Harness Engineering 实践与 Skill 打磨心得

2026 年，AI Agent 已成为行业共识。从各大模型厂商发布的更新来看，Agentic、Coding 等关键词几乎成了标配。这标志着 AI 正在从实验室走向真正的生产环境。然而，如何让 AI 能够长时间、稳定、可靠地执行任务，仍然是开发者面临的核心挑战。正是在这样的背景下，「Harness Engineering」（驾驭工程）这一概念开始引发广泛关注。

构建 Harness 系统的四个关键步骤

Harness Engineering 本质上是在构建一个让 AI 能够长时间且可靠执行的系统。它的核心组成部分包括文档、标准、约束、反馈循环以及自我迭代机制。虽然目前主要应用在代码生成领域，但其适用场景远不止于此——任何需要长时执行的复杂任务都可以从中受益。

Harness Engineering 的三个核心要素

以 Book2Skills 项目为例，这是一个将书籍自动转化为可执行 Skill 的自动化系统。整个构建过程分为四个步骤： 第一步「写需求」：从模糊的想法出发，与 AI 共同探讨，最终形成明确的需求文档。 第二步「构建 Skill」：这是耗时最长的环节。需要设计多个相互协作的 Skill，包括总 Skill 和多个子 Skill（如读书、提炼、发布 GitHub、生成示例等），通过反复打磨、拆分、调整来优化结果。 第三步「写锚定文档」：创建项目边界的定义文档，确保后续开发不会过度设计或偏离目标。 第四步「赋予迭代能力」：在每个 Skill 内部沉淀具体的参考文档和规范，使其能够按需更新，实现自动化迭代。 经过这个过程，Book2Skills 已经能够实现 7×24 小时无人值守运行，AI 能够自主处理多本书籍的并行转换。

Skill 打磨的关键思考

经过实践验证，做好 Harness Engineering 需要重点关注三个要素： 1. 文档是基础：让 AI 自主干活，首先需要与 AI 对齐。包含 Architecture（项目结构）、Execution Plan（执行计划）、Technical Debt（技术债务）、Backlog（待办事项）等各类文档，为 AI 提供完整的项目地图。 2. Session 管理：随着项目复杂度提升，上下文记忆可能「爆炸」。解决方案是设计机制让 AI 自主发起 Session 转换，生成过渡性文档和摘要，实现无缝交接。 3. Generator + Evaluator 自我迭代：这 是 Harness Engineering 的精髓。流程为：Generator 创建内容 → Evaluator 评估质量并反馈 → Re-generator 基于反馈改进。Anthropic 的博物馆官网案例充分证明了自我迭代的价值——经过 10 次迭代后，结果与初版判若两物。

在 Harness Engineering 的实践中，高质量的 Skill 是决定性因素。关于 Skill 打磨，有几点关键思考： Skill 是 Agent 干活的基础原子能力，应采用「松散指令」而非硬编排，给 AI 足够的自主空间。创建 Skill 不必追求一步到位的大而全，通过「拆分」往往能获得更好的效果。人的产品判断依然不可或缺——Skill 的设计需要源于真实的业务痛点。 更重要的是，Skill 不是静态配置文件，而是活的、会学习的系统。修改 Skill 只需一句话，下次运行立即生效。用户越多、反馈越多，Skill 就会持续进化。当前的 Skill 生态仍处于早期阶段，高品质、风格化的 Skill 有着巨大的发展空间。

如有侵权，请联系删除。