如何让AI编程从赌运气变成可复现，Universal AI Harness Framework怎么做到？
在AI编程越来越普及的今天，很多开发者都遇到过同样的挫败：让AI写一段代码，结果像开盲盒。今天写得不错，明天换个对话框就跑偏；上周审查通过的逻辑，这周复现时却完全不记得当初为什么这么写。
这种“赌运气”的开发方式正在成为AI时代最大的隐形成本。而 Universal AI Harness Framework（简称 Harness）正是为了解决这个问题而生。它把AI编程从依赖提示词的随机行为，变成一套可定义、可审查、可重复的工程体系。
AI编程的三大核心痛点
大多数人用AI写代码时，都会遇到以下三个无法回避的问题：
- 行为不可控：LLM在没有明确边界时，倾向于“自作聪明”。你说“优化这个查询”，它可能直接把整个 service 重构了。
- 过程不可审查：代码写出来了，但你不知道AI当时的决策依据是什么。出了bug也无法追溯。
- 上下文不可持久：对话一换、项目一切，之前的规则、偏好、安全边界全部失效，需要反复提醒。
这些问题用更强的提示词很难根本解决。因为提示词是临时的，而工程需要的是持久的约束。
Harness 的价值就在于：它把这些约束从“对话”搬到了“环境”里，让Agent进入项目就像进入一个规则清晰的工厂，知道从哪开始、能做什么、做到什么程度才算完成。
Harness 的核心理念：文件即契约
Harness 最核心的设计是“文件即契约”。所有重要的规则、边界、决策都不再依赖人脑记忆或聊天记录，而是以普通文件的形式固化下来。
具体包括以下几类关键文件：
- AGENTS.md：仓库级入口文档，Agent 进入项目第一件事就是读它，明确整体目标、原则和禁区。
- .aiassistant/rules/*.md：硬性约束规则，例如“禁止直接操作生产数据库”“所有数据库变更必须生成迁移文件”。
- docs//.md*：架构决策记录、领域知识、历史上下文，让AI真正“懂”你的业务。
- .task/ 目录：当前具体任务的完整快照，包括需求冻结版本、实现计划、上下文包、审查结论。
这些文件全部可以被 Git 管理、Code Review、CI 检查。它们不再是“给AI看的提示词”，而是真正的工程产物。
明确 Scope：让AI知道“不能做什么”
Harness 在每次编码动作前，都要求先定义 Allowed Scope（允许范围） 和 Forbidden Scope（禁止范围）。
比如一个任务可能是：
- Allowed Scope：仅优化 UserService 中的 queryUserById 方法
- Forbidden Scope：不允许修改任何其他 Service、不允许新增表字段、不允许改变返回结构
一旦Agent的行为超出 Forbidden Scope，系统会立即打断并要求修正。这种机制极大降低了“幻觉式重构”的概率。
任务分级：不搞一刀切的形式主义
不是所有任务都需要走完整流程。Harness 把任务分为三个层级（Tier）：
- Tier 1（简单任务）：小调整、文档完善、简单修复，只需轻量记录。
- Tier 2（标准任务）：常规功能开发，需要完整的需求冻结、计划、执行、审查。
- Tier 3（复杂任务）：涉及架构调整、核心模块重构，必须经过多轮审查和完整文档化。
这种分级设计让流程既严谨又灵活，避免了为了形式主义浪费精力。
过程可审查：把决策也纳入版本管理
这是 Harness 最有价值的地方之一。
传统方式里，AI的思考过程只存在于对话记录里，极易丢失。Harness 要求把以下内容全部以结构化文档形式保存在 .task/ 目录下：
- 需求冻结版本（PRD）
- 技术实现计划
- 上下文快照（当时读取了哪些文档）
- 审查意见和结论
- 最终变更影响评估
这些文档让几个月后的你依然能清楚知道：“当初AI为什么这么写？当时的假设是什么？谁review过？基于什么理由通过的？”
这极大提升了代码的长期可维护性，也让团队协作中的AI行为变得透明可控。
如何在团队中落地 Harness？
落地 Harness 并不需要全新工具链，你完全可以用现有技术栈实现：
- 在项目根目录建立统一的
AGENTS.md和.aiassistant/rules/目录； - 制定团队统一的规则模板（安全边界、代码风格、架构原则）；
- 每次重要任务都在
.task/下建立独立文件夹，记录全流程； - 将文件审查纳入现有的 Code Review 流程；
- 逐步将历史架构决策、业务知识迁移到
docs/目录，形成企业知识库。
当这些习惯形成后，你会发现：AI 不再是一个“偶尔很聪明但经常犯蠢”的助手，而变成了一个遵守规则、可被训练、可被审计的“工程伙伴”。
从提示词时代到 Harness 工程时代
AI Coding 的上半场拼的是“让AI更聪明”，下半场拼的是“让AI更可控”。
真正拉开差距的，不再是会用多少个Agent，而是：
- 你能否把模糊想法转化为清晰、可执行的工程契约；
- 你能否建立一套机制，让AI这次犯的错下次永远不犯；
- 你能否把AI的行为纳入工程管理体系，而不是游离在体系之外。
Universal AI Harness Framework 正是为这个后半场而设计的。它不是一个新的AI模型，而是一套把AI彻底工程化的方法论。
当你把规则写进文件、把边界定义清楚、把决策记录下来，你会发现：AI编程终于从一场又一场的“赌运气”，变成了可预测、可复现、可规模化的工程能力。
这才是AI真正成为生产力的开始。