Harness—打造优秀的马鞍

如果将大模型本身比作为桀骜不驯的野马，

那Harness就是一块优秀的马鞍。

 

 

Agent = 模型 + Harness

围绕着模型搭建的规则，工具，流程，检查机制都是Harness的范畴

（除了大模型，其他的都是Harness）

 

 

 

Harness五大设计

1.上下文架构，了解项目背景和规则

用法：AGENTS.md 规则文件、分层文档、上下文压缩、渐进式加载

喂给大模型规则的索引文件，让其按需加载特定的规则文件。让AI了解需求、项目背景和开发规范。

 

2.工具能力

用法：工具调用、Bash 终端、文件系统、MCP、Browser Use、Skills 技能包

赋予大模型操作工具的能力。

 

3.任务编排

用法：Plan Mode、任务拆分、增量开发、文档沉淀、SubAgents 并行执行

先给方案，再手动确认是否执行或者调整；  大任务拆分小任务，小任务并行执行；

 

4.反馈机制

用法：Linter 代码检查、自动化测试、Browser Use 端到端测试、Agent 互审

让AI严格检查并验证产出的结果，甚至破坏性检查，尽量避免AI偷懒导致的问题； 还可多Agent互查；

 

5.架构防护

用法：架构约束 Linter、Pre-commit Hooks、垃圾回收机制、Git 检查点

 写一批专门的 Linter 来强制执行架构层面的约束；Git提交前合规拦截，并通过git实现版本控制；定期清理和修复；

 

 

 

 

关于VibeCoding落地的思考

1.方案设计阶段

思考核心需求，需求边界，背景信息

AI调研，技术栈选型，最终生成方案，并补充完善细节。

 

2.准备阶段

给AI提供工具，MCP能力(联网能力，查在线文档)，一些技术实现和代码规范上的skills

 

3.编码阶段

让AI给出技术方案，编排任务流程。

可拆解小任务多Agent并行执行。

每个Agent执行完生成执行报告，记录记忆文档，方便后续分析，或者新开窗口后可快速找回记忆。

 

4.测试验证阶段

定义验收标准，让AI自测，并将测试结果反馈AI，让其自我修复

 

5.后续维护

根据之前生成的不同阶段的AI总结文档，可实现让AI快速读取当时状态并进行调整和维护