从代码补全到智能体接管：大促级软件交付的 Harness 工程体系全拆解

大促级软件交付是工程技术最严苛的试炼场：时间刚性、交付窗口以周计且全倒排，优惠、权益、资金等高敏感业务容不得半点差错，需求又在短时间内脉冲式涌入，横跨多个会场与几十个功能模块。更棘手的是，玩法、权益形态、对接方年年都变，过去沉淀的经验只剩部分适用。当团队决定让 AI 智能体接管这样一条交付链，真正的问题浮出水面：模型之外，还必须建起哪些支撑体系？

三年演进：从工程化到AI全链路

这条演进路径值得复盘。第一年，团队把「又好又快」定义清楚：以主干研发为基础小步合入，发布能力从一周一发提升到一天一发；需求科学拆分、单次变更控制在800行以内，覆盖率达标才可合入，首次大促即实现线上零故障。第二年，通用能力被沉淀为可复用组件，签到、抽奖、发奖、弹窗通过配置拼装快速搭建会场，节省约106人/日；同时引入 AI 代码补全与单测生成，AI 生成代码占比逐步达到30%。

裸用智能体的真实代价

转折发生在 Claude Code 引爆 Agent Coding 之后：AI 第一次能「接活」了——给它任务和上下文，它能自己读代码、自己改、自己跑测试验证。AI 的角色从「补全工具」升级为「可委派的执行者」。但第一次实战也暴露了裸用智能体的代价：32个需求全程人工澄清1332次，AI 产物质量不可控、对业务上下文一无所知，每一分不可控都要人来兜底。结论很直接：裸用 Agent 不可行。

六层Harness：模型外的运行框架

从多年产业实践经验来看，让 AI 真正接管交付，不能只等更强的模型，必须在模型外补上一整套运行框架，业界称之为 Harness。这套体系包含六层：上下文精细化，让流程每一步拥有恰好够用且正确的信息；执行编排，把散装工具的人工串联升级为自动流水线，模型知道下一步该干什么，人只做裁决；工具与能力资产，为每个编排节点提供够用、可复用的执行 Skill；记忆与状态，让跨阶段状态外化可接力；评估与观测，让 Agent 的工作可量化、可归因；约束与恢复，让 AI 执行在可控边界内运行，错误结构上不能犯、出错可回退重试。尤为关键的是，这套体系的原料正是前几年的工程积累——主干研发练出的评审纪律与质量门禁、组件化练出的复用抽象、评审沉淀的准出标准，它们没有被 AI 淘汰，而是被翻译成 AI 能执行的语言。

知识库与自进化飞轮

落地中最重的两块工程是知识库治理与自进化闭环。团队建起大促知识库，沉淀产品知识、技术方案、架构决策、业务术语等六大板块共122篇，通过「现场蒸馏、准入成库」生产知识，以三层渐进式加载消费——规则层自动注入、导航层文档地图常驻、召回层按语义检索，避免全量灌注导致的上下文稀释；每天定时巡检比对知识与代码现状，偏差自动生成修复 PR。数据表现上，保鲜率88.10%、准确率86.11%、采纳率76.2%。流程侧则通过自研编排平台把 Harness 落到各个节点，每个节点拥有干净上下文，关键产物配多 Agent 对抗性检查，门禁节点必选，状态沉淀支持断点恢复；多 Agent 协作平台则以任务为载体统一承载需求上下文，端到端小队实现后端、前端、质量按棒接力，质量不过自动进修复循环。更值得借鉴的是自进化机制：需求完结自动回放会话生成观测报告，提取澄清次数等七项运行时指标，问题自动分类归属到流程、工具、知识库三大改进面，低风险改动 AI 预审后合入，人工只在末端裁决，35轮自进化驱动体系持续变好。

当模型能力成为公共资源，决定交付上限的不再是模型本身，而是模型之外那一层工程体系。把约束、验证、知识、循环建扎实，AI 才能从「写得快」真正走向「接得住」。工程师的角色也随之转变：从逐条澄清需求，到设计约束、验证规则与改进循环。