Harness Engineering 驾驭工程

AI 正在从“回答问题的工具”变成“参与执行的智能体”。它可以参与开发、整理资料、拆解任务、调用工具、检查结果，甚至完成一整套工作。能力越强，越需要一套方法来管住方向、过程和结果。

Harness Engineering，也可以理解为驾驭工程：为 AI 智能体提前设计目标边界、资料供给、执行流程、行为约束和验收标准，让它在可控环境中稳定完成任务。

驾驭谁

驾驭的是 AI 智能体。它不只是回答问题，而是会参与任务执行，所以需要被引导、约束和验收。

怎么驾驭

通过目标、资料、流程、规则、环境和检查标准，把 AI 的执行过程纳入一套系统化方法。

解决什么

解决 AI 急于求成、提前收尾、缺少验证、模仿坏模式等复杂任务中的失控问题。

不是什么

它不是替代 Prompt 或 Context，而是把提示词、上下文、工具和检查机制组织成可执行的工作系统。

管方向

人类负责目标、边界、优先级和关键决策，避免 AI 只顾执行却偏离真实需求。

管过程

用流程拆解、上下文供给和行为约束，让 AI 按稳定路径推进复杂任务。

管结果

通过测试、构建、Review 和验收清单确认结果可用，而不是只听 AI 自评。

为什么需要驾驭工程

单次对话里的 AI 很容易显得“能说会道”，但复杂任务真正考验的是过程稳定性。

边界不清

任务还没定义完整，AI 就开始执行，最后容易做出方向正确但不完整的半成品。

半途收尾

完成局部内容后就判断任务结束，忽略测试、交付说明或关键边界条件。

缺少验证

代码、文档或方案看似完整，但没有经过运行、构建、预览或人工检查。

错误继承

盲目模仿已有项目中的坏模式，把旧问题继续放大。

驾驭工程的价值在于：把这些依赖“自觉”的环节，改造成可重复执行的流程和规则。

也就是说，不要只期待 AI 自己记得先确认需求、做完后主动测试、交付前检查遗漏；而是提前把这些动作写进工作流程里。这样每次任务都会按同一套标准执行，结果更稳定，也更容易排查问题。

三层能力递进

驾驭工程不是提示词工程、上下文工程的替代品，而是更上一层的管控体系。

关注指令表达：让 AI 知道要回答什么、按什么格式回答、需要避开什么。

关键词：角色、任务、约束、示例、输出格式。

核心组成

目标边界

明确做什么、不做什么、完成标准是什么。典型产物是任务说明和验收清单。

资料供给

提供稳定可信的信息来源，例如文档、接口说明、业务规则和示例。

行为约束

限制 AI 的执行方式和禁止动作，例如编码规范、目录规范和安全规则。

流程编排

把复杂任务拆成可执行步骤，设置阶段性检查点。

自动检查

用测试、构建、Lint、类型检查等系统手段验证结果，而不是只靠 AI 自评。

经验沉淀

把高频有效做法固化为模板、脚本、Skill 或 AGENTS.md。

四类管控方法

把业务规则、接口说明、代码约定、运行方式整理清楚，减少 AI 在信息不足时自行猜测。

适合沉淀的资料包括：项目背景、核心术语、目录结构、接口协议、常见问题、禁止行为和安全边界。

七步落地流程

划界：明确工作内容和边界，先回答“这次任务到底交付什么，不包含什么？”
筑底：准备运行和验证环境，确保 AI 能安装、运行、测试和预览。
投料：提供可靠上下文，标出哪些资料必须看，哪些资料不能直接信。
拆流：把复杂任务拆成可顺序执行的小任务，设置阶段性验收点。
互审：用检查清单、测试、构建或多个智能体交叉验证结果。
提纯：沉淀高频流程，把有效经验固化成模板、脚本或 Skill。
交付：完成上线、部署、说明和最终验收，让用户能确认结果可用。

最小可用 Harness

一个项目不需要一开始就设计得很重。先搭出最小版本，就能明显提升 AI 的稳定性。

项目说明

写清目标、技术栈、目录结构和运行命令。

任务规则

写清做事顺序、禁止行为和验收标准。

检查命令

准备测试、构建、格式化或预览命令。

沉淀入口

把反复出现的流程写进文档、脚本或 Skill。

开发者角色变化

任务设计者

把模糊需求拆成可执行、可验证的任务。

系统搭建者

为 AI 准备资料、工具、流程和检查机制。

质量监督者

判断结果是否可靠，并把经验沉淀回系统。