专题演讲嘉宾： 白忠魏

在推荐系统这样的复杂业务场景中，AI 写的代码往往“能跑”却未必“能用”。由于推荐工程本身具备典型的 AP 架构特征，链路复杂、反馈滞后、调参高度依赖在线效果，结果受环境波动影响极大，天然带有黑盒属性。

在这样的背景下，推荐业务中的 AI Harness 构建模式，也与传统通用场景下的 Copilot/CP 模式存在天然差异。本次分享将围绕“让 AI 写的黑盒代码也能安全上线”这一目标展开，重点介绍如何通过 Harness 体系建设，实现需求周期渗透率提升、链路 AI 采纳率提升，以及全链路迭代时长下降。内容将结合多个真实案例，包括从 PRD 到链路 Harness 的标准化流程与安全围栏建设、工业级可用的混合架构 Agent 设计，以及面向推荐链路特点的 Harness 定向构建实践。

演讲提纲：

1. 核心：为什么要构建 Harness 围栏？
   • 愿景： 让 AI 写的黑盒代码也能安全上线
   • 痛点： AI 写的代码“能跑”但不一定“能用”。推荐工程环境极其复杂（AP架构），推荐业务调参就像你买股票，靠天吃饭，相对比较黑盒，所以有了一些比如PID，MAB，ODL等方式，边学变调。在此基础上，推荐业务场景下的AI Harness构建模式和CP是有一些天然的不同
   • 核心目标： 需求周期渗透率↑、链路 AI 采纳率↑、全链路迭代时长↓
2. 深度缝合：贯穿推荐生命周期的 7 阶段护栏
   • 我们将推荐迭代的 SOP 与 Harness 运行环境强制绑定阶段 AI 协作点护栏能力 (Harness Guardrails)
   • PRD 阶段AI 自动拆解功能 ID 与需求点。Contract 定义：结构化 T-PRD，预定义模块影响、打分方向、2% 稳定性断言
   • 技术方案AI 生成 Plan，人类 Leader 审核。Plan 评审：在 AI 执行前的最后一道“人机共识”关卡，确保架构一致性
   • 需求开发AI 在隔离沙箱内自我修正。沙箱隔离 Debug：增强隔离性的本地沙箱，实现“环境即开即用”
   • 需求验证AI 自动补齐单测用例。UTD (单测驱动)：代码生成即编译，强制 diff 监控与覆盖率监督
   • 联调阶段AI 驱动的闭环逻辑验证。Super Mock：一键式外部依赖模拟，解决特征服务/下游依赖未就绪的阻塞
   • 代码上线自动回滚与故障自愈。动态围栏 (Guardrails)：Beta 集群毫秒级熔断，拦截内存泄漏与指标偏移
   • 效果跟进AI 学习失败案例，自我进化。自动化观测与生命周期管理：Bad Case 自动回流沙箱复盘
3. 适合工业的混合智能体架构：Highway & ATV 混合反思架构针对Agent场景，我们更需要面向工业化的可控和高效
   • Highway (高速公路)： 基于 Intent-Story-Action 的 Flow Engineering
     • 特点： 确定性、秒级流转、应对 80% 高频重复业务
   • ATV (越野模式)： 基于 OpenClaw 的 Autonomous Agent
     • 特点： 动态反思、路径自寻、兜底 20% 长尾复杂Case
   • 进化层 (Memory)： 日常的成功经验，通过“反思”自动固化为 Highway 上的“新 Story”
4. 总结与展望

听众收益：

• ​一套方法论： 如何为团队成员构建“开箱即用”的 AI 研发环境，从而提升全组的 AI 工具采纳率
• 一套架构参考： Highways & ATV 架构如何解决 Agent 在生产环境中稳定落地的问题
• 实战数据支撑： 引入 Harness 围栏后，需求交付周期与全链路时长的真实量化优化结果