Harness-Engineering-耗时一周将AI-Coding率提升至90
一句话概括
本文分享了在真实企业级Java应用中从零构建Harness体系、将AI代码率从24.86%提升至90.54%的完整实践过程。
摘录
从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering，AI Coding 正在经历第三次范式跃迁。当我们把 Agent 放进一个真实的企业级代码库——十几万行代码、多条业务链路交织、技术栈涉及 RPC 框架、流程编排引擎、配置中心、分布式缓存等中间件——很快就会遇到一个普遍的困境：Agent 写出来的代码往往”语法正确、风格统一，但业务语义上存在微妙的错误”。
Harness Engineering 是围绕 AI Coding Agent 设计和构建约束机制（Constraints）、反馈回路（Feedback Loops）、工作流控制（Workflow Orchestration）与持续改进循环（Continuous Improvement）的系统工程实践。Mitchell Hashimoto 对 Harness Engineering 给出了一个精准的操作性定义：“Every time you discover an agent has made a mistake, you take the time to engineer a solution so that it can never make that mistake again.”
项目维度的 AI 代码率从 24.86% 跃升至 90.54%，个人维度从 14.24% 跃升至 87.85%。这不是某个特殊需求的偶发峰值——4 月这一周内包含了多个不同复杂度的需求，涵盖新增过滤规则、接口字段扩展等多种变更类型，代表了 Harness 体系支撑下的常态化产出水平。
Harness 的价值不在于让 Agent 变得更聪明，而在于让 Agent 的错误变得可控、可发现、可修复。这和传统的软件质量保障思路一脉相承——我们不指望程序员写出零缺陷的代码，而是通过 Code Review、Unit Testing、CI/CD、灰度发布等机制来确保缺陷被层层拦截。
涉及实体
- Harness-Engineering —— 作为系统工程实践，在企业级Java应用中落地
涉及主题
- Harness-Engineering-主题 —— 四根支柱与十阶段开发流程