一、AI Coding 时代的新挑战

随着大模型的发展，Vibe Coding 正逐渐成为新的开发方式。

开发者可以通过自然语言描述需求：

“帮我实现一个用户登录模块。”

AI 可以快速生成：

• 前端页面
• 后端接口
• 数据库模型
• 测试代码

开发效率得到了极大提升。

但是，当项目从 Demo 变成真实工程后，问题开始出现：

• AI 不理解项目整体架构
• AI 不知道业务背景
• 代码风格容易混乱
• 不同功能之间缺少统一规范
• 项目经验无法沉淀

因此，AI 编程时代真正需要解决的问题是：

如何让 AI 不只是生成代码，而是在工程规范下持续开发。

这就是 Harness AI Engineering 的核心思想。

---

二、Harness 的核心思想：给 AI 建立工程上下文

传统软件开发：

需求分析

↓
架构设计

↓
代码开发

↓
测试

↓
部署

而 AI 工程化开发：

需求

↓
AI理解项目上下文

↓
遵循工程规则

↓
调用对应能力

↓
开发实现

↓
测试验证

↓
持续迭代

Harness 的作用就是：

给 AI 提供：

• 项目规则
• 业务知识
• 技术经验
• 开发流程
• 历史记录

让 AI 从：

临时写代码的工具

变成：

长期参与项目的软件工程助手。

---

三、Harness AI 工程化的五个核心规范

需要注意：

Harness 不是固定目录，也不是所有项目必须完全一样。

不同项目应该根据自己的业务特点调整。

例如：

• Web 项目重点关注 API、数据库、安全
• Agent 项目重点关注 Prompt、Tool、Memory
• RAG 项目重点关注知识库、检索、评估
• 大型企业项目重点关注权限、规范、流程

因此：

Harness 的核心不是规定文件结构，而是把团队工程经验沉淀成 AI 可以理解的规范。

通常可以包含五个核心部分：

1. CLAUDE.md  —— AI 项目入口

2. Rules      —— 工程规则体系

3. Wiki       —— 项目知识体系

4. Skills     —— AI能力体系

5. Changes    —— 项目演进记录

---

四、CLAUDE.md：AI 进入项目的入口

CLAUDE.md 是 AI 进入项目后的第一份文档。

它主要负责告诉 AI：

• 项目的目标
• 使用技术
• 项目结构
• 开发流程
• 文档索引

例如：

项目：
企业知识库 Agent


技术栈：
FastAPI
LangGraph
Redis
Milvus


开发要求：
修改代码前先查看 Rules
业务问题参考 Wiki
新增功能需要测试

它相当于：

AI 理解整个项目的入口。

---

五、Rules：定义 AI 开发必须遵守的工程规范

Rules 解决的问题：

AI 应该按照什么标准开发。

Rules 不应该固定，而应该根据项目增加。

例如：

普通 Web 项目

可以设计：

rules

├── 架构规范.md

├── 编码规范.md

├── 数据库规范.md

├── API规范.md

└── 安全规范.md

---

Agent 项目

可能增加：

rules

├── Agent设计规范.md

├── Prompt规范.md

├── Tool调用规范.md

├── Memory设计规范.md

└── 多智能体规范.md

Rules 的核心：

不是文件名本身，而是：

将开发经验转化成 AI 可以执行的规则。

---

六、Wiki：让 AI 理解业务和技术背景

代码只能告诉 AI：

当前代码怎么运行。

但是 AI 还需要知道：

为什么这样设计。

因此需要 Wiki。

例如：

wiki

├── 业务介绍.md

├── 数据模型.md

├── 接口说明.md

├── 技术决策.md

└── 系统架构.md

---

业务介绍.md

描述：

• 产品目标
• 用户角色
• 核心流程

例如：

用户上传企业文档

↓
系统解析

↓
建立知识库

↓
Agent回答问题

---

数据模型.md

描述：

• 数据表
• 字段
• 数据关系

例如：

Agent：

用户信息

↓
checkpoint短期记忆

↓
store长期记忆

↓
向量数据库

---

接口说明.md

描述：

接口协议：

例如：

POST /chat


输入：
user_id

message


返回：
answer

sources

---

技术决策.md

记录：

为什么采用某个方案。

例如：

选择 Redis 保存 checkpoint

原因：

低延迟

支持多用户会话

Wiki 的作用：

让 AI 具备项目长期记忆。

---

七、Skills：给 AI 提供可复用能力

Skills 解决：

AI 遇到不同任务时应该如何执行。

例如：

skills

├── request-analysis

│   └── SKILL.md


├── coding-skill

│   └── SKILL.md


├── unit-test-write

│   └── SKILL.md


├── unit-test-ci

│   └── SKILL.md


├── expert-reviewer

│   └── SKILL.md


└── deploy-verify

    └── SKILL.md

---

request-analysis

负责：

需求分析。

例如：

用户需求

↓
分析影响范围

↓
拆分任务

↓
生成开发计划

---

coding-skill

负责：

代码开发。

包含：

• 文件修改方式
• 编码流程
• 代码规范

---

unit-test-write

负责：

测试生成。

例如：

自动生成：

• 单元测试
• 边界测试
• 异常测试

---

expert-reviewer

负责：

代码审查。

检查：

• 架构
• 安全
• 可维护性

---

deploy-verify

负责：

部署验证。

流程：

代码

↓
构建

↓
部署

↓
健康检查

---

八、Changes：记录项目为什么变化

Changes 保存：

项目演进过程。

例如：

changes

└── changelog.md

内容：

2026-08-22

新增：

Agent长期记忆模块


技术：

LangGraph Store

Redis


原因：

支持多用户会话

作用：

未来 AI 修改代码时：

知道过去为什么这样设计。

---

九、Harness 下的一次完整 AI 开发流程

例如新增一个 Agent 功能：

用户提出需求

↓
request-analysis

↓
读取 CLAUDE.md

↓
查看 Rules

↓
理解 Wiki

↓
调用 coding-skill

↓
生成代码

↓
unit-test-write

↓
unit-test-ci

↓
expert-reviewer

↓
deploy-verify

↓
更新 Changes

AI 不再只是：

“帮我写一个函数。”

而是参与：

完整的软件开发生命周期。

---

十、总结：未来的软件开发模式

Vibe Coding 解决：

如何快速产生代码。

Harness Engineering 解决：

如何让 AI 在大型项目中稳定地产生高质量代码。

未来的软件工程：

人：

负责架构设计、业务判断


AI：

负责代码实现、测试、维护


Harness：

负责提供工程规范和上下文

真正成熟的 AI Coding，不是让 AI 随意生成代码。

而是：

通过 Rules 约束 AI，通过 Wiki 提供知识，通过 Skills 提供能力，通过 Changes 保存经验，让 AI 在工程体系中持续工作。

这就是 Harness AI 工程化编程的核心价值。