从AI代码到可信软件：工程约束的实践
内容提要
文章探讨了“工程约束”如何通过仓库强制执行标准，确保AI生成代码的质量与问责。它强调权限、质量门、证据和可观测性，并描述了从辅助到自主的成熟度阶段。核心是仓库成为“迷你组织”，通过PAAA框架（目的、条款、执行者、产物）治理，人类负责设定方向与审计，而非逐行审查。
延伸解读
为何“指令”不如“仓库约束”可靠
文章指出，AI模型会把提示词当作“建议”而非必须遵守的规则，因此即使把标准写进上下文或风格指南，模型仍可能违反。真正有效的约束来自仓库本身：通过权限、质量门等机制强制执行标准。这意味着，与其依赖提示工程，不如将标准“编译”进仓库的规则和检查中，让不合规的变更无法合并。
从辅助到自主：成熟度阶段与人类角色
文章描述了AI工程从“辅助”到“自主”的四个阶段。关键点在于，每个阶段都保留人类检查点，但检查点逐渐前移：从审查代码差异，到审查证据，再到仅审查高风险变更的意图，最后到治理边界。人类并未消失，而是转向设定方向、授予权限和审计系统，这为团队规划AI采用路径提供了参考。
证据与独立验证：避免“自我证明”陷阱
文章强调，每个变更都应附带“证据”——做了什么、依据什么规则、结果如何。更重要的是，验证必须独立于作者：如果同一个模型既写代码又定义成功标准，就可能“一人戴两顶帽子”，掩盖问题。建议使用不同模型家族的“评审”模型，以减少共享盲点，确保质量门真正有效。
仓库即组织：反向康威定律的实践
文章提出，当仓库内嵌了标准、证据和角色后，它会逐渐演变成一个“迷你组织”，甚至出现产品、质量评审等“席位”。这体现了反向康威定律：软件结构反过来塑造组织。治理框架PAAA（目的、条款、执行者、产物）为这种组织提供了治理语言，帮助团队系统化地管理自主系统。
Q&A
什么是工程约束（harness engineering）？
工程约束是一种纪律，通过将标准嵌入代码仓库，使仓库本身强制执行这些标准，包括权限、质量门、证据和可观测性，以确保AI生成代码的质量和问责。
为什么AI代码生成需要工程约束？
因为AI生成的代码可能不符合标准，而指令对模型只是建议，仓库的约束才是实际执行的。工程约束通过质量门和证据来确保代码质量，解决验证瓶颈，避免不可信变更的积压。
工程约束的成熟度阶段有哪些？
成熟度阶段包括：辅助（模型建议，人决定）、受约束（系统在多步骤工作下执行，人审查证据）、风险分级（低风险自动合并，高风险人工审查）、自主（系统执行和验证，人治理边界）。
工程约束中的质量门如何工作？
质量门是必需的检查，如果变更无法产生证据，则不能合并。随着成熟度提高，门读取器本身也不被信任，例如合并步骤会询问主机哪些必需检查通过，如果探测出错则视为失败。
为什么证据是工程约束中的关键？
证据是工作货币，每个合并的变更都附带检查内容和结果，成熟系统还添加来源清单，以便追溯变更的产生过程。这使得审查从逐行阅读变为审计结论和抽样检查，同时保持质量。
PAAA框架是什么？
PAAA代表目的（Purpose）、条款（Articles）、执行者（Actors）和产物（Artifacts）。它用于治理自主工程系统：目的定义工作为何，条款定义必须保持的真实性，执行者在授权下工作，产物保存组织产生和记忆的内容。
在工程约束中，人类扮演什么角色？
人类并未消失，而是角色上移：设定方向、授予权限、批准规则、审计系统行为。在自主阶段，人类治理边界并干预异常，而不是逐行审查代码。
如何开始实施工程约束？
可以从PAAA框架的四个问题开始审计：谁设定方向？什么必须保持真实？谁持有决策角色？系统记住什么？这些问题可以作为领导团队工作坊的议程，针对自己的仓库进行。
