专题演讲嘉宾：魏长征

这次分享主要复盘我们在 AI Coding 落地过程中的一些观察和实践。随着 Agent 能力变强，研发中的问题往往会从“能不能写代码”转向“需求有没有对齐、测试够不够深、证据能不能复查、多人并行会不会失控”。我们尝试用 Harness 工程做一层约束，把需求说明、方案计划、多角色 Review、CI 对账、状态记录和质量门禁串起来，让 Agent 的执行过程更容易被检查、恢复和验收。分享会结合五层 Harness 的实践，包括约束层、对抗验证、证据层、状态写入和边界对齐，讨论它在个人 AI Coding、团队并行协作、长时间任务执行中的作用。整体目标比较朴素：让 AI 参与研发时，产出不只更快，也更稳、更可追踪。

演讲提纲：

1. AI Coding 在真实研发中的常见问题：需求漂移、测试偏浅、证据不足、并行协作成本上升
2. Harness 工程的基本思路：让 Agent 在明确的规则、边界和验收标准下工作
3. 五层 Harness 实践：约束层、对抗验证、证据层、状态写入、边界对齐
   • 约束层：用 SDD、SSOT、ADR、Design Doc 等材料提前说明目标、边界和事实源
   • 对抗验证：用不同角色做 Review，分别关注契约、设计、实现、测试、根因和冗余
   • 证据层：让 CI 做代码、配置、文档、测试和验证报告的对账
   • 状态写入：用 Change Doc、过程记录和测试资产，让长任务可接续、可复盘
   • 边界对齐：通过 CI Gates、权限边界、人工审批和回滚机制降低不可控风险
4. 团队实践：多会话并行、24 小时持续研发，以及次日验收的工作方式
5. 落地路径：新项目从最小 Harness 开始，老项目优先从高痛点环节改造

听众收益：

• 了解 AI Coding 在复杂研发任务中容易出现的失控点，以及这些问题通常发生在哪些工程环节
• 获得一套相对可落地的 Harness 实践框架，可用于改造需求、Review、CI、证据和门禁流程
• 建立更务实的 AI 研发质量判断标准：看边界是否清楚、证据是否可查、任务是否可恢复、结果是否能验收