AI编程铁三角03 Harness工程入门

AI 编程铁三角：03 Harness Engineering 从入门到实战

一个令人沮丧的AI编程协作场景

设想一下这个场景：你让 AI 助手协助你重构一个模块。

3 小时后，你发现了以下问题：

✓ 功能实现了✗ 代码风格与项目规范不一致（它用了 var，你用的是 const）✗ 目录结构被它擅自修改（新增了 utils/helper.js）✗ 测试文件被它删除了（「我觉得没必要保留」）✗ 留下了 10 个 TODO 注释（「后续再优化吧」）

你问 AI：为什么要这样改？ AI 回答：我觉得这样更好... 核心问题：AI 虽然有强大的能力，但缺乏明确的边界约束。 这正是 Harness Engineering 要解决的核心痛点。

什么是 Harness Engineering

一句话概括：

核心理念

Agent = Model + HarnessModel（模型）= 马，提供核心能力Harness（约束）= 缰绳，提供行为边界

你无法改变马的能力（模型是给定的），但你可以精心设计缰绳——Harness 才是你真正能够掌控的部分。

反直觉的核心洞察

很多人误以为：约束会限制 AI 的发挥空间。 事实恰恰相反：精良的约束反而能激发 AI 的更高效率。 来看一个对比：

无约束场景：AI 陷入猜测：这个数据结构该用 Map 还是 Object？自己决定吧这个函数要不要加缓存？先加上再说这个模块放哪个目录？随便找一个有约束场景：AI 清晰执行：CLAUDE.md 明确要求「使用 Object 而非 Map」「所有 I/O 操作都必须加缓存」「工具函数统一放在 src/utils/」→ 无需猜测，直接执行，效率大幅提升

两个场景的差异一目了然——AI 不需要做决策的地方，约束本身就是最好的决策。

三大支柱

Harness Engineering 由三大核心支柱构成：

支柱一：Context Engineering（上下文工程）

核心问题：AI 无法感知的信息，对它而言就等于不存在。

AI 的上下文窗口
LAUDE.md← 项目规范约定 CLAUDE.md← 项目规范约定 AGENTS.md← Agent 角色定义 代码注释← 逻辑说明 设计文档← 架构决策记录 Git 状态← 项目当前上下文

实践要点：

上下文类型	作用	管理方式
静态上下文	项目约定、编码规范	CLAUDE.md / AGENTS.md
动态上下文	运行状态、Git 信息	自动注入或 Hook 抓取
记忆上下文	历史决策、长期积累知识	MEMORY.md / 日志系统

支柱二：Architectural Constraints（架构约束）

核心问题：如何为 AI 划定清晰的边界？ 代码风格TypeScript strict 模式模块职责

约束项	目录结构	src/api/
命名规范	变量统一 camelCase
单个模块不超过 00 行
依赖规则	api 不允许直接调用 db 层

实践要点： - CLAUDE.md 明确定义核心约束 - 测试套件验证约束是否被遵守 - Pre-commit Hook 实现自动检查

支柱三：Entropy Management（熵管理）

核心问题：系统如何长期保持健康状态？ 熵增的典型表现： - 代码风格逐渐不一致 - 目录结构变得混乱 - 测试覆盖率持续下降 - 文档内容逐渐过时

实战案例：为 hot-trends CLI 搭建 Harness

项目背景

hot-trends 是一个 Python CLI 工具，主要用于抓取热门榜单文章并筛选 AI 相关内容。它源自前两篇 AI 编程铁三角：01 Superpowers 入门 [AI 编程铁三角：02 OpenSpec 入门] 的案例，本次将完成 Harness 的搭建。

Level 1 Harness：5 分钟搭建基础约束

Level 1 是最轻量的 Harness 方案，只需 CLAUDE.md + 测试 + Hook 即可。

第一步：编写 CLAUDE.md

在项目根目录创建 CLAUDE.md，明确定义项目的核心约束：

## 项目概述Hot-Trends CLI 是一个 Python 命令行工具，主要用于抓取并筛选来自中文技术社区（掘金、知乎）的 AI 相关文章。它可以在终端中以表格形式展示结果，并支持导出为 JSON 或 Markdown 格式。## 开发命令```bash# 安装依赖（可编辑模式）pip install -e .# 运行所有测试pytest tests/ -v# 运行单个测试文件pytest tests/test_fetcher.py -vpytest tests/test_filter.py -vpytest tests/test_output.p -v# 本地运行 CLI（安装后）hot-trendshot-trends -l 100 -vhot-trends -o output.json# 不安装直接运行 CLIpython -m src.main## 架构设计### Fetcher 模式项目采用基类模式管理数据源：- `src/fetchers/base.py` - `BaseFetcher` 抽象类，定义统一接口- `src/fetchers/juejin.py` - `JuejinFetcher` 实现掘金 API（支持分类）- `src/fetchers/zhihu.py` - `ZhihuFetcher` 实现知乎热榜抓取新增数据源需继承 `BaseFetcher` 并实现 `fetch_hot_rends(limit)` 方法，返回 `List[Article]`。### 数据流1. `main.py` 解析 CLI 参数，根据 `--source` (juejin/zhihu/all) 协调各 fetchers2. 从选定的 fetchers 收集文章数据3. `AIFilter.filter_articles()` 按 AI 关键词过滤（可通过 `-k` 自定义）4. `OutputFormatter` 展示表格，并可选择保存到文件### 核心类- `Article` (models.py) - 数据类，包含 `to_dict()` 方法用于序列化- `AIFilter` (filter.py) - 基于关键词的过滤引擎，带默认 AI 词库- `OutputFormatter` (output.py) - 处理终端表格（rich）、JSON 和 Markdown 输出## CLI 参数| 参数 | 说明 ||------|-------------|| `-l, --limit` | 文章数量（默认：50） || `-o, --output` | 输出文件路径（.json 或 .md） || `-s, --source` | 数据源：juejin/zhihu/all（默认：juejin） || `-c, --category` | 掘金分类：backend/frontend/ai 等（默认：all） || `-k, --keywords` | 自定义关键词（逗号分隔，追加到默认值） || `-v, --verbose` | 详细日志输出 |## 项目结构说明- 测试使用 pytest fixtures 和 tmp_path 进行文件操作- `openspec/` 目录存放使用 OpenSpec 格式的变更提案（非核心代码）- Husky 通过 package.json 配置 git hooks

关键要点：CLAUDE.md 应该做到"刚好够用"，覆盖核心决策点即可。这个配置适用于 hot-trends 这类 Python CLI 项目，你可以根据自己的项目灵活调整。

第二步：配置 Pre-commit Hook

安装 Husky（以 npm 项目为例）：

npm install -D huskynpx husky init

husky init 会自动生成 .husky/pre-commit 文件，默认内容只有：

npm test

你可以根据项目需要编辑 .husky/pre-commit，增强 Hook 检查逻辑：

# Python 项目示例pytest tests/ -v# 运行所有测试flake8 src/ # 代码风格检查black --check src/# 代码格式化检查

这样每次提交代码时，都会自动验证代码质量、测试通过率和类型安全。

第三步：验证测试套件

hot-trends 项目在前两篇文章中已经创建了完整的测试套件：

tests/├── test_fetcher.py # 数据获取器测试（4个测试用例）├── test_filter.py# AI 过滤器测试（7个测试用例）└── test_output.py# 输出格式化器测试（3个测试用例）

验证测试是否正常运行：

pytest tests/ -v

应看到类似如下输出：

tests/test_fetcher.py::test_fetcher_initialization PASSED [7%]tests/test_fetcher.py::test_fetcher_with_custom_params PASSED [ 14%]tests/test_fetcher.py::test_fetch_hot_trends_success PASSED [ 21%]tests/test_fetcher.py::test_fetch_hot_trends_failure PASSED [ 28%]tests/test_filter.py::test_default_keywords PASSED[ 35%]tests/test_filter.py::test_custom_keywords PASSED [ 42%]tests/test_filter.py::test_is_ai_related_by_title PASSED[ 50%]tests/test_filter.py::test_is_ai_related_by_tags PASSED [ 57%]tests/test_filter.py::test_not_ai_related PASSED[ 64%]tests/test_filter.py::test_case_insensitive PASSED[ 71%]tests/test_filter.py::test_filter_articles PASSED [ 78%]tests/test_output.py::test_sa ve_json PASSED [ 85%]tests/test_output.py::test_sa ve_markdown PASSED [ 92%]tests/test_output.py::test_print_table PASSED [100%]============================================== 14 passed in 0.24s ===============================================

如果项目还没有测试怎么办？ 你可以先创建一个简单的冒烟测试作为起点：

# tests/smoke_test.pydef test_smoke():"""冒烟测试 - 确保测试框架能正常工作"""assert True

验证 Level 1 Harness

**完成以上三步后，即使有了 CLAUDE.md，AI 也不会自动遵循 Harness 流程。**要让 AI 真正按照 Harness 流程工作，需要： - 1.在对话开始时明确声明 - 每次开始新任务时，主动说明将遵循 Harness Level 1 流程 - 2.使用技能系统 - 通过 Skill 工具调用相关的 Harness 规范 - 3.设置 Git Hooks - 在提交前强制检查是否遵循了流程 我们先使用第一种方式在对话前声明（长期使用可按第二种方式新增一个 Skill）：

你：请按照 Harness Engineering Level 1 流程来完成这个任务：1. 先读取 CLAUDE.md 了解项目规范2. 查看相关代码和测试文件3. 先写测试（TDD）4. 实现功能代码5. 运行测试验证6. 更新项目文档任务：帮我优化输出格式，支持 CSV 导出AI：（Step 1: 读取上下文）✅ 已读取 CLAUDE.md 了解项目规范✅ 已查看 src/output.py、src/models.py、src/main.py✅ 已查看 tests/test_output.py 了解测试模式关键发现：- 现有输出格式：JSON、Markdown- OutputFormatter 类已有 sa ve_json() 和 sa ve_markdown() 方法- 测试使用 pytest fixtures 和 tmp_path- CLI 参数通过 argparse 解析（Step 2: 测试驱动开发 TDD）先编写测试用例（功能实现前）：在 tests/test_output.py 中添加：```pythondef test_sa ve_csv(formatter, sample_articles, tmp_path):"""测试 CSV 格式导出功能"""filepath = str(tmp_path / "test.csv")formatter.sa ve_csv(sample_articles, filepath)assert os.path.exists(filepath)with open(filepath, 'r', encoding='utf-8-sig') as f:content = f.read()# 检查 CSV 头部信息assert "排名,标题,作者,来源,链接,阅读量,点赞,评论,标签" in content# 检查数据行内容assert "GPT-4使用指南" in contentassert "张三" in contentassert "1" in contentassert "2000" in contentassert "掘金" in content```验证测试失败（TDD 原则）：$ pytest tests/test_output.py::test_sa ve_csv -vFAILED - AttributeError: 'OutputFormatter' object has no attribute 'sa ve_csv'✅ 测试如预期失败，因为 sa ve_csv 方法尚未实现（Step 3: 实现功能）在 src/output.py 中实现：1. 导入 csv 模块2. 新增 sa ve_csv() 方法 - 使用 utf-8-sig 编码确保 Excel 兼容 - CSV 列名使用中文 - 标签字段使用分号分隔3. 更新 format_output() 方法以支持 CSV 格式在 src/main.py 中更新 CLI 参数：- 更新 -o/--output 帮助文本- 在 -f/--format choices 中增加 'csv'- 更新帮助信息中的示例（Step 4: 验证测试）运行测试确认结果：$ pytest tests/test_output.py -vtests/test_output.py::test_sa ve_json PASSED [ 20%]tests/test_output.py::test_sa ve_markdown PASSED [ 40%]tests/test_output.py::test_print_table PASSED [ 60%]tests/test_output.py::test_sa ve_csv PASSED [ 80%]← 新增tests/test_output.py::test_format_output_with_csv PASSED [100%]← 新增$ pytest tests/ -vcollected 16 items... (所有测试通过)============= 16 passed in 0.25s ==============✅ 全部 16 个测试均通过，包括新增的 2 个 CSV 测试实际运行 CLI 验证：$ python -m src.main -l 10 -o /tmp/test_ai_articles.csv -v? 开始抓取热门榜单...? 正在抓取掘金热榜...✅ 成功获取 10 篇掘金文章? 筛选出 5 篇 AI 相关文章✅ 已保存至: /tmp/test_ai_articles.csv✅ CSV 文件成功生成，包含完整的文章数据（Step 5: 更新文档）更新 CLAUDE.md：- 项目概述：新增 CSV 格式支持说明- 核心类描述：补充 CSV 输出相关内容- CLI 参数表格：增加 -f 参数说明✓ 任务圆满完成！

关键要点：AI 不再是"自由发挥"，而是基于明确的约束进行开发。这就是 Harness 的真正力量！

Level 1 效果对比

实践项	定期清理	删除死代码与冗余逻辑
约束验证	检查代码仍符合 CLAUDE.md
性能监控	关注关键指标变化
文档同步	保持代码与文档一致

评估指标	无 Harness	有 Harness
代码风格一致性	60%	95%
测试覆盖率	65%	88%
文档同步率	50%	90%
返工率	30%	8%

关键改进点： - AI 不再"自由发挥"，而是基于明确的约束进行开发 - 每次提交都会自动验证，问题早发现早解决 - 项目能够长期保持健康状态

Level 2 Harness：动态约束与自动化

Level 2 在 Level 1 的基础上增加了 动态上下文 和 更多 Hook，让 AI 能够感知项目的实时状态。

增加动态上下文

动态上下文是指那些随时间变化的项目状态信息，AI 需要了解这些实时信息才能做出更准确的决策。

静态上下文（不变或很少变化）：├── CLAUDE.md← 项目约定、架构设计├── 代码规范← 命名规则、代码风格└── 目录结构← 文件组织方式动态上下文（经常变化）：├── Git 分支← 当前所在分支├── 修改的文件← 哪些文件被改动过├── 测试状态← 测试是否全部通过├── 依赖版本← 已安装的包版本└── 运行环境← Python/Node 版本等

创建脚本自动生成项目当前状态信息，让 AI 了解实时环境：

#!/bin/bash# scripts/generate_context.shecho "# 项目动态上下文" > CONTEXT.mdecho "" >> CONTEXT.mdecho "生成时间: $(date)" >> CONTEXT.mdecho "" >> CONTEXT.md# Git 信息echo "## Git 状态" >> CONTEXT.mdecho "- 当前分支: $(git branch --show-current)" >> CONTEXT.mdecho "- 最近提交: $(git log -1 --oneline 2>/dev/null || echo '无')" >> CONTEXT.mdecho "- 未提交的修改:" >> CONTEXT.mdgit status --short 2>/dev/null | sed 's/^/- /' >> CONTEXT.mdecho "" >> CONTEXT.md# 测试状态echo "## 测试状态" >> CONTEXT.mdif pytest tests/ -q --tb=no 2>/dev/null; thenecho "- 测试结果: ✅ 全部通过" >> CONTEXT.mdelseecho "- 测试结果: ❌ 存在失败的测试" >> CONTEXT.mdfiecho "" >> CONTEXT.md# Python 环境echo "## 环境信息" >> CONTEXT.mdecho "- Python 版本: $(python --version 2>&1)" >> CONTEXT.mdecho "- 已安装的包:" >> CONTEXT.mdpip list 2>/dev/null | head -10 | sed 's/^/- /' >> CONTEXT.md

在 CLAUDE.md 中添加以下内容：

## 动态上下文在执行任何任务之前，请先运行 `scripts/generate_context.sh` 生成最新的 CONTEXT.md，然后读取它了解项目的当前状态。

这样做的好处：AI 能够感知 Git 分支、修改文件、测试状态等动态信息，从而做出更准确的决策。

增加 Hook 种类

Pre-commit Hook 增强：添加更智能的检查逻辑

#!/usr/bin/env sh# 检查是否修改了核心文件（如 hot-trends 的 fetchers 目录）CHANGED=$(git diff --cached --name-only)if echo "$CHANGED" | grep -q "src/fetchers/"; thenecho "⚠️ 检测到数据抓取器被修改，请确认："echo "1. 是否需要同步更新对应的测试？"echo "2. 是否需要更新 API 文档？"fi# 运行测试npm test# 运行 lintnpm run lint

其他可选的 Hook： - pre-push: 推送前运行完整的测试套件 - commit-msg: 验证提交信息的格式（如约定式提交） - post-merge: 合并后自动安装依赖 实际效果：当你在 hot-trends 中修改 src/fetchers/zhihu.py 时，Hook 会自动提醒你检查测试和文档是否需要同步更新。

Level 3 Harness：完整工程化体系

Level 3 是企业级的 Harness 方案，适用于团队协作和大型项目。对于 hot-trends 这样的单人项目，可以根据实际需求选择性采用。

1. 多层约束

企业级 Harness 层级结构

层级	说明
L1: 企业规范	所有项目共享的基础规范
L2: 团队规范	团队内部统一遵守
L3: 项目规范	项目特有的约束
L4: 模块规范	模块级别的细粒度约束

示例： - L1: 公司要求所有项目使用 TypeScript strict 模式 - L2: 前端团队统一使用 React + Vite 技术栈 - L3: hot-trends 项目使用特定的目录结构（详见 CLAUDE.md） - L4: fetchers 模块有特殊的安全要求（如 API key 管理）

2. 纵深防御

通过多层验证确保代码质量：

层级	说明
第1层	CLAUDE.md 静态约束定义
第2层	测试套件验证边界
第3层	Pre-commit Hook 自动检查
第4层	CI/CD 流水线自动验证
第5层	Code Review 最终人工把关

原理：每一层都有机会发现问题，越早发现修复成本越低。 hot-trends 实践： - 第1层：CLAUDE.md 规定 fetcher 不能混入过滤逻辑 - 第2层：单元测试验证每个模块的功能正确性 - 第3层：Hook 在提交前自动运行 lint 和 test - 第4层：GitHub Actions CI 流水线（可选配置） - 第5层：如果是团队项目，可以设置 PR 审查机制

3. 熵管理流程

建立定期检查机制，防止系统逐渐走向混乱：

# 每周熵管理 Checklist## 代码质量- [ ] 运行 `npm run lint` 检查代码风格一致性- [ ] 运行 `npm test` 检查测试通过率- [ ] 检查是否有新增的 TODO 注释需要处理## 文档同步- [ ] 检查 CLAUDE.md 是否需要更新- [ ] 检查 README 是否已过时- [ ] 检查 CHANGELOG 是否有遗漏## 依赖管理- [ ] 运行 `npm outdated` 检查过期依赖- [ ] 运行 `npm audit` 检查安全漏洞

熵增的典型表现： - 代码风格不一致（如有的地方用 var，有的用 const） - 目录结构混乱（如在 src/ 根目录直接堆放文件） - 测试覆盖率下降（新增代码缺少对应测试） - 文档过时（README 中的使用说明与实际行为不符） 建议：对于 hot-trends 这样的个人项目，可以每月进行一次熵管理检查。

常见问题

Q1：Harness 会不会限制 AI 的创造力？

答案：完全不会。 Harness 约束的是行为边界，而不是具体方法。

约束：使用 TypeScript strict 模式AI 仍然可以自由选择：算法、设计模式、实现细节约束：测试覆盖率 > 80%AI 仍然可以自由决定：测试怎么写、测什么内容约束：代码风格统一AI 仍然可以自由发挥：逻辑实现方式

Q2：CLAUDE.md 写多少内容最合适？

答案：刚好够用就好。

内容太少：AI 仍然需要自己猜测内容太多：没人愿意看，变成形式主义刚好适中：覆盖所有核心决策点

建议： - 项目概述：50-100 字 - 技术栈：列出主要技术 - 目录结构：只写核心目录即可 - 代码规范：5-10 条核心规则 - 质量要求：可量化的具体指标

Q3：和 Superpowers / OpenSpec 的关系？

OpenSpec → 定义「做什么」（需求约束）Superpowers→ 定义「怎么按流程做」（流程约束）Harness→ 定义「如何确保可控」（行为约束）

三者结合 = 完整的 AI 编程工程化体系 我们会在下一篇「铁三角导论」中详细讲解三者的协同关系。

下一步

你已经掌握了 Harness Engineering 的基本概念和实践方法，知道了如何为 AI 套上缰绳。 到此为止，你已经认识了「铁三角」的三个核心工具： 1. Superpowers → 流程约束 ✅ 2. OpenSpec → 需求约束 ✅ 3. Harness Engineering → 行为约束 ✅ 下一篇，我们将深入讲解 铁三角导论：三层架构设计，揭示三者如何协同工作，形成完整的 AI 编程工程化体系。

扩展阅读

- Claude Code 官方文档 - CLAUDE.md 最佳实践指南 - Git Hooks 原理与配置