Harness Engineering

概述

Harness Engineering 是一套為 Coding Agent 使用者設計的心智模型與工程方法，目的是提升對 AI 生成程式碼的信任度、減少人工審查負擔，同時維持系統品質。

核心公式：

其中 Harness 泛指 AI Agent 中除了模型本身以外的所有部分。Coding Agent 通常內建部分 Harness（如系統提示、程式碼檢索機制、協調系統），但也允許使用者為特定專案與系統建立外層 Harness（Outer Harness）。

附帶效益：減少無效 token 消耗。

類型	中文	說明
Guides（前饋控制）	引導	預測 Agent 行為，在行動前介入導正，提高首次產出品質
Sensors（反饋控制）	感測器	行動後觀察結果，讓 Agent 自我修正；可輸出針對 LLM 優化的訊號（如包含修正指令的客製 linter 訊息）

注意：

類型	執行方式	速度	確定性	範例
Computational（計算型）	CPU	毫秒至秒級	確定性高	測試、linter、型別檢查、結構分析
Inferential（推論型）	GPU / NPU	較慢、較貴	非確定性	AI 程式碼審查、LLM as Judge、語意分析

項目	方向	類型	實作範例
程式碼慣例	Feedforward	Inferential	AGENTS.md、Skills
新專案初始化指引	Feedforward	Both	含指令的 Skill + Bootstrap 腳本
Code Mods	Feedforward	Computational	整合 OpenRewrite recipes 的工具
結構測試	Feedback	Computational	執行 ArchUnit 模組邊界檢查的 pre-commit hook
審查指引	Feedback	Inferential	Skills

文章提及三類 Harness 調節維度（詳細內容待補充）：

指系統本身對 Harness 的友善程度——設計良好的系統架構應便於 Harness 的安裝與運作。

Context Engineering 提供使 Guides 與 Sensors 對 Agent 可用的手段。 為 Coding Agent 建立 User Harness，本質上是 Context Engineering 的一種特定形式。

文章亦引用了以下概念（詳細論述待補充）：

在此框架下，人類的工作是透過不斷迭代 Harness（Guides 與 Sensors）來引導 Agent，而非直接審查每一行 AI 生成的程式碼。