2026 06 18 从Agent驱动到Harness

Agent 驱动模式与 Pipeline 多 Agent 协作¶

Agent 驱动模式与架构¶

使用主 Agent 驱动和协调多个子 Agent，形成自动化工作流：

                    ┌──────────────────────┐
                    │    主 Agent          │
                    │  (任务调度与协调)     │
                    └──────────┬───────────┘
                               │
          ┌────────────────────┼────────────────────┐
          │                    │                    │
          ▼                    ▼                    ▼
    ┌───────────┐       ┌───────────┐       ┌───────────┐
    │ 代码生成  │       │ 测试执行  │       │ 文档生成  │
    │  Agent   │       │  Agent   │       │  Agent   │
    └───────────┘       └───────────┘       └───────────┘

典型应用场景：

场景	实现方式	价值
自动化测试	测试 Agent 自动生成并执行测试用例	提高测试覆盖率
代码审查	审查 Agent 分析代码质量问题	降低 bug 率
文档生成	文档 Agent 根据代码生成 API 文档	减少文档维护成本
项目管理	管理 Agent 跟踪进度和任务分配	提升团队协作效率

Pipeline：多 Agent 协作¶

在处理复杂任务时，为什么不用一个 LLM 的对话窗口加一段超级长的 Prompt，而要使用由 Pipeline 串联的多 Agent 工作形式？

长 Prompt 的问题： - Prompt 越长，上下文就越长；上下文越长，AI 出错的概率就越高 - 提示词太长、太全面，导致输出很泛，无法判断哪一步做错了，也无法微调 - 整段提示词无法复用，需求稍有改变就必须全部重写

Pipeline 的优势： - 把复杂任务拆成多个独立的板块，每个 Agent 负责一个板块 - 每个 Agent 的 Prompt 变短，处理单项任务的精度变高 - 信息按设计的流程流动：A → B → C，或 A、B、C 并行处理后统一给到 D 做最终产出 - 每个 Agent 输出自己的工作结果，每一步调试都可追溯

Pipeline 就是一个供多个大模型同步或异步处理信息的基础设施，原理是把一个非常复杂的任务拆分成多个角色，去执行不同的板块。

AI 开发理念与思维转变¶

从任务执行者到系统定义者¶

AI 的普及划定了一条不断上涨的 价值水位线。低于此线的技能与经济价值会迅速"蒸发"而非缓慢贬值。这本质上是 "人类社会费米能级" 的抬升，形成了一道临界门槛，区分了两类人：

任务执行者：停留在给 AI 指令并微调产出的层面，实则在帮 AI 更高效地取代自己，思维可能被 AI 的"答案空间"殖民。
系统定义者：能够构建 让 AI 能力倍增的工作流、自动化框架或增强回路，设计系统让 AI 持续发现问题、验证假设、管理进程。

真正的稀缺品是愿景和 构建独特原初问题空间 的能力。应警惕外包思考起点、沉迷于"生成的满足感"。

从开发 Agent 到开发 Harness¶

当一个人说"我在开发 Agent"时，实际上只可能有两种含义：

训练模型：通过强化学习、微调、RLHF 等方法调整模型，这是 DeepMind、OpenAI 等机构的工作。
构建 Harness：编写代码，为模型提供一个可操作的环境——这是大多数人的工作。

Harness 的构成：

Harness = Tools + Knowledge + Observation + Action Interface + Permissions

Tools：文件读写、Shell、网络、数据库、浏览器
Knowledge：产品文档、领域资料、API 规范、风格指南
Observation：git diff、错误日志、浏览器状态、传感器数据
Action：CLI 命令、API 调用、UI 交互
Permissions：沙箱隔离、审批流程、信任边界

AI 编程的最高境界¶

"我真的麻了，我现在让 OpenClaw 自己用 OpenCode 来 vibe coding，自动推送到 github，自动部署上线，他会甩个线上链接给我，出问题了直接口喷式的在飞书上指挥。"

"还需要什么 Vibe Coding，AI 编程的最高境界是指挥 Agent 帮你完成。"

——望千川

这段分享描绘了 AI 编程的终极形态：从手动 Vibe Coding 进化为让 Agent 自主完成编码、推送、部署全流程，开发者只需在出现问题时通过自然语言进行指挥和纠偏。这本质上是从"工具使用者"到"系统指挥者"的又一次跃迁。

规格驱动开发（SDD）与 AI 协同编程¶

SDD 核心概念¶

规格驱动开发（Specification-Driven Development，SDD） 是以 规格（Spec）为事实唯一来源 的开发方法，而非以代码为中心。

对比项	传统开发	SDD
核心资产	代码	规格（Spec）
文档与代码一致性	容易产生偏差	规格即唯一真相来源
AI 协同方式	直接让 AI 写代码	先写规格，再让 AI 生成对应代码
团队协作	口头沟通需求	规格可版本控制、可追溯

核心价值：解决文档与代码不一致问题，支持 AI 迭代生成代码，便于团队协作和需求追溯。将 Prompt、Plan 等交互记录视为核心资产，通过 Git 管理。

SDD 与传统开发流程对比¶

传统流程：需求 → 评审 → 设计 → 编码 → 集成 → 测试
SDD 流程：在设计阶段引入 AI 协同，通过 Spec 定义完整上下文，覆盖 PRD、接口文档、数据库设计等，实现全流程 AI 辅助

SPEC KIT 工具¶

SPEC KIT 可从 0 到 1 生成项目接口描述、测试用例，支持前后端协同。

核心命令： | 命令 | 作用 | |------|------| | /constitution | 定义规则（宪法） | | spec | 提需求 | | plan | 制定技术实现计划 | | task | 分解任务 | | implement | 执行生成 |

原理：通过模板和脚本适配不同开发平台，将 AI 规则编码化。

OPEN SPEC 工具¶

OPEN SPEC 是轻量级规格管理工具，适用于小功能迭代（1 到 N 场景）。

核心流程： 1. 提案（proposal）：描述需求和修改范围 2. 应用（apply）：生成执行计划并调用 AI 实现 3. 归档：记录变更历史，支持团队协作追溯

优势：目录结构简单，支持自然语言交互修改任务，集成测试验证。

SDD 实施段位¶

段位	特点	类比
基础段位	人机协作编写 Spec 生成代码，易出现文档丢失	L1 辅助驾驶
黄金段位	保留 Spec 资产，人工介入验证	L2 自动驾驶
理想段位	专注 Spec 设计，多模型竞争生成代码，测试自动验证	L3 自动驾驶

AI 协同开发最佳实践¶

上下文管理：提供清晰的项目背景、技术栈和验收标准
任务分解：将需求拆分为明确、可验证的小任务
测试驱动：通过测试用例定义成功标准，确保 AI 输出符合预期
资产沉淀：使用 Git 管理 Spec、Prompt 和交互历史，支持复用和迭代