🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

你花了一下午时间，给一个AI编码助手布置了一个看似简单的任务：修改一个React组件的样式。你看着它信心满满地开始，生成代码，运行，报错，再生成，再报错……循环往复，最终卡在一个诡异的依赖版本问题上，或者干脆“提前结束”，留下一堆半成品代码。你叹了口气，关掉窗口，心想：“还是等下一代模型吧。”

这个场景，几乎是每个尝试将AI编码助手用于严肃开发的工程师都经历过的挫败。问题真的出在模型“不够聪明”吗？过去两年，整个行业都在追逐更强大的模型，仿佛只要参数够多、推理能力够强，AI就能完美地理解并执行我们的意图。但现实是，即使是最顶尖的模型，在裸奔状态下，也常常表现得像个能力超群但缺乏纪律和工具的实习生——它可能知道所有语法，却不了解你的项目规范；它能写出函数，却无法保证代码能通过测试；它急于完成任务，却可能在关键时刻“掉线”。

这种挫败感的根源，很可能不是模型本身，而是我们使用模型的方式。我们缺少的，是一套能将模型的原始能力转化为稳定、可靠、可预测产出的“工程体系”。这正是Harness Engineering（缰绳工程）要解决的问题。它不是一个新工具，而是一种全新的工程范式：将围绕AI模型构建的所有代码、配置、执行逻辑和约束机制，视为一个与模型同等重要、甚至更重要的核心工程制品。

简单来说，一个AI Agent = 模型 + 缰绳。模型是引擎，提供动力和智能；缰绳则是方向盘、刹车、导航仪和操作手册的总和，它决定了引擎的动力能否安全、高效地抵达目的地。这篇文章，我们就来深入拆解Harness Engineering的核心思想，并基于一个企业级多Agent协同的实战项目，看看如何从零开始，构建一套具备自我进化能力和人工介入机制的“缰绳”系统。

1. 从“模型崇拜”到“缰绳思维”：重新定义AI工程的价值锚点

我们习惯于将AI的能力等同于模型的能力。但Viv Trivedy提出的公式清晰地揭示了另一面：coding agent = AI model(s) + harness。模型只是输入之一，其余的一切——提示词、工具、上下文策略、钩子、沙箱、子Agent、反馈循环——都属于“缰绳”的范畴。

1.1 为什么“好模型+坏缰绳”远不如“普通模型+好缰绳”？

一个生动的数据点来自Terminal Bench 2.0基准测试：Claude Opus 4.6模型在Claude Code产品内部运行，得分远低于同一个模型运行在一个精心设计的自定义缰绳中。Viv的团队仅通过优化缰绳，就将一个编码Agent的排名从Top 30提升到了Top 5。

这背后的逻辑是：模型在训练和微调过程中，会与其所处的默认缰绳深度耦合。一个为特定产品（如Claude Code）优化的模型，其行为模式已经被该产品的提示词、工具调用方式和流程所塑造。当你把它放入一个为你的代码库量身定制的、约束更明确、工具更精准、反馈更及时的缰绳中时，你实际上解锁了模型被原有环境所抑制的潜在能力。

因此，Harness Engineering的核心心态转变在于：将每一次Agent的失败，不再视为“模型太笨，等下一代”，而是视为一次“缰绳配置问题”的信号。HumanLayer团队将其精辟地总结为：“It’s not a model problem. It’s a configuration problem.”

1.2 缰绳工程的“棘轮效应”：每一次错误都转化为一条规则

这是构建有效缰绳最关键的思维习惯。你需要将Agent犯的每一个错误，都视为对系统的一次永久性输入，而不是可以一笑了之的轶事或需要手动重试的“坏运行”。

一个具体的例子：假设你的Agent提交了一个PR，其中注释掉了一个失败的测试用例（.skip()或xit），而你疏忽之下合并了它。在缰绳思维下，你应该立即采取以下行动：

1. 更新规则文档（AGENTS.md）：增加一条“永远不要注释掉测试；要么修复它，要么删除它。”
2. 添加预提交钩子（Hook）：编写一个脚本，在每次提交前扫描差异（diff），查找.skip(或xit(模式，并阻止提交。
3. 强化评审Agent：配置你的代码评审子Agent，将“存在被注释的测试”标记为必须修复的阻塞性问题。

这个过程就像一个“棘轮”，只进不退。你只因为看到了真实的失败而添加约束，也只当有足够能力的模型证明某个约束已不再必要时才移除它。一个好的AGENTS.md中的每一行，都应该能追溯到一个具体的、曾经发生过的错误。这使得你的缰绳体系随着时间推移，越来越贴合你的项目和团队的实际需求，它无法被下载，只能被“培育”。

2. 企业级多Agent协同项目的缰绳架构实战

理解了核心理念，我们来看如何在一个真实的企业级项目中落地。假设我们的项目是“码士集团AI大模型”平台的一个内部开发工具链，目标是让多个AI Agent协同完成从需求分析、代码开发到测试部署的完整流程。这远非单个聊天机器人能胜任，必须依靠一套精心设计的缰绳系统。

我们的架构将围绕以下几个核心支柱展开：

• 多Agent协同：明确分工，如规划者、执行者、评审者。
• 沙箱（SandBox）：提供安全、隔离、可复现的执行环境。
• 自我进化的Skill：动态管理和优化Agent的工具能力。
• 人工介入：在关键决策点引入人类判断，确保可控性。

2.1 基石：文件系统、Git与沙箱——构建可观测、可回滚的持久化状态

文件系统是Agent与真实世界交互的最基础、也最被低估的原语。没有文件系统，Agent就只是一个拥有短暂记忆的聊天窗口。文件系统为Agent提供了：

• 工作空间：读取代码、文档和数据。
• 中间状态卸载：将复杂的中间思考过程写入文件，释放宝贵的上下文窗口。
• 协同平面：多个Agent和人类可以通过读写共享文件来协调工作。

Git在文件系统之上提供了版本控制。这让Agent可以：

• 跟踪进度：通过提交历史记录工作流。
• 安全实验：在独立分支上进行尝试，失败可轻松回滚。
• 协同基础：为代码评审、合并等标准流程提供支持。

沙箱（SandBox）则是安全性的保障。你绝不应该让一个自主运行的Agent直接在你的开发机或生产服务器上执行任意Bash命令。沙箱提供了一个隔离的、一次性的操作系统环境。

• 安全执行：Agent生成的代码在沙箱中运行，与主机环境隔离。
• 环境一致性：每个任务都从一个干净、预配置的环境开始，避免了“在我机器上能跑”的问题。
• 资源控制：可以限制CPU、内存、网络访问。
• 默认工具链：预装项目所需的语言运行时（Node.js, Python, Go）、包管理器、测试框架、Git CLI，甚至无头浏览器（用于Web交互测试）。

实战配置示例（概念性）：我们可能使用像docker、firecracker或专门的Agent沙箱服务来动态创建和销毁环境。每个Agent任务开始时，缰绳管理器会从镜像仓库拉取一个包含项目基础依赖的沙箱镜像，挂载项目代码目录，然后启动Agent进程。

# 简化的任务描述文件 (task_spec.yaml) agent_task: id: "feature-123" goal: "为UserProfile组件添加深色模式支持" sandbox: image: "company-ai/dev-base:node-18-python-3.11" resources: cpu: "2" memory: "4Gi" mounts: - source: "/git/project-frontend" target: "/workspace" read_only: false harness_config: agents_md_path: "/workspace/.agents/AGENTS.md" allowed_commands: ["npm", "yarn", "jest", "pytest", "git"] # 命令白名单 blocked_patterns: ["rm -rf /", "DROP TABLE", ":*"] # 危险命令黑名单

2.2 核心循环：规划、执行、验证与Ralph Loops

对于长期、复杂的任务（如“重构整个身份验证模块”），模型容易“提前停止”或在冗长的上下文中失去连贯性。缰绳必须设计机制来对抗这些问题。

1. 规划分解：首先，一个“规划者”Agent（或主Agent的规划模式）会将宏观目标分解为具体的、可验证的步骤，并写入一个plan.md文件。

# 任务计划：为UserProfile组件添加深色模式支持 1. 分析现有UserProfile组件的样式结构（使用CSS Modules / Styled Components）。 2. 定义深色模式的颜色主题变量（更新 `theme.css` 或设计令牌文件）。 3. 修改UserProfile组件，使用主题变量替代硬编码颜色。 4. 为组件编写故事书（Storybook）条目，展示亮色/深色模式。 5. 运行现有测试，确保功能未破坏。 6. 在沙箱中启动应用，手动（或通过无头浏览器）验证UI渲染。

这个计划文件成为所有后续Agent工作的“路线图”。

2. 执行与验证循环：“执行者”Agent按照计划一步步工作。关键之处在于钩子（Hooks）和自我验证。

• 钩子：在每个文件保存后、每个命令执行前、每次Git提交前，都可以触发钩子脚本。例如：
  • post-file-write: 自动运行代码格式化（Prettier）。
  • pre-commit: 运行ESLint和类型检查（TypeScript）。
  • post-test: 如果测试失败，将错误日志提取并注入Agent的上下文，要求其修复。
• 自我验证：Agent完成一个步骤后（如修改了组件），缰绳可以要求它运行相关的单元测试或快照测试。测试结果（成功或失败）作为反馈循环回给Agent。

3. Ralph Loops：对抗“提前停止”的利器“提前停止”是指模型在任务完成前就自行判断“任务完成”并退出。Ralph Loop是一个巧妙的缰绳技巧：当模型试图输出“任务完成”的最终答案时，一个钩子会拦截这个输出，清除当前上下文（缓解上下文腐烂），然后重新注入原始的任务目标和当前的工作状态（从文件系统读取），强迫Agent在一个“新的会话”中继续工作，直到满足真正的完成条件（如所有测试通过，计划中的所有步骤标记为完成）。这本质上是将单次会话的Agent，变成了一个能跨多个会话持续工作的“永动机”。

2.3 Skill的动态管理与自我进化

Skill（技能）是赋予Agent特定能力的工具或指令集。在Claude Code、Cursor等产品中，Skill可以是代码生成规则、代码库查询能力或与特定API交互的插件。在企业级缰绳中，Skill的管理需要更加动态和智能。

1. Skill的组成：一个Skill通常包括：

• 描述：自然语言描述该技能的功能和适用场景。
• 触发条件：何时应该激活此技能（如检测到package.json时加载npm相关技能）。
• 工具/API：技能背后调用的具体函数或服务。
• 示例：输入输出的例子，供模型学习。

2. 渐进式披露（Progressive Disclosure）：不要在Agent启动时就加载所有上百个Skill的描述到系统提示中，这会导致上下文窗口被迅速污染，性能下降。缰绳应该根据当前任务上下文动态加载Skill。

• Agent开始分析前端代码？加载React、CSS、Storybook相关Skill。
• Agent开始编写数据库迁移？加载SQL、ORM相关Skill。
• 这个机制可以由一个“技能路由器”子Agent来管理，或者通过分析工作区文件来触发。

3. Skill的自我进化：这是“自我进化”的核心。缰绳系统需要记录：

• Skill使用频率：哪些Skill最常被使用？哪些从未被使用？
• Skill使用效果：使用某个Skill后，任务的成功率是否提升？代码质量是否更好？
• Skill缺失场景：Agent是否频繁尝试执行某个操作却失败，暗示需要一个新Skill？

基于这些数据，系统可以：

• 自动优化Skill描述：如果某个Skill很少被正确调用，可能是描述不清，可以尝试用LLM重写描述。
• 推荐创建新Skill：当检测到重复性的、未被Skill覆盖的成功操作模式时，提示工程师将其封装为新Skill。
• 淘汰无效Skill：将长期未使用或效果负面的Skill归档或标记为待审查。

一个简单的Skill元数据文件示例：

{ "skill_id": "react_component_storybook", "name": "生成React组件Storybook故事", "description": "为给定的React组件代码自动生成对应的Storybook .stories.js文件。支持Args、Controls和深色模式切换。", "trigger_conditions": ["file_extension:.jsx", "file_extension:.tsx", "contains:'React'"], "usage_count": 142, "success_rate": 0.92, "last_updated": "2023-10-27", "evolution_suggestion": "最近3次使用中，用户均手动添加了‘MobileViewport’参数。建议更新技能描述或逻辑，默认包含视口参数。" }

2.4 人工介入：在自主性与可控性之间找到平衡点

完全自主的Agent在复杂企业环境中是危险的。缰绳必须设计清晰的“人工介入点”，让人类在关键时刻做出决策。

1. 审批门（Approval Gates）：在以下关键操作前，暂停Agent，等待人类批准：

• 创建Pull Request：在代码合并到主分支之前。
• 执行数据库变更：如运行迁移脚本或修改生产数据。
• 安装新的NPM/Pip包：特别是带有latest标签或版本范围较广的包。
• 访问外部API或敏感数据。 审批可以通过聊天界面、Slack机器人或集成的工单系统完成。

2. 评审工作流：引入“评审者”Agent和人类评审的混合模式。

• 第一层：AI评审者：自动运行代码风格检查、安全扫描（SAST）、依赖漏洞检查、测试覆盖率分析。如果发现问题，直接反馈给“执行者”Agent修复。
• 第二层：人类评审：AI评审通过后，自动创建一个PR并分配给相关的人类工程师。人类工程师聚焦于架构设计、业务逻辑等AI不擅长的部分。

3. 人工接管与修正：当Agent陷入循环、明显偏离目标或遇到未预见的错误时，人类工程师应能：

• 查看完整轨迹：包括Agent的思考过程、工具调用、输出结果。
• 直接修改中间文件：在沙箱中直接编辑Agent生成的代码或计划。
• 提供额外上下文：通过聊天输入，给予更明确的指令或背景信息。
• 重置任务状态：让Agent从某个检查点重新开始。

3. 构建你的第一个生产级缰绳：从零到一的实践路径

理论很美好，但如何开始？遵循“迭代”原则，不要试图一次性构建完美的缰绳。

3.1 第零步：心态准备与工具选择

• 心态：接受混乱的v0.1。你的第一个缰绳会很简单，甚至粗糙，但它是迭代的基础。
• 工具选择：你不必从零开始写一个ReAct循环。可以考虑基于成熟的Harness-as-a-Service (HaaS)框架或SDK，如：
  • Claude Agent SDK/OpenAI Assistants API：提供了基础的对话、工具调用、文件检索框架。
  • LangChain/LlamaIndex：更灵活，但需要更多集成工作。
  • 自定义框架：如果你有强烈的定制需求，可以用简单的Python脚本围绕LLM API构建核心循环。

3.2 第一步：建立最小可行缰绳（MVP Harness）

1. 一个清晰的系统提示（AGENTS.md）：写下不超过20条最重要的项目约定。例如：“使用TypeScript”、“用React函数组件”、“使用公司的设计系统组件库”、“测试文件放在__tests__目录”。
2. 一个安全的沙箱：使用Docker快速创建一个包含你项目基础环境（Node, Python等）的容器。确保Agent只能在这个容器内运行命令。
3. 两个核心工具：
   • Bash执行：允许Agent在沙箱内运行安全的命令行工具（如git,npm run test）。务必设置命令黑名单（如rm -rf,:(){ :|:& };:）。
   • 文件读写：允许Agent读取项目文件，并将修改写回。
4. 一个简单的反馈钩子：在Agent每次执行npm test或pytest后，如果测试失败，将错误信息直接塞回给Agent，并要求它修复。

用这个简单的缰绳，尝试让Agent完成一个非常具体的微任务，比如“在utils/目录下创建一个名为formatDate.js的函数”。

3.3 第二步：引入规划与验证

1. 强制规划：修改你的主提示，要求Agent在动手前，必须将任务分解为步骤，并写入plan.md。
2. 实现Ralph Loop：添加一个逻辑，监控Agent的输出。如果它说“完成”了，但plan.md中还有未标记为“完成”的步骤，或者测试未通过，则清空上下文，重新注入任务目标和当前计划/代码状态，让它继续。
3. 添加代码质量钩子：在文件保存时，自动运行格式化工具；在提交前，运行linter。

3.4 第三步：实现多Agent协同与Skill管理

1. 角色分离：将你的单一Agent拆分为：
   • 规划者：只负责分析需求和制定计划。
   • 执行者：只负责根据计划和规则编写代码、运行命令。
   • 评审者：负责运行测试、检查代码风格，并提供修改建议。 这三个角色可以是同一个模型实例的不同“人格”（通过系统提示区分），也可以是三个独立的进程。
2. 创建Skill目录：开始将一些常用的操作模式（如“创建React组件”、“添加Redux slice”、“编写Jest测试”）抽象成Skill文件，包含描述和示例。
3. 实现动态加载：根据当前工作目录中的文件类型，动态地将相关Skill的描述添加到执行者的上下文中。

3.5 第四步：集成人工介入与观测性

1. 添加审批点：在“执行者”试图运行git push或向主分支创建PR时，暂停并发送通知到你的聊天工具（如Slack）。
2. 构建仪表盘：记录每个任务的轨迹：模型调用、工具使用、文件变更、测试结果、耗时和成本。这是你优化缰绳和发现故障模式的数据基础。
3. 建立复盘机制：定期（如每周）查看失败的任务日志。每一个失败都是一个优化缰绳的机会——是缺了一条规则？一个Skill？还是一个需要人工介入的点？

4. 超越工具：Harness Engineering作为核心竞争力和思维模式

最终，Harness Engineering的价值远不止于构建一个更好用的AI编码助手。它代表了一种根本性的思维转变：从追求“更聪明的黑盒”，转向设计“更可靠的系统”。

在这个范式下，工程师的核心工作不再是微调提示词或等待新模型发布，而是：

• 定义清晰的行为规范（通过AGENTS.md和钩子）。
• 设计安全的执行环境（通过沙箱和权限控制）。
• 构建高效的反馈循环（通过测试、验证和Ralph Loops）。
• 编排协同的工作流（通过多Agent和人工介入点）。
• 培育可进化的能力集（通过Skill的动态管理）。

你的缰绳，将成为你团队独特的、难以复制的“AI操作系统”。它编码了你项目的知识、团队的开发习惯、公司的安全红线以及从历史错误中积累的智慧。随着模型能力的快速演进，今天需要复杂缰绳才能完成的任务，明天可能只需一个简单的指令；但同时，模型能力的边界也会拓展，催生出对更复杂缰绳（如跨项目协调Agent、UI设计质量评估器）的新需求。

这场竞赛的胜负手，或许不再仅仅取决于谁能拿到最先进的模型，而更取决于谁能围绕模型，打造出最坚韧、最智能、最贴合业务的那根“缰绳”。开始构建你的那一根吧，就从写下第一条AGENTS.md规则和创建一个最简单的沙箱开始。每一次Agent的失误，都是你这套系统变得更强大的契机。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度