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

1. 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）

2. 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

3. 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）

4. 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

5. 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

6. 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

7. 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