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

2026 年初，团队基于开源 Agent 框架 OpenClaw 启动 Seal 项目，核心选型逻辑：OpenClaw 具备多通道接入、技能（Skill）生态扩展、多 Agent 编排及企业级安全隔离能力。团队在此基础上完成内部系统打通、SSO 鉴权适配、LLM Gateway 路由接入及 Skill Hub 建设。在技术架构上，Seal 实现了万级 Agent 实例的大规模并发调度，通过容器化隔离保障多租户安全，同时引入无损上下文裁剪机制有效控制推理成本。已完成全公司覆盖，成为小红书员工日常办公的核心 AI 入口。

演讲提纲：

• 背景与挑战
  • 小红书"小公司大 APP"的特殊性：员工精简但职能复杂，HR/法务/商业化/研发需求各异
  • 2026 年初的判断：OpenClaw 爆发，市面大量企业还在讨论"能不能用"，我们已经在跑了
  • 各职能自建 Bot，形成孤岛，无法复用
  • 缺乏统一的企业级安全管控
• 选型与架构决策
  • 为什么选 OpenClaw 而不是自研？
    • OpenClaw 核心优势：多通道接入（Hi/飞书/Web）+ Skill 标准化 + 多 Agent 编排 + 社区生态
    • 一周内完成内测上线
  • 架构关键设计决策：
    • LLM Gateway 统一路由：多云多模型
    • 容器化多租户隔离：每人一个 Agent 实例
    • SSO 打通：内部系统认证不另做，复用公司 SSO，Seal 的工具调用直接携带员工身份
• Skill Hub 建设：从平台到生态
  • Skill 的本质：把人的经验变成可复用的 Agent 能力
  • 任何员工都能写 Skill，不需要懂代码
• 规模化的工程挑战
  • 上下文成本控制
    • 问题：长对话 + 多工具调用，单次对话 token 消耗超预期
    • 方案：参考 JVM GC 机制做无损上下文裁剪——识别低价值的历史 tool call result，压缩摘要而非截断，保留关键决策节点。同时通过auto路由能力，高性价比模型承接简单任务。
    • 效果：成本降低约 50%
  • 万级实例调度
  • 安全
• 下一步：下一代 Agent 的思考

听众收益：

• 基于 OpenClaw 构建企业级 AI 个人助理的成功经验，了解如何构建大规模 Agentic Agent 产品

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

当 AI 编程从"辅助补全"进化到"端到端任务执行"，开发者需要的不再是一个插件，而是一位能独立理解需求、操作文件系统、调用工具链、跨项目协作的全栈工程师。QoderCLI 正是以此为目标构建的终端原生 Coding Agent：以事件驱动 + 多模型路由 + 工具调度为核心，在终端中实现从代码阅读、编写、测试到部署的完整闭环。 更进一步，我们将 Agent 的运行时能力沉淀为 SDK 与 Cloud Agents 两种接入形态，使企业能够在自有产品中一行代码嵌入生产级 Agent 能力，或将任务委托至云端独立执行。AI 应用构建不再需要从零搭建模型调度、权限管控、工具编排和安全沙箱——Qoder 已将这些基础设施准备就绪。

本次分享将从架构设计、SDK 集成实践与真实落地案例三个维度，展示如何让 Coding Agent 从开发者工具走向企业级 AI 应用的核心引擎。

演讲提纲：

1. AI 编程进入下半场，开发者还缺什么？ 我们已经进入 Agent 时代，但当前用法还不够彻底——Agent 仍多停留在"辅助"，难以真正"交付"。从真实研发痛点出发，看 Agent 要替代人力还差什么。
   • 当前 Coding Agent 用法的局限：能写片段、难端到端
2. 真实软件工程的复杂度：文件操作、工具协同、上下文管理、错误恢复
   • 从"辅助"到"交付"，Agent 还需要的关键能力
   • 一个终端原生 Agent 的内核长什么样？ 拆解 Qoder CLI 的核心技术架构，看一个生产级 Agent 是怎么跑起来的。
3. 事件驱动的 Agent 执行循环
   • 多模型智能路由：按任务特征自动选择最优模型
   • 多 Agent 并行协作与上下文隔离
   • 从事件总线到分布式系统内核的演进
   • 三行代码接入生产级 Agent 能力 Agent 能力不应只活在 CLI 里，SDK 让任何产品都能拥有 Agent。
4. 两种集成形态：本地 SDK vs Cloud Agents
   • 一份完整代码示例：从认证到流式输出
   • 关键设计：认证授权、模型策略、运行时权限审批
   • 从编码到业务，Agent 正在创造真实价值 两个真实落地案例，看 Agent 如何超越"写代码"本身。
     • AI 驱动的在线笔试系统：自动阅卷 + 题库自进化，人工维护趋零
     • Cloud Agents 接管热点内容运营：选题 / 写稿 / 发布全自动，月流量涨 3 倍
5. 总结展望

听众收益：

• 了解如何将 Coding Agent 从个人效率工具升级为企业级 AI 应用的核心引擎
• 获得一套完整的 Agent SDK 集成实践路径：从认证、权限、模型策略到生产部署
• 通过真实案例理解 Agent 在各种场景中的业务价值创造模式
• 建立 AI 应用基础设施的选型思维：模型层 + Agent 层 + 运行时层缺一不可