读完 OpenAI 关于 Harness Engineering 的文章后我做了一份核心总结并结合自己的项目写下了这些启发。最近在团队里我尝试借鉴 OpenAI 提出的Harness Engineer概念探索一种新的开发模式。它的核心问题是如果人类不手动写代码而是由 AI Agent 完成从 PR 生成到 Review、再到集成测试的全流程软件开发会变成什么样下面是我对 OpenAI 这篇文章的学习总结以及在我自己项目中的实践与思考。一、我学到的核心理念人类管架构Agent 写代码OpenAI 提出的 Harness Engineering 重新划分了人与 AI 的职责人类的工作系统与架构设计编写高质量的提示词PromptAgent 的工作根据提示词生成 Pull RequestReview PR初期人类审核后期可由多个 Agent 互审阅读 UI、日志、指标自主判断结果是否符合预期也就是说人类不再盯着 IDE 逐行写代码而是把精力放在更高层次的决策上——定义“做什么”和“为什么做”让 Agent 去完成“怎么做”。二、OpenAI 文章中的实现路径我的理解与转述根据文章要让 Agent 真正接手编码任务需要建立几个关键机制1. doc-gardening自动维护文档定时扫描文档仓库Agent 自动检测并修复过时的描述、过期的 API 示例保持文档与代码同步。2. AGENT.md渐进式披露的索引在项目根目录放一个AGENT.md文件里面索引所有关键文档Spec、Design、Plan。Agent 按需读取像新同事翻阅项目 Wiki不会一次性加载过量信息。3. 多源信息转化为 Markdown很多关键信息不在代码库里——可能在 Google Doc、Slack 讨论、甚至人的脑子里。需要把这些信息转化为 repo 中的 Markdown 文件让 Agent 能访问。可以把 Agent 想象成一个刚入职的同事你不能指望它猜出之前 Slack 里达成的某个技术共识必须把信息沉淀成文档。三、对我的项目的启发我现在的流程与改造计划学完文章后我对照了自己的现有流程发现了明确的改进空间。我现在的流程给 Claude Code 写 Prompt让它创建 Jira ticket 和 PR人工 Review PR在本地查看 UI 测试查看后台是否有错误日志验证符合需求后合并 PR其中步骤 2-4 重复性很高完全可以交给 Agent。1. 让 Agent Review PR —— 需要明确标准正确性逻辑是否满足需求格式规范代码风格、命名、注释架构一致性是否偏离既定架构代码品味可读性、可维护性、是否有更优实现初期我可以人工审核 Agent 的 Review 结果后期可由多个 Agent 互审。2. 让 Agent 做集成测试目前我需要手动在本地打开 UI 验证。但大部分验证可以通过 API 层面完成Agent 调用后台 API检查返回结果UI 验证可借助 Puppeteer/Playwright但 API 验证通过后大部分问题已暴露Agent 还能主动查看后台日志和 Datadog Metrics判断异常或性能劣化3. 处理架构偏离让 Agent 先写文档有时 Agent 的实现会偏离整体架构。根本原因是Agent 没有获得完整的架构信息。解决方案受文章启发在AGENT.md中给出所有文档的索引要求 Agent 在执行任务前先生成中间文档Spec对需求的理解Architecture本功能在整体架构中的位置Design具体技术设计Plan分步实施计划这些文档由 Agent 生成我审核修正后再让它写代码。虽然多了一步但大大减少了返工。4. 同步外部信息让 Agent 主动收集很多决策发生在 Slack、Notion、Google Doc 里代码库不知道。如何让 Agent 获取在 Slack 里用bot命令让 Agent 收集当前 Thread 的讨论内容自动提交 PR 更新相关文档支持链接 Notion doc、Google docAgent 定期扫描指定页面、文件夹或匹配关键词的文档定期扫描 Slack 特定 Channel 中含有关键词的讨论提取共识并沉淀为 Markdown5. 创建后台 Agent 定时解决长期问题有些问题不需要每次 PR 都关注但需要定期处理架构偏移检测定期扫描代码发现与架构文档不一致的地方自动创建 ticket技术债清理识别重复代码、过时依赖、性能热点生成重构 PR这些后台 Agent 可以定时运行如每周一次人类只需审核最终 PR。四、最重要的启发从第一天就做好架构设计这套模式能否成功有一个前置条件你需要从一开始就做好系统架构设计。这意味着在写任何代码之前花大量时间和 AI 聊清楚需求、讨论架构方案、确定整体走向。后续所有的 Agent 执行都必须遵循这个架构。架构不是一次成型的但它的核心约束需要尽早确立。如果后续频繁修改架构Agent 生成的所有代码都可能需要重写反而得不偿失。结语程序员的新角色学习 OpenAI 的 Harness Engineering 后我最大的感受是这并非要消灭程序员而是重新定义我们的工作。我们不再是“写代码的人”而是“指挥代码生成的人”。代码的正确性 → 由 Agent Review 保障架构的一致性 → 由 Agent 检测信息的同步 → 由 Agent 自动完成人类需要做的是设计清晰的架构写出精准的提示词以及——相信 Agent。这或许就是 AI 时代的软件开发人类负责“做什么”Agent 负责“怎么做”。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】