Harness Engineering：当代码不再稀缺，什么才是工程的核心？
过去十几年，软件工程一直在解决一个问题：
如何把代码写得更快、更好。
但随着大模型的出现，这个问题正在失效。
现在的现实是：
- AI 可以写代码
- 可以写很多代码
- 甚至可以写百万行级别的系统
但真正的问题变成了：
如何让它持续写对？
这就是 Harness Engineering（驾驭工程）出现的背景。
一、从“写代码”到“设计环境”
一个很关键的认知转变是：
你不再直接写代码，而是设计一个让 AI 写代码的系统
这和传统开发完全不同。
过去：
- 工程师 = 执行者
- 写逻辑、修 bug
现在：
- 工程师 = 系统设计者
- 设计规则、约束、反馈机制
也就是说：
软件工程，正在从“生产代码”，变成“生产系统”。
二、AI 工程的三层演进
如果你回看过去两年，其实已经经历了三次明显的范式升级：
1. Prompt Engineering（提示工程）
最早大家在做的事情：
- 怎么问问题更好？
- 怎么写 prompt 更准？
本质：优化“表达方式”
但问题是：不稳定、不可复现、无法规模化。
2. Context Engineering（上下文工程）
然后大家意识到：
不是你说得不好，是 AI 知道得不够
于是开始：RAG、注入代码上下文、提供文档。
本质：优化“信息输入”
但问题仍然存在：AI 还是会犯错、会偏离目标、无法长期运行。
3. Harness Engineering（驾驭工程）
于是出现第三阶段：
不是改 prompt，也不是喂更多数据，而是设计整个运行系统
它关注的是：
- AI 在什么规则下运行
- 出错之后怎么办
- 怎么防止系统变坏
三、为什么必须要 Harness？
因为 AI 有一些非常“工程不友好”的特性。结合实际经验（包括 Anthropic 等团队总结），有三种典型失败模式：
❌ 1. 一次性做完（One-shot）
AI 很喜欢一次性写完整功能，不拆步骤。
结果：上下文爆炸、逻辑混乱、无法维护。
❌ 2. 过早宣布完成
当系统稍微有点进展时，AI 很容易“觉得差不多了”，即使还有功能没实现、还有 bug。
❌ 3. 写完就当对了
AI 经常写完代码就认为是对的，但实际上没有端到端验证，测试不完整。
还有一个更隐蔽的问题：
AI 会复制代码库中的一切模式——包括错误的模式
这意味着：如果没有约束，它会指数级放大技术债。
四、Harness Engineering 在做什么？
可以用一句话概括：
不是让 AI 更聪明，而是让系统更可靠
它的核心是四个“护栏”：
1. 上下文工程（Context）
不是给 AI 更多信息，而是给“刚刚好”的信息。
关键实践：
- AGENTS.md（入口说明）
- 按需加载上下文
- 动态检索
否则：上下文越多，反而越差（会挤掉任务空间）。
2. 架构约束（Constraints）
最核心的一点：
规则必须可以被机器执行
例如：
- 分层依赖（不能乱调用）
- Linter 自动检查
- CI 强制阻断
重点不是“写规则”，而是把规则变成系统的一部分。
3. 反馈循环（Feedback Loop）
AI 最大的问题是：不知道自己错了。
所以必须构建：自动测试、自动验证、自动修复，形成闭环：
生成 → 检测 → 修复 → 再检测
甚至发展成：Agent Review Agent（智能体审智能体）。
4. 熵管理（Entropy Management）
这是很多人忽略但极其关键的一点。系统会自然变乱：代码腐化、文档过时、架构漂移。如果不处理，AI 会把这些问题放大。
所以需要：定期重构、自动清理、文档同步（Doc Agent）。
可以理解为：给系统做“垃圾回收”。
五、一个反直觉结论
很多人以为：AI 变强 → 系统就更好。
但实际情况是：
系统设计比模型能力更重要
甚至出现这种情况：不换模型，只优化 Harness，效果提升一个量级。
这也是为什么多个团队得出一致结论：
瓶颈不在模型，而在基础设施
六、工程师角色正在重写
这是最值得关注的变化。
未来的工程师不再是写最多代码的人，而是设计最强系统的人。
他们做的事情是：
- 设计约束
- 设计反馈
- 设计流程
- 设计演化机制
一句话总结：
从“写程序的人”，变成“设计程序如何被写出来的人”
七、一个非常形象的比喻
可以这样理解三层工程：
- Prompt Engineering → 对马说话
- Context Engineering → 给马地图
- Harness Engineering → 修路 + 建护栏 + 设交通规则
关键在于：
不是让马更聪明，而是让它“不会跑偏”
八、最终总结
Harness Engineering 的核心思想可以压缩成三句话：
Prompt 决定你怎么说 Context 决定 AI 看什么 Harness 决定 AI 能不能长期做对
更深一层是：
AI 的能力是“潜力”，Harness 才是“现实生产力”。