本文讨论了Harness Engineering在软件开发中的应用，强调状态持久化的重要性。通过jk项目的开发过程，展示了如何从模糊需求提炼设计决策，并利用OpenSpec和agent-skills实现可执行任务。状态持久化解决了项目状态在多次会话间的延续问题，确保了开发过程的可追溯性和高效性，最终成功发布了jk项目，验证了该方法的有效性。

Birgitta Böckeler在播客中讨论了Harness Engineering的概念，强调引导器和传感器在AI开发中的重要性。她指出前馈和反馈机制能帮助AI避免错误，提高代码质量。计算型工具在AI时代被低估，能够有效捕捉低级错误。测试有效性需关注，不能仅依赖覆盖率。最后，她提到模块化和传感器的重要性，建议减少Markdown文件，利用工具替代规则。

文章探讨了AI Agent在代码编写中的潜在缺陷，如规则遗忘、约束规避、自审失效和虚报完成。为解决这些问题，提出了Harness Engineering的四层防线：规则、技能、角色制衡和脚本验证，强调流程的重要性，以确保每一步可追溯和验证，从而提高交付质量，避免盲目信任AI的输出。

微软的MAF 1.4引入了Harness Engineering，旨在将智能体开发从能力拼装转向系统工程化。Harness作为执行骨架，确保智能体稳定完成任务，关注任务输入、步骤管理和状态治理。MAF 1.4通过命令平面、状态解耦、上下文治理和环境边界管理，提升了智能体的工程能力，使其能够稳定地完成任务。

文章讨论了“Harness Engineering”在软件开发中的应用，通过自动化Jira票据到拉取请求的过程，提高开发效率。团队利用AI代理进行规划、编码和验证，显著提升了生产力，拉取请求数量增加了四倍，同时确保代码质量，减轻了审查负担。开发者的角色转变为高层需求收集和意图验证，专注于架构和质量。

Harness Engineering 是一种新兴的软件工程方法，强调在 AI 生成代码后有效管理测试、验证和部署。未来工程师的角色将转向设计系统和反馈闭环，而非单纯编写代码。成功的团队将专注于利用 AI 提高交付效率，确保生成代码的稳定性和可靠性。

Harness Engineering 是对软件工程基本功在 AI 时代的强化，AI 编程不会取代基本功，反而要求更高的文档、流程和架构规范。成功团队重视可见性、状态持久化和质量门禁，以确保 AI 的有效运作。

中国AI大模型市场快速增长，但许多项目面临落地困难，主要因缺乏标准化的工程化支持，导致技术与业务脱节。Harness Engineering应运而生，旨在构建完整的运行环境与制度体系，解决AI项目的工程化问题，实现规模化应用。

Harness Engineering 是一种新兴的软件工程方法，旨在设计能够稳定运行的 AI 系统。随着 AI 生成代码的速度超过人类审查，工程师的角色转变为定义目标和约束，以确保智能体在实际工作流中持续交付结果。该方法强调快速验证和反馈，通过分析失败模式提升系统稳定性，从而实现高效、可控的软件生产。