Thoughtworks工程师Kief Morris强调，AI生成代码时需重视“人在环上”的监督，而非完全放手。他建议通过CI/CD管道和工程最佳实践确保代码质量，避免认知债务，并用“harness engineering”定义“好代码”，让AI在安全框架内构建，同时保持对系统的控制，防止失去追踪能力。
2026年Thoughtworks峰会指出，AI代码生成已过剩，验证成为新瓶颈。核心发现包括：Harness Engineering成独立学科，初级工程师面临学徒制危机，管理层与工程师认知鸿沟大，遗留系统现代化是AI最佳落地场景，治理滞后于自主性扩张。结论是，人类判断力、审美和克制是AI时代最后的护城河，需刻意保护“人味儿”作为战略资产。
OpenAI团队采用“Harness Engineering”方法，从零开始，在五个月内利用Codex智能体生成百万行代码，全程无需人类手写。该方法通过设计环境、明确规则，利用AGENTS.md作为地图、docs目录存储知识、linter强制约束，使AI能够自主开发、测试和修复代码。相比微调，此方法更高效，更换模型不影响规则，成本低且易于复制。
OpenAI团队采用Harness Engineering方法，从空仓库起步，在五个月内利用Codex智能体生成百万行代码，全程无需人类手写代码。该方法核心在于设计环境、明确意图、构建反馈回路，并通过AGENTS.md作为地图、docs目录存储知识、linter强制约束，使AI能够自主开发、测试和审查，实现自我改进。
Harness Engineering是一种软件开发方法，强调人类决策与智能体执行。项目中不需要人工编写代码，完全由智能体负责设计、开发、测试和运维。通过Spec-Driven Development（SDD）模式，项目文档与代码相互关联，确保质量与效率。尽管智能体在任务执行上表现优异，人类仍需进行关键决策和验收测试，以确保产品符合预期。
Hermes Agent是Nous Research开发的开源AI代理框架，具备自我学习循环、三层记忆系统和自动技能创建，首次实现了Harness Engineering概念的产品化。
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。
文章讨论了Agent工程的三次进化：Prompt Engineering、Context Engineering和Harness Engineering。Prompt关注与模型的沟通，Context强调模型接收到的信息，而Harness则管理Agent的生命周期和资源调度。这三者相互嵌套，解决不同层面的问题，理解其关系有助于优化AI系统。
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。
2026年，'harness engineering'迅速流行，指为AI模型提供约束和支持的基础设施，强调人类在AI开发中的重要性。成功案例如Stripe的Minions和OpenAI的Codex展示了其有效性，但缺乏高质量测试和基础设施则无法发挥作用。最终，AI可以编写代码，但'写什么'和'对不对'仍需人类决策。
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。
Harness Engineering是2026年AI智能体参与软件生产后的工程方法，核心是设计环境、约束、验证和反馈系统，让智能体稳定可控地完成任务。它强调从写代码转向设计生产系统，优先建设自动验证层，将失败沉淀为规则和测试，并产品化最佳实践。相比Prompt和Context Engineering，它关注系统级长期稳定性，是AI编码时代软件工程的重心迁移。
完成下面两步后，将自动完成登录并继续当前操作。
