Engineering 的核心是设计模型的工作环境而非回答方式，通过工程手段让 Agent 稳定完成长链条任务。 等式 Agent = Model + Harness 将关注点从模型能力转向模型外部的运行框架：执行环境、工具协调、状态管理、反馈注入、约束施加、进展验证。

SpecWorker 体系通过协议层、管线层、纪律层三层架构，将 AI 驱动研发从黑盒变为可信任的工程化流程。 协议层定义每一步的输入输出契约；管线层标准化需求到上线的 6+1 阶段，每阶段有具体子 Agent 和产出物；纪律层硬编码 TDD、Debug、Verify、Review、Evaluate 五道防线，AI 不可绕过。

可监测性（可追踪、可回溯、可度量）是信任 AI 的工程前提。 AI 执行主体从人变为 AI 后，每一步必须有机器可读的证据（阶段指标文件）、失败时能自动回溯根因（按 SOP 检索日志/数据库/Redis），以及全域成本与效果量化指标。

知识库（长期记忆）和线上运营轨道是 Harness 的两面，分别解决主动需求驱动和被动告警驱动的场景。 研发管线管上线前，线上运营轨管道上线后告警闭环；两者共享同一套知识库、trace-id 检索 SOP 和评分门槛，实现研发态与运营态的对偶设计。

💬 文章金句

- 不是教模型「怎么回答」，而是设计模型「怎么工作」。

• 每当你发现 Agent 犯了一个错，你就花时间在它外面工程化一个方案，让它永远不再犯同样的错。

📊 文章信息

AI 初评：90

来源：腾讯技术工程

作者：腾讯技术工程

分类：人工智能

语言：中文

阅读时间：64 分钟

字数：15831

标签： Harness Engineering, AI 编程, AI Agent, 研发管线, 工程实践

阅读完整文章