AI Agent的Harness工程：从MVP到团队级规则的治理框架

强能力不等于高质量执行

随着大模型能力的快速提升，越来越多团队开始把宝押在"增强 Agent 能力"上——使用更好的模型、接入更多工具、编排更复杂的 skill。但 B 站 UP 主平子在最新视频中提出了一个反直觉的观点：Agent 的能力越强，反而越需要控制，而这个控制机制就是 Harness（约束框架）。

这个判断值得所有做 AI Agent 的团队认真对待。能力增强本质上是在扩大 Agent 的执行范围和自主度，但强能力并不代表高质量的执行结果。一个能自主编码、自主调用工具的 Agent，如果没有清晰的治理边界，它的"失控"成本也会成倍放大。因此，当资源有限、只能优先投入一个方向时，答案应该是先建设 Harness 的执行流程，因为这本身就是 Harness Engineering 的核心。

换句话说，能力不是替代治理的理由，恰恰相反——Agent 的执行范围越大，越需要阶段权限、治理门禁、回退机制和人工介入。

Harness 该完整设计还是先做 MVP

以 Web Coding 为例，一个理想的 Harness 应该清晰定义整个流程中的关键节点：需求澄清、技术方案设计、编码、测试、发布。每个节点还需要明确规则——什么时候可以进入下一个节点、什么时候发现问题需要回退、什么时候 AI 可以自主编码、什么时候必须人工 Review。

但如果一上来就设计需求评审、总体方案、详细方案、风险评审、测试发布等大量节点，会不会变成形式主义？答案很明确：应该先做 MVP，而不是追求流程完整。

第一版 Harness 只需要尽量简约的流程：根据需求文档产出一个像样的技术方案，再让技术方案指导 AI 产出不错的编码结果，基本就够了。Harness 不是凭空一次设计出来的，而是在"干中学"的持续演进中逐渐变强。

这个思路与产品开发的通用规律一致：先打通最短闭环，拿到初步结果，再从真实失败中不断补齐能力、增加节点。如果团队还不清楚 AI 最容易在哪个环节出错，过早设计一套庞大的评审流程只会拖慢迭代速度。

最小 Harness 也必须留下学习信号

要让 Harness 能够持续演进，关键在于强制记录 AI 的完整处理过程。但记录并非越多越好，合理的做法是将留痕划分为两条轨道。

轨道一：用于 Harness 演进的学习信号

这部分是最有价值的内容，包括：

• 产物的修改：比如技术方案修改前后的版本，能看到具体改了什么。这样才能判断下一次能否在第一次产出时就达到修改后的标准。
• 人类纠正 AI 的内容：这代表 AI 原本没有理解或没有做到的地方。
• 反复强调才达成一致的问题：经过多轮对话才对齐的内容，是 AI 最需要补课的学习信号。
• 改变执行方向的关键决策。

轨道二：用于排查和评测的运行 Trace

这部分包括完整会话的输入输出、每个节点选择了什么模型或工具及其对应输出、工具调用、文件读写命令、测试日志等。它们更多用于问题排查、留痕和后续评测数据准备，不一定全部进入下一次的上下文，做一步存储即可。

有意思的是，Agent 各节点的学习价值都很高。用户在生产环境中的每一个动作——点击了多少次"继续"、反问了多少次、在多个决策中选择了哪个——都是关键的业务埋点数据。理解用户"为什么这样选"，是让 Agent 后续能够一步到位的重要依据。

规则如何从任务级升级到团队级

当人类纠正 AI 后（比如"接口不能直接返回数据库实体"），这条经验的作用域该由谁判断？是人类当场标注，还是让 AI 推断？

推荐的交互方式是：AI 不应只问"要不要记住"，而应主动给出候选规则、推断依据、建议的作用域和目标文件，人类只需确认或缩小范围。这种方式让 AI 汇报得更确定、更细节，人类的决策成本降到最低。

规则应该像代码一样被评审

一条被确认适用于当前项目的经验，是立即生效还是需要 Owner Review？建议是：应该在 Code Review 时和本次代码一起评审。

逻辑在于：Web Coding 之后代码本就需要评审，而流程中产出的知识点、新规范同样需要沉淀到团队级或项目级，这些都需要项目 Owner 和核心负责人一起确认。确认后再经过评测证明它确实能让 Agent 表现更好，才进入上线流程——灰度、逐渐全量，和代码发布完全一致。

这里有一个关键判断：代码和规则可以一起提交、一起 Review，但不一定一起生效。当代码正确时，只能证明规则对本次任务有效；要升级成项目级或团队级规则，还需要走评测这道"Agent 的测试"。

核心结论：代码 PR 与 Harness PR 的双重价值

整套 Agent 治理方法论可以归结为一个精炼的类比：

代码的 PR 交付本次结果，Harness 的 PR 提升下一次的结果。

这个框架把 Agent 工程的治理逻辑讲透了。总结几个关键判断：

1. Agent 能力越强，Harness 越重要——强能力不代表高质量执行。
2. 第一版 Harness 应做 MVP，先打通最小结果闭环，再在干中学中演进。
3. 最小 Harness 也必须留下学习信号，否则 Agent 永远停留在同一水位线。
4. 最有价值的学习信号是产物修改、人类纠正和反复沟通的问题。
5. 项目级规则要像代码一样经过 Review 和评测，才能发布生效。

对于正在构建 AI Agent 系统的团队来说，这套"以结果为导向、从真实失败中演进、用双轨留痕支撑自进化"的方法论，比盲目堆砌能力更有实践价值。真正该补的从来不是能力，而是让能力可控、可追踪、可持续变强的那套治理框架。