Appearance
Harness Engineering
人类的核心工作从写代码转向了设计 Agent 的工作环境。Harness Engineering 就是这门新学科。
什么是 Harness
Agent = Model + Harness. Model 是大脑，Harness 是它工作的一切环境：文档、约束、工具、日志、记忆、反馈循环。
一个好的 Harness 做三件事：
| 职责 | 说明 | 类比 |
|---|---|---|
| 前馈 (Guide) | 在 agent 行动前预防错误 | 架构文档、约束规则、参考案例 |
| 后馈 (Sensor) | 在 agent 行动后检测问题 | Linter、测试、LLM-as-Judge |
| 记忆 (Memory) | 跨会话保持上下文和知识 | Decision Records、Solution 库、日志 |
三个扩展维度
2026 年三大 AI 厂各探索了一个维度：
时间维度 (Temporal) — Anthropic
问题：Agent 连续工作数小时，如何保持方向和质量？
方案：Planner / Generator / Evaluator 三角色分离。每个角色有清晰的职责边界，通过文件 artifact 传递状态。
关键洞察：把"做事的 agent"和"评判的 agent"分开，是质量最强的杠杆。
空间维度 (Spatial) — Cursor
问题：数百个 Agent 并行，如何获得线性吞吐增长？
方案：递归 Planner-Worker 层级。Worker 在隔离的 repo 副本上工作，互不感知。信息只向上流动。
关键洞察：架构选择（monolith vs modular）直接影响 agent 并行效率。
交互维度 (Interaction) — OpenAI
问题：3 人团队如何管理 1500+ PR？
方案：Symphony 守护进程，把 ticket 自动转为 agent 任务。Agent 自带观测栈、自验证、自提 PR。
关键洞察：从"写 prompt 触发"进化到"写 ticket 改状态"。
核心共识
跨所有文章和实践，行业已达成 7 条共识：
- 改 Harness > 换 Model — Harness 的改进对所有模型同时生效
- 约束 > 指令 — 可执行的确定性规则比模糊指导有效
- < 60 秒反馈循环 — Build/Test/Lint 必须快到 agent 能高效迭代
- 四层记忆 — Agent config + Git history + Progress log + Structured state
- 渐进式加载 — 永远不要把所有信息塞进 context，按需读取
- 失败驱动改进 — 每个 agent 错误都应变成 harness 改进
- 验证分层 — 确定性检查（快/廉价）在前，推理性检查（慢/语义）在后
本节内容
| 页面 | 内容 | 适合谁 |
|---|---|---|
| Init 方法论 | 核心 — 任何项目的 Harness 初始化流程 | 新项目启动时 |
| 设计思想 | 从多模块实战沉淀出的抽象 harness 架构原则 | 初始化复杂项目时 |
| Context 设计 | CLAUDE.md / AGENTS.md 设计指南 | 写配置文件时 |
| 日志系统 | 可观测 + 可修复的日志架构 | 搭建 pipeline 时 |
| 知识管理 | Decision / Solution / Plan / Playbook | 积累经验时 |
| 自进化 | 自修复 + 自迭代 + 衰减检测 | 系统成熟后 |
| 模板库 | 所有文档模板，可直接复制 | 随时参考 |
适用范围
本方法论适用于使用以下工具的项目：
- Claude Code (Anthropic) — CLAUDE.md + Skills + Hooks
- Codex (OpenAI) — AGENTS.md + Workflows
- Cursor (Anysphere) — .cursorrules + Composer
- 通用 LLM Agent — 任何基于 prompt + tool 的 agent 系统
核心原则是通用的，具体实现按工具调整。
事实依据
本板块的方法论推荐基于 L3 事实层：
- Harness 文献快照 2026-04 — 6 篇核心文章 + 3 个开源项目 + 10+ 篇扩展引用