- 让 AI 更顺利，更完美的完成你的任务需求，持续靠谱的完成整个任务
- 怎么让AI持续靠谱的干完一整件事
- Agent = 模型 + Harness
Harness 是什么？
Harness这个词翻译过来就是「马具」。如果把AI模型比作一匹马，那Harness就是你驾驭这匹马所需要的一切，比如缰绳、路线规划、围栏等等。
我们要做的，就是怎么让这匹马跑得更快、更稳，顺利完成任务。具体来说，Harness就是围绕AI模型搭建的一整套工作环境和工作流程。你给AI写的项目规则文件、配置的各种工具、安排的任务拆分和执行顺序、设计的测试检查流程，这些统统都算Harness。
Harness的五个核心模块
1、上下文架构：让 AI了解项目背景和规矩
AGENTS.md 规则文件、分层文档、上下文压缩、渐进式加载
做项目的第一步是什么?
当然是了解需求、项目背景和开发规范。用AI做项目也一样，你得把这些信息喂给它。我们可以写AGENTS.md这样的规则文件，告诉AI这个项目用什么技术栈、遵循什么代码规范、有哪些禁止事项。这跟我们传统做项目时写需求文档、方案设计文档是一样的。
2、执行能力：给 AI 装上手脚和工具
工具调用、Bash终端、文件系统、MCP、Browser User、Skills技能包
AI模型本身只能输出文本。如果想让AI真正开发项目，就得通过工具调用让它具备操作电脑的能力。比如给它配一个终端环境来执行命令、给它文件系统来读写代码、给它浏览器来测试网页。
3、任务编排：给AI安排好工作计划
Plan Mode、任务分、增量开发、文档沉淀、SubAgents并行执行
如果你丢给AI一个大需求，它可能会尝试一把梭全部搞定。但AI的上下文空间是有限的，可能开发到一半信息就装不下了，前面定好的方案和约束慢慢被冲淡，最后留下一堆跑不起来的渣渣代码。
怎么解决这个问题呢?
最基本的做法就是把大任务拆成小任务，每次只做一个功能点。在开始之前可以先用PlanMode计划模式让AI出方案，人工确认后再动手写代码。
每做完一个功能，最好都沉淀一下文档，包括当前实现了哪些功能、用了什么技术方案、还有哪些待做的事项。这样哪怕后面新开一个AI对话窗口，也能让AI通过读文档快速了解之前做了什么，不用从头再来。
如果有多个互不依赖的小任务，还可以用SubAgents让它们并行执行，效率更高。我们传统开发项目时的任务拆分、前后端并行开发，也是同样的思路。
4、反馈机制：让AI自己检查自己的工作
Linter代码检查、自动化测试、Browser Use端到端测试、Agent互审
AI写完代码之后，可能会自信满满地跟你说任务已经完成了，结果你一点运行，全是Bug。
所以我们得让AI在写完代码之后能自己检查自己的工作。比如跑Linter(代码检查工具)看看有没有语法和规范问题，跑自动化测试验证功能是否正确，甚至让AI自己打开浏览器实际操作一遍，功能可以正常使用才算是真正完成了任务。
5、架构护栏：防止代码越改越乱
架构约束Linter、Pre-commit Hooks、垃圾回收机制、Git检查点
AI生成代码有个特点，就是它会模仿仓库里已有的代码风格，哪怕是烂代码。比如同样的页面代码写了好几遍，也不知道要拆分成可复用的组件，会导致改了一个地方其他重复的地方就漏改了。时间一长，技术债就越滚越大。
怎么防止这个问题呢?
常见的做法是写一批专门的Linter来强制执行架构层面的约束。注意这跟前面反馈机制里提到的Linter不太一样，前面那个查的是代码风格和语法问题，这里的Linter查的是架构规则，比如UI层不能直接调用数据库层、模块间的依赖必须是单向的。AI一旦违反就会被自动拦住，还可以通过Pre-commitHooks(代码提交前的检查钩子)在提交时自动拦截不合规的代码。
Harness 不是什么新技术，本质上是把我们已有的工程经验，系统的应用到 AI 上。
评论已关闭