AI 会写，不等于 AI 能稳定交付。

前段时间我们都在说 Vibe Coding，大家都知道是氛围编程的意思，但是现在也有叫“直觉编程”。什么叫直觉编程，就是完全不用管其它的，想到什么就做什么，主打一个靠直觉写代码。
你要只是让它写个脚本、补个函数、改个页面，那没问题，当然是又快又爽。
但一旦任务进入需求复杂、代码项目庞大、多人协作、分支并行、需要质量把关的真实工程。那么，Vibe Coding 这种方法，很快就会露出底牌：

• 需求只存在于聊天里，输出天然不稳定。
  当需求、边界、设计决策都散落在对话记录里，AI 本质上只能靠概率去“猜”你真正想要什么。同一句话换个会话、换个上下文，结果就可能完全不同。
• 上下文腐烂崩坏，模型会在长对话中逐渐变形。
  历史信息越多、无效噪音越重、窗口越接近上限，AI 越容易忘约束、重复犯错、误判因果。很多时候不是模型降智，而是上下文已经坏了。
• 普通会话没有长期记忆，项目一跨 session 就像断片。
  你今天讲清楚的架构原则、昨天确认的约束、上轮讨论过的边界，下一次新会话基本上就要从头再讲一遍，不然就看 AI 自我发挥了。没有历史知识库、执行状态、Spec、任务文档、工作日志这些持久化资产，AI 就很难真正“接班”。
• 没有并行与隔离机制，AI 很难像团队一样协作。
  一个会话能盯，两个会话还能勉强切换，十个会话并发开发基本就是灾难。没有分支隔离、worktree、角色分工和统一回收机制，多代理只会把混乱放大。
• 没有质量守卫，AI 最擅长的是“看起来像写对了”。
  能运行，不代表对；有测试，不代表测到了关键路径；自称“已完成”，也不代表没有偷偷删功能、绕校验、留隐患。没有验证闭环，幻觉就会被包装成进度。
• 基本无法团队协作，大家用着自己的方式在“抽卡”
  谁来解释这段代码为什么这么写？谁来判断这个依赖是不是该引？谁来保证风格统一、测试齐全、改动可回溯？一旦这些都没有，团队拿到的就不是资产，而是一堆需要共同供养的随机产物。

这就是为什么前段时间总有人质疑 AI 编码怎么敢在生产上实际使用的原因，也正是现在 Harness 开始变得越来越重要的原因。

在 AI 编程语境里，你可以把 Harness 理解成一套规范好的“智能体脚手架”：它不是单个 Prompt，也不只是某个插件，而是一套围绕 AI 助手构建的工程化运行环境与规则系统。它会把需求、上下文、技能、验证、记忆、并行协作这些原本散落在聊天中的东西，沉淀成可复用的结构。
所以，Harness 的价值并不是“让 AI 更会聊天”，而是让 AI 在复杂工程里变得更可控、更可验证、更可规模化。

Harness 的定义相信大家也看得不少了，这里也就是稍微给一些还不清楚的朋友科普一下。今天我想讨论的，不是继续抽象地解释 Harness 是什么，而是更具体的问题：当市面上出现了 OpenSpec、GSD、OMC、ECC、Trellis、Superpowers 这些不同路线的工程化框架之后，我们到底该怎么理解它们、比较它们，并把它们搭成一套真正可用的体系？

这篇文章的重点，就在这里。

---

6 个代表性 Harness 路线拆解：从单层补位到体系化搭建

先说结论：这 6 个框架并不是同一种东西。

如果把它们都笼统地称为“AI 编程框架”，我感觉我的文章很容易写偏。我是按照我理解，把它们看作了 Harness 不同层级上的能力模块。

我也没有试图穷尽所有 Harness 项目，也不想把每个框架代码详细解释念给大家听。毕竟我还是那句话，相比于在纷杂的框架中做选择，我希望大家更关注 Harness 思想本身。所以我选择了开源社区里较有代表性的 6 条路线，看看它们分别在补哪一层。

而为了更方便理解，我这里按一个更接近真实采用路径的顺序来写：从单层补位到体系化搭建。

也就是：OpenSpec → Superpowers → GSD → OMC → ECC → Trellis

这个顺序不是统一排行榜，更像是一条从局部补强走向体系化建设的采用路径。

先看一张总表

框架	更接近哪一层	核心关注点	更适合谁
OpenSpec	规范层	先把需求、设计、任务写清楚	需要先对齐再开工的个人/团队
Superpowers	方法论与技能层	把 TDD、调试、review、worktree 等工程习惯变成默认动作	重视质量纪律和流程约束的开发者
Get Shit Done	上下文工程 + 阶段化执行层	解决 context rot，把复杂任务拆成原子计划	长任务、复杂仓库、重构场景
Oh My ClaudeCode	多代理编排层	围绕 Claude Code 做 team-first orchestration	Claude Code 重度用户、并行开发场景
Everything Claude Code	增强层	用 skills、instincts、memory、安全、验证补全 Harness 能力	想把 AI workflow 长期工程化的人
Trellis	结构层	用 specs / tasks / workspace 组织跨平台工作流和项目记忆	多工具团队、长期协作项目

这张表先看功能定位；至于它们在覆盖面、重量和体系化程度上的差异，后面会在落地建议里展开。

OpenSpec：先把“要做什么”写清楚

如果只用一句话概括 OpenSpec，那就是：

它是一个 spec framework，而不是一个执行引擎。

OpenSpec 在 README 里的定位非常清晰：
它强调的是 SDD（规格驱动开发），核心主张是：

Agree before you build

也就是：先对齐，再动手。

它的典型工作流，是把一个需求沉淀成一组结构化工件：

• proposal
• specs
• design
• tasks

这样做的价值非常直接：把原本只存在于聊天记录里的模糊意图，变成可以被审核、被复用、被持续迭代的项目资产。

它最适合解决的问题，是：

• 需求经常漂
• AI 老跑偏
• 团队对边界理解不一致
• 改动缺少结构化依据
• Brownfield 项目里聊天记录越来越难追溯

它的长处，在于轻量但不失结构，而且对现有项目也比较友好，不是那种只能从零开始的“新项目模板”。

但也要说清楚边界：OpenSpec 不主打多代理编排，不主打上下文压缩，不主打复杂执行流水线。
它解决的是最基础、也最常被忽视的一层：先把需求和设计讲清楚。

换句话说，OpenSpec 更像 Harness 里的规范层。
如果需求都还没固定下来，后面再强的 orchestration 也只是在更高效地跑偏。

Superpowers：把工程方法论做成自动触发的技能

Superpowers 的定位也非常清楚，它不是把自己描述成“完整工程平台”，而是：

A complete software development workflow for your coding agents, built on composable skills

关键词是 composable skills，组合技能。

它围绕 skills 组织工作流，从：

• 头脑风暴
• 计划编写
• 使用git worktrees
• 子代理驱动开发
• 测试驱动开发
• 系统化调试
• 请求代码review

一路往下铺开。

它最重要的思想不是“结构有多宏大”，而是：优秀工程师的工作方法，能不能被做成 agent 的默认动作。

它最适合解决的问题是：

• AI 写代码太随意
• 没有 TDD 纪律
• 调试靠碰运气
• review 不成体系
• plan 不够细
• 分支与 worktree 隔离意识薄弱

它的强项也非常明确：技能工作流清楚，工程纪律导向很强，适合作为 AI 行为约束层。
它不是在做统一规格平台，也不是在做跨平台任务骨架，更不是项目记忆系统。它真正擅长的是：把 brainstorming、plan、TDD、debugging、review、worktree 这些优秀工程习惯，做成 agent 的默认行为。

所以，Superpowers 更像 Harness 里的技能与行为约束层。
如果你担心 AI “会写，但写得不像工程师”，它特别有价值。

Get Shit Done：把复杂任务拆进干净上下文里

GSD 的定位也很鲜明，它在 README 里几乎是直接把卖点写在脸上：

Solves context rot

“解决上下文腐烂问题”，相比很多“概念上很完整”的框架，GSD 有一种很强的实战气质。
它不是强调企业流程表演，而是强调：

• 上下文工程
• 阶段化推进
• 刷新上下文
• wave执行
• 原子性提交
• 状态管理

它的典型工作流是：

• new-project
• discuss-phase
• plan-phase
• execute-phase
• verify-work

这套流程的关键，不是“看起来完整”，而是为了防止复杂任务在长对话中失真。

它最适合解决的问题，是：

• 对话一长就崩
• 项目越复杂越容易偏
• 大仓库重构时上下文污染严重
• 长链路任务需要高稳定推进
• 想让 AI 真正跑完整个 phase，而不是只出点子

它最强的地方在三个方面：

• 上下文工程意识非常强：默认承认大模型在长会话里会退化，所以必须拆小任务、阶段分离、信息结构化。
• 执行流程完整：从讨论、研究、计划、执行到验证，形成闭环。
• 工程痕迹清楚：原子提交、阶段文档、验证结果，都让推进过程有回溯性。

和 OpenSpec 的差异也很好理解：OpenSpec 更像“先把规格讲清楚”；GSD 更像“把复杂任务拆进干净上下文里执行”。

所以，GSD 更像 Harness 里的上下文工程与阶段化执行层。
如果你最痛的是 context rot，它比很多“会聊天的 agent 套件”更直击问题本质。

Oh My ClaudeCode：把 Claude Code 从单助手变成团队系统

如果说 OpenSpec 解决“别乱开始”，GSD 解决“别把上下文聊烂”，那 OMC 主要解决的是另一类问题：

怎么把 Claude Code 升级成 team-first 的多代理系统。

它的 README 写得很直接：

• 面向Claude Code的多智能体编排
• 以团队为核心的协同调度
• 零学习成本
• 标准编排方式是 Team 模式

它不是泛泛而谈“agentic coding 理念”，而是明确围绕 Claude Code 提供一套团队式编排工作流。

比如它的团队工作流：

• team-plan
• team-prd
• team-exec
• team-verify
• team-fix

再加上 tmux workers、Codex / Gemini CLI workers、tri-model advisor synthesis 等能力，目的都很明确：让多个 agent 以结构化方式协同工作。

它最适合解决的问题是：

• 想提高并行吞吐
• 不满足于单会话、单 agent 使用方式
• 希望 Claude Code 真正承担执行编排角色
• 需要 plan / exec / verify / fix 的持续循环

它的长处，在于多代理编排是主线而不是附属功能，对 Claude Code 深度用户非常友好，而且可以把外部模型纳入协作。

但边界也很清楚：OMC 的重点不是通用 spec 资产体系，也不是跨平台统一结构层，更不是 repo 内长期任务资产组织。
它明显偏向：Claude Code 场景下的以团队为核心的协同编排。

所以，OMC 更像 Harness 里的多代理编排层。
如果你想解决的是“怎么让多个 agent 像团队一样协作”，它的定位非常清楚。

Everything Claude Code：给 Harness 再补一层“性能增强系统”

ECC 是这几个项目里最容易被误读的一个。
很多人第一次看它，会以为它只是个 Claude Code 配置大礼包。但按 README 的自我描述，它其实更想表达的是：

The performance optimization system for AI agent harnesses

这句话非常关键。

和上面的不一样，ECC 不是只把自己定义成“一个 IDE 插件”，而是定义成一整套围绕 AI harness 的增强系统，并且把这些能力系统化：

• skills
• instincts
• memory 优化
• 持续学习
• 安全扫描
• research 优先开发

它最适合解决的问题是：

• 工程经验没法沉淀
• 每次 session 都像从零开始
• 缺少 skills / instincts 这样的可复用知识
• 缺少 hooks、rules、安全、验证闭环
• 想在 Claude Code、Codex、Cursor、OpenCode 之间保持一定一致性

它的长处非常明显：拥有直觉集合、持续学习、模式提取，来强调持续学习；Agent审计、安全审查、循环验证来执行流程验证；它努力把 AI 工程系统里那些“散的、弱的、靠人记的能力进行”系统化，目标是一整套 Harness 框架体系。

它的代价也很明显：全面，往往意味着太重。
另外，ECC 的信息密度很高，对初学者来说容易会有“东西太多”的感觉，也更建议进阶阶段选择它来进行学习。

因为更多的时候还是有自己项目的知识库，所以它不是替代底层结构，而是给底层结构补上“技能、记忆、安全、验证、学习”这些能力。 所以，对我来说，与其说它是一整套 Harness 体系，我觉得它更像 Harness 里的性能增强与能力补全层。

Trellis：最后单独说，因为它更像工作流骨架

我把 Trellis 放到最后，是因为它和前面几个的模式又有不同。（当然也因为是社区内的佬做的，所以稍微有一些私心）

Trellis 的关键词非常鲜明：

• 自动注入 Spec
• 任务驱动工作流
• 并行Agent执行
• 项目记忆
• 团队共享标准
• 多平台复用

它最重要的，不是某个单一命令有多酷，而是它试图用 .trellis/ 这套结构，把项目规范、任务上下文和工作连续性统一起来。

核心目录也非常能说明问题：

• .trellis/spec/
• .trellis/tasks/
• .trellis/workspace/

这说明 Trellis 更关注的是：

如何让项目围绕结构化 specs / tasks / workspace 运行，而不是围绕某一次聊天运行。

它最适合解决的问题，是：

• 团队不是只用一个 AI 工具
• 工作流在不同平台间碎片化
• 任务上下文和项目记忆难以沉淀
• 团队标准难共享
• 想把个人经验和团队资产都收进 repo

它的长处在于：

• 结构非常清楚：spec、task、workspace 分层明确；
• 多平台意识强：不把能力绑定死在某个单一平台；
• 项目记忆沉淀自然：workspace journals 和 task context，本质上就是在补 AI 跨会话“失忆”的问题。

但也正因为如此，它不是那种“单次执行爽感很强”的工具。
它更像一个长期结构化沉淀框架。

所以，我更愿意把 Trellis 看成 Harness 里的结构层、任务层和项目记忆层。
如果你的问题不是“某个 agent 不够强”，而是“团队 workflow 没有统一骨架”，那 Trellis 的价值会非常高。

---

把这 6 个框架放在一起看，真正差异是什么？

在我看来，它们都有侧重点，都属于 Harness 思想的一种体现。如果非要一句话概括它们的分工，我会这样说：

• OpenSpec 负责：先把“要做什么”说清楚
• Superpowers 负责：让 agent 默认按工程纪律工作
• GSD 负责：把复杂任务拆进干净上下文中执行
• OMC 负责：把 Claude Code 组织成团队式执行系统
• ECC 负责：给 Harness 补技能、记忆、安全、验证和学习能力
• Trellis 负责：把 specs、tasks、workspace 变成统一工作流骨架

如果再把它们按定位压缩一句，可以更清楚地看出差异：

• OpenSpec、Superpowers、GSD 则更偏向单层补位：分别聚焦规范、工程技能、上下文与阶段执行
• OMC、ECC、Trellis 更偏体系型方案，只是各自覆盖的主轴不同

• ECC 更像在补 skills、memory、安全、验证、学习等能力，覆盖面更广，也更偏体系型增强系统
• Trellis 在 specs / tasks / workspace / project memory 上更完整，更像长期工作流骨架
• OMC 在 Claude Code 的 team-first orchestration 上更像一套成体系的编排套件

我更建议把 Harness 理解成一个分层搭建、按缺口补位的问题，而不是单工具选择题。

总有人问我：“Harness 用哪个框架最强、最全面？”

但真实工程里，这个问题本身并不够准确。
判断一个 Harness 体系架构，至少要同时看三个维度：

• 覆盖面：它补了多少层能力，是否同时涉及 spec、skills、memory、verification、orchestration、workspace 等多个方面
• 重量：它引入的流程、文件体系、学习成本、执行纪律和生态绑定有多高
• 定位：它到底是在补某一层，还是想把自己做成 harness 整体方向这样的体系型方案

这三个维度经常相关，但不是一回事。

有些框架覆盖面更广，也更像完整 Harness；但这通常也意味着它更重。
有些框架只补一层，却因为足够轻、足够稳，反而更适合作为第一步。
而且更重要的是：更像 Harness，不等于每一层都更强；更重，也不等于能替代所有层。

这也意味着，一个团队真正成熟之后，更常见的是在问：

“我们在哪层？现在最缺的又是哪一层？”

---

落地建议：别把 Harness 当成“选一个最强工具”的问题

所以真实采用里，大家最终往往不需要去做“6 选 1”，而是在做三步判断：

• 先判断自己最缺哪一层
• 再判断这一层要用多重的方案来补
• 最后再决定哪些层适合组合搭配

换句话说，这 6 个框架很多时候更像是可分层组合的模块：
有些负责把某一层打深，有些负责把闭环搭起来。真正成熟的采用方式，往往不是寻找一个“大一统答案”，而是找到属于你最合适的组合。

框架使用：更稳的采用路径

先说明一点：框架当然是可以搭配，但这不代表你应该一上来就像叠甲一样哐哐的叠很多层。
真实世界里更常见的问题，不是“框架太少”，而是：

• 主骨架不清
• 文档事实来源重复
• 规则互相打架
• 控制面膨胀快过执行面

所以，比“推荐几套套餐”更稳的写法，其实是：可以基础架构搭建的时候选择成本最高的一层框架，实际使用中再考虑实在有需要的话补第二层进行组合

• 第一步：搭建完架子后补最痛的一层
  对大多数个人开发者和小团队来说，起步往往只需要一个主框架。

• 缺少 memory / security / verification，进阶学习 → ECC

• 多工具协作、项目记忆混乱，个人使用优先 → Trellis

• 需求总跑偏，轻量 spec 入口 → OpenSpec

• 工程纪律太松，TDD 需求 → Superpowers

• 长任务容易崩，上下文buff → GSD

• 主要使用Claude Code，且明显需要多代理并行 → OMC

• 更偏向于只用框架实现 harness 整体结构搭建

• 轻量框架可以考虑双层组合，重型框架就建议不要再叠甲了
  当第一层已经跑稳，再补第二层，通常是最健康、也最常见的状态。
  比如：

• OpenSpec + Superpowers：先解决“别跑偏”，再解决“别乱写”
• OpenSpec + GSD：前者固定规格，后者解决 context rot 和阶段化执行
• OMC + Superpowers：前者负责编排，后者补工程纪律

如果没有明确主次关系，2个以上框架一起上，就很容易出现：

• 规范重复
• 任务资产重叠
• 状态记录分散
• 事实来源不一致

最后把系统本身搞得比业务还复杂。

---

来自一线实战的几个校正：Harness 真正难的不是“能不能跑”，而是“能不能稳定跑久”

如果说前面的 6 个框架横评，回答的是“它们各自补哪一层”，那么一线实践真正补上的，是另一组更残酷的问题：

• 能不能连续跑几个小时甚至跨天？
• 一旦任务变复杂，产出到底是代码在增长，还是文档和协调成本在增长？
• 会话一断、上下文一压缩，系统还能不能接着干？
• 多个 agent 方式同时上场，到底是在协作，还是在制造更大的回收成本？从社区实战反馈里，至少能提炼出几条很值得写进文章的校正结论。

横评成本极高，结论天然是“短保”的

在真实世界里，Harness 的比较很难靠一次 Demo、一次 benchmark 或框架代码读后感完成。
因为一旦进入长任务、复杂仓库、大重构场景，消耗的不只是 token，更是大量的观察、回收、纠偏和复盘成本。

这意味着一个很现实的判断标准：

Harness 不是“看起来功能最全的赢”，而是“谁能在真实工程里稳定跑更久、出问题后更容易接班和纠偏”。

也正因为如此，团队在选择框架时，往往不该追求“一次选定终局方案”，而更适合用小步试运行、逐层替换、持续复盘的方法来做。

多代理不等于真正 hands-off，最怕的是“控制面膨胀”

很多人，包括现在很多的团队领导班子一听到子 Agent，Agent Team，多 Agent 这种就会以为：Agent 越多，分工越细，吞吐自然越高。

但实战里经常出现另一种结果：

• 设计文档越来越多
• 进度记录越来越多
• 协调信息越来越多
• 真正落到代码上的产出，反而没有想象中高

也就是说，多代理系统最常见的问题，不是不会干活，而是控制面膨胀得太快。

如果任务拆分、责任边界、回收机制、验证节点没有设计好，多代理很容易变成一种“看起来很忙”的系统：
日志很多、讨论很多、计划很多，但实际交付并没有同步增长。

这也是为什么在复杂任务里，衡量 Harness 不能只看“能不能并行”，还要看：

• 控制面和执行面的比例是否健康
• 产出是否真的转化为代码与验证结果
• 回收成本是否可控

上下文压缩与交接能力，往往比单次写码能力更关键

在短会话里，大家容易关注“谁单次写得更快、更像样”。
但一旦任务进入长时间运行，真正决定系统稳定性的，往往变成了另外几件事：

• 能不能把长历史压缩成干净摘要
• 能不能让决策层只看到高密度信息
• 当前会话失效后，能不能通过交接文档顺利续跑
• 新 session 接手时，能不能快速恢复关键约束

换句话说，长任务不是在比谁更会写，而是在比谁更不容易失忆。

这点也正好解释了为什么很多框架最终都会走向：

• STATE.md
• ROADMAP.md
• task 文档
• phase 文档
• 验证报告
• 工作区日志

这些东西表面看是“文档负担”，本质上却是在为长期运行提供记忆与交接能力。

超级任务最好拆成 task-centered workflow，而不是一次性许愿

社区里一个很典型的经验是：
当你把多个独立但彼此又有耦合的大计划，一次性塞给 agent 时，它并不会线性变强，反而更可能在复杂度里失真。

原因并不神秘：

• 目标太多，优先级会混乱
• 子任务之间相互污染上下文
• 验证边界变模糊
• 一旦跑偏，回滚和纠偏成本急剧上升

所以，真正更稳的做法通常不是“给一个更大的总目标”，而是：

• 先写清楚 spec
• 再拆成 task
• 再按 phase 推进
• 每一段都留验证和交接工件

也就是说，task-centered workflow 不是形式主义，而是防止 AI 把复杂任务做烂的必要结构。

决策层和执行层最好隔离，别让“最贵的大脑”泡在细节里

另一个非常有价值的一线经验，是把模型和工具按层分工：

• 高阶模型负责架构判断、偏差识别、方向决策
• 执行型工具负责跨文件修改、批量实现、重复性工作
• 压缩/总结型模型负责清洗历史、提炼大纲、生成交接材料

这个思路的核心，不是“多模型混搭更炫”，而是：不要让决策层淹没在代码细节里。

因为高阶模型最值钱的地方，往往不是写样板代码，而是：

• 识别架构问题
• 判断实现是否偏离设计
• 从现象里提炼本质
• 决定下一步该怎么推进

如果让它长期沉在 log、样板、局部补丁里，本质上是在浪费推理预算。

这个地方也是我觉得多 Agent 更有意义的地方，阶段的天然隔离也不会造成第二点的问题，让其他的代理来进行反馈，可以有效避免 AI“觉得自己的架构设计/代码是最好的”的自我良好问题。

---

稍微想多说几句的最后

写到这里，如果一定要让我说一个我自己的结论，那就是：Harness 这件事，框架在精不在多；选自己真正需要的，比无脑叠甲重要得多。

我看到的，现在对于 Harness 体系的搭建，分为三类人：

• 第一类：无脑叠甲，多层叠加短板层级
  AI 的魅力在于给它更多的发挥空间，太过重的束缚就算框架自己不打架，也不一定能提升整体能力，更多的可能是限制了你 AI 本身应有的能力。
• 第二类：觉得应该找一个最屌的全能框架
  和上面一样，其实问题就是过重，很多时候可能没有太多的必要，且学习成本过高，在 AI 快速发展的时代，可能没等你来得及完全摸清就过时了。（笑）
• 第三类：觉得不需要Harness，不知道有什么用，能带来什么收益，只是因为公司在推所以才去了解
  听到这个问题，我脑子里只蹦出来一句话：那你敢在公司级项目里真正放 AI Coding 的代码跑大型需求吗？如果答案是不敢，那 Harness 的意义其实就已经很清楚了。

这也是为什么我觉得，Harness 和以前工程时代“公司要求统一推一个框架”这件事，还是有本质区别的。
以前很多框架推进，往往是领导要求、公司要求，又或者技术栈要求。
或许就根本感知不到收益，但你不得不做，很多时候主打的就是一个“硬推”。

但 Harness 不太一样。它不是为了统一而统一，不是为了流程而流程，而是 AI 编程进入真实工程之后，为了让它能被接住、被验证、被接班、被团队协作，不得不出现的一步。

它更像一种时代演进中的过渡性工程能力。

当然，我也相信：在不久的未来模型上下文真的足够大，比如一个 G，今天 Harness 里的很多做法，可能会被简化，甚至有些部分会被系统底层直接吃掉。

但我并不觉得这意味着它现在不重要。
它更像早些年的 JVM 调优：以前服务器资源紧、运行环境弱，128M 的内存你不调就是不行；现在硬件好了、平台成熟了，动则 8 个 G，16 个 G 的服务器，很多时候都不需要手动调优了。
可在那个阶段里，它依然是你不得不做的一步。

我觉得今天的 Harness，某种程度上也有点这个味道。
它未必永远都以今天这套形式存在，但在当前这个阶段，它就是 AI Coding 从“能玩”走向“能进生产”的必要过程。

而且我更愿意把 Harness 看成一种思想，而不是一套固定模板。
核心不是“先把所有东西装满”，而是：在使用中发现缺口，再把缺口补起来。

这个思想哪怕放到未来，我觉得也不会过时。

因为哪怕有一天上下文真的大到夸张，很多流程真的可以减少，项目知识库这件事依然不会消失。
比如你让 AI 去实现一个登录系统，如果你不告诉它：公司内部已经有统一登录接口、鉴权网关、用户体系和接入规范，那它大概率还是会按网上最常见的“普通登录系统”去做。
这当然只是个很简单的例子，但已经足够说明问题：AI 再强，也不会天然知道你这个项目的“组织现实”和“历史约束”。

而 Harness 的一部分价值，恰恰就是把这些东西沉淀下来，让 AI 不要每次都从互联网默认答案开始猜。

当然，落到公司和团队里，前段时间有个群友在群里问了一个我觉得很现实的问题：

公司在推 Harness，那 Harness 怎么量化？怎么向上汇报？

毕竟不是你自己说“我们团队 AI Coding 很强”，它就真的强了。
对于个人来说，爽感和效率感可能就够了；
但对有些公司来说，真正的痛点往往不是“能不能用”，而是：怎么量化收益、怎么说明流程投入是值得的、怎么把这些东西讲成老板听得懂、管理层愿意买单的结果。

某种意义上说，至少在这个阶段，“向老板汇报”可能才是 Harness 落地里最现实的痛点之一。

都在摸石头过河。

我也很想知道答案。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】