上一篇我们拆解了 Harness Engineering 的知识图谱建立了全局框架。今天这篇是整个系列真正的起点——如果你只能读一篇读这篇。它不是手册不是教程。它是一张鸟瞰图让你站在高处看清楚这个领域的来龙去脉、核心问题、解决思路和工具生态。读完之后你再去看任何具体内容都能知道它在整张图上的位置。01 | 起源从 Vibe Coding 到 Spec Coding要理解 Harness Engineering 为什么出现先要理解它在反对什么。Vibe Coding 时代2023-2024ChatGPT 引爆 AI 编程后的两年大家都在搞「氛围编程」——打开聊天框凭直觉描述需求AI 凭直觉生成代码开发者凭感觉判断对错。这种方式有它的魔力启动成本极低简单需求几分钟出结果原型验证效率极高。但当你试图用它做真正的工程时五个问题接连暴露问题典型表现不可控同样的需求AI 每次生成的代码都不一样不一致同类规范在不同会话中产生分歧不可重现出 bug 后无法复盘「AI 当时是怎么想的」不可协作多人各自和 AI 对话方案五花八门不可演进一段时间后连 AI 自己都不认识自己写的代码更深层的问题是AI 生成的代码看起来像工程产物但创造它的过程不是工程过程。业界的选择2024 年底业界开始问一个根本问题我们要的是 AI替代软件工程师还是 AI增强软件工程师「增强」路线赢了。理由很现实企业合规审计是硬条件多人协作不可能各自 vibe生产系统不允许「运气好」。于是从 2025 年开始业界系统性地在 AI 周围搭建工程化基础设施2025 年初GitHub 发布 Spec-Kit2025 年中fission-ai 发布 OpenSpecAnthropic 发布原生支持 Sub-Agent 的 Claude Code2025 年下半年GSD、ECC、Trellis 等工具方法论涌现这个潮流有三个名字Spec-Driven Development规范驱动开发、Spec Coding、Harness Engineering最广义的称呼。02 | 什么是 Harness EngineeringHarness 这个词本意是「缰绳/挽具」——用来约束和引导马的工具。约束不是为了削弱而是为了聚焦。河水四处流动什么都干不了修了堤坝才能发电。完整定义Harness Engineering 是一种 AI 编程时代的工程方法论通过结构化文档、阶段化流程、原子化任务三大策略约束和引导 AI 编码代理的行为使其产出符合软件工程标准的可靠成果。与传统工程的本质区别一张表说清楚维度传统软件工程Harness Engineering协作主体人 ↔ 人人 ↔ AI ↔ 人真相源代码 文档代码 文档 AI 上下文决策载体会议 评审 ADR文件 流程 命令核心矛盾复杂度管理复杂度管理 AI 不可控性最关键的差异传统工程只面对人的不可靠Harness 同时面对人和 AI 的不可靠——而且两者的不可靠模式完全不同。03 | 核心问题Context Rot 深度解析Harness Engineering 要解决的核心问题叫Context Rot上下文腐烂LLM 在长上下文或多轮对话中输出质量随时间和信息累积而退化的现象。三大成因成因一上下文窗口有限Claude Sonnet 200K tokens、GPT-4 128K tokens——这不是核心问题核心问题在后两条。成因二注意力机制稀释Transformer 的 self-attention 是 O(n²) 复杂度。上下文越长每对 token 间的注意力权重越小关键信息被淹没。Stanford/Berkeley 2023 年论文《Lost in the Middle》证明模型对长上下文中部信息的召回率呈 U 型分布——开头和结尾召回率高中间显著低。成因三累积污染多轮对话中每轮的错误尝试、中间产物、推翻重来的内容都留在上下文里挤占关键信息的注意力空间。症状都很隐蔽「明明说过用 PostgreSQL怎么写出 MongoDB 代码了」「明明已经实现的功能又实现了一次。」「会话前期质量很高后期突然变差。」——这些不是 AI 今天状态不好是 Context Rot 的标准症状。为什么「更长上下文」不是解药窗口从 200K 变成 1M注意力稀释依然存在推理成本随 token 数超线性增长信息越多未必决策越好给 AI 100 份 spec效果可能不如精选的 5 份。Harness 的解法不是扩大上下文而是绕过这个问题决策外化为文件空间维度信息存在文件系统按需加载流程结构化为阶段时间维度每阶段聚焦单一决策避免多目标污染任务原子化为单元资源维度每个任务在干净上下文中独立执行04 | 核心概念速查这里列出整个系列里最常出现的 10 个概念先有印象后续文章会逐一深入Spec-Driven DevelopmentSDD规范驱动开发先写规范再写代码。规范不是事后注释而是事前约束——AI 必须严格按规范实现。代表框架Spec-Kit、OpenSpec。Context Engineering上下文工程主动管理 LLM 上下文窗口的技术决定什么信息进入、何时清理、如何在多个实例间分配。区别于 Prompt Engineering前者关注「怎么问」后者关注「AI 知道什么」。Constitution项目宪法项目级不可妥协的全局约束文件每个新会话开始时自动加载包含技术栈规定、编码规范、安全底线。Delta Spec增量规范OpenSpec 的核心概念每次变更只描述差异ADDED / MODIFIED / REMOVED而非重新描述完整状态。类比需求层级的 Git diff。Sub-Agent子代理主代理启动的、运行在独立上下文中的子任务执行单元。价值上下文隔离 单一职责 可并行。Wave Execution波次执行GSD 的核心调度模型把任务依赖图DAG分析后无依赖的任务分波次并行执行。理论上把 O(N) 串行时间压缩到关键路径长度。Hooks钩子事件驱动的自动化触发器。PreCommit、PostEdit、SessionStart 等事件发生时自动执行预定脚本把「应该做但容易忘」的事变成自动化。ADR架构决策记录把每个架构决策的动机、选项、影响记录为独立文档。Harness 里的 proposal.md 本质是 AI 时代的 ADR。Lost in the MiddleLLM 对长上下文中部信息召回率显著下降的现象Context Rot 的核心理论根源。Goal-Backward Verification目标倒推验证GSD 的验证方法从用户视角倒推而非从实现细节验证。区别「登录函数返回了 token」✅ vs「用户能否登录后访问主页」❌发现 token 没存到 cookie。05 | 框架生态全景四大框架家族每个解决不同维度的问题规范驱动SDD— 决策外化的主战场Spec-Kit五阶段、Constitution 全量 Spec、绿地项目首选OpenSpec三阶段、Delta Spec 增量规范、棕地项目首选 ⭐KiroAWSIDE 原生集成上下文工程— 对抗 Context Rot 的极致代表GSD波次执行 Goal-Backward 验证任务原子化的最佳实践 ⭐能力增强— 给 AI 装「外挂」ECC48 个 Agents 182 个 Skills 红蓝队审计机制 ⭐OMC19 个团队代理零配置开箱即用编排协作— 多框架协同经典组合规范层OpenSpec 执行层GSD 能力层ECC 做什么 怎么做 用什么做06 | 演进史从 Prompt Engineering 到 Harness Engineering理解 Harness 最好的方式是把它放进演进史里阶段一Prompt Engineering2022-2023——怎么问Few-shot、思维链、角色扮演……聚焦单轮交互不解决多人长期协作问题。阶段二Context Engineering2024——AI 知道什么动态上下文加载RAG、上下文压缩、Multi-Agent……把「上下文」作为第一类对象设计但仍不关注与人类工程实践Git、CI、Code Review的整合。阶段三Harness Engineering2025 至今——AI 怎么工作决策外化 流程阶段化 任务原子化与 Git/CI 深度集成形成完整方法论体系。每个阶段都包含前一个阶段。学 Harness 不意味着抛弃 Prompt Engineering——你仍然需要会写好的 prompt。但只会写 prompt解决不了多人长期项目的协作问题。总结Harness Engineering 的诞生是必然Vibe Coding 的五大问题不可控、不一致、不可重现、不可协作、不可演进推动业界转向工程化路线Context Rot 是核心矛盾不是 AI 不够聪明是长上下文下的注意力稀释和累积污染——更长的窗口解决不了这个问题三大原理是解法基石决策外化空间 流程阶段化时间 任务原子化资源三者协同才是完整的 Harness四大框架家族各司其职SDD 管规范、上下文工程管执行、能力增强管工具、编排框架管协同经典组合是 OpenSpec GSD ECC这是一个演进中的领域Prompt Engineering → Context Engineering → Harness Engineering每一步都是对前一步的包含和超越学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】