一文讲透:Harness Engineering即控制论!







01



前言

去年有幸获赠2本书,其中一本是《控制论和科学方法论》,读书过半我就发了条朋友圈,因为我当时觉得自己发现了一件不得了的事情。



不得了自然是有些夸张了,但是我的确因为这一想法而兴奋良久,当时我认为AI 编程就是控制论在编码世界的一个工程实现。奈何我在网络并没有搜到相关言论,以至于我对自己的这一想法产生了怀疑。直到3月份看到OpenAI发表的文章《Harness engineering: leveraging Codex in an Agent-first world》以及硅谷工程师George的分析文章《Harness Engineering Is Cybernetics》,甚是惊喜。


1948 年维纳出版了《控制论:或关于在动物和机器中控制和通信的科学》一书,它是通过信息传递来实现目的性行为的理论,关注系统如何通过接收外界和内部的信息来调整自身状态,以达到预定目标。而今天AI“输入-输出-修正”的回路,与维纳笔下的逻辑何其相似,我们热谈的AI 编程到底是不是控制论的一个工程实现呢?


看清来路,或许能更清醒地面对潮头的喧嚣。




02



Harness Engineering


Harness Engineering这个词缘起于 2026 年 2 月 11 日 OpenAI 发布了一篇文章:《Harness engineering: leveraging Codex in an agent-first world》(https://openai.com/zh-Hans-CN/index/harness-engineering/),这篇文章有一些亮眼的数据:


3个工程师、5个月内、1500个PR、100%AI编写,完成了一个100万行代码、已投入使用的的系统。他们预估与手工编写相比他们节省90%的时间。


文章的核心理念是人类掌舵,智能体执行,人类绝不动手编写一行代码。当然这里和我们平时开玩笑“码奸”背叛了码农在革码农的命并不是相同含义,并不是不需要人类编码,而是工程师的工作中心发生了变化,负责为AI设计环境、明确意图、构建反馈回路。


文章还介绍他们实践Harness Engineering过程中踩的一些坑,我读后收益匪浅,这里概括的介绍一下。


   2.1 给目录而不是整本说明书


不要尝试用一个巨大的 AGENTS.md 文件来指导AI来完成代码生成,因为它会挤占上下文、不能体现规则的重要等级、导致规则难以维护……正确做法是将 AGENTS.md 控制在约 100 行,仅作为索引目录,AI需要时再根据目录找到深层知识,也就是我们所说的渐进式披露(PS:SKILL不就是这个样子吗,同样的道理不要写过长的SKILL.md)。


   2.2 规则要沉淀到仓库


代码仓库是 AI 唯一能看到的世界,AI没有办法看到人类大脑中的想法,也无法知道编码环境之外的任何内容。因此我们平时所有的设计决策、架构约定、团队共识都必须以版本化的 Markdown、代码或可执行计划的形式提交到仓库,否则AI会像一个迟到三个月入职的新员工,对这些信息一无所知。


   2.3 务必要有架构约束


仅靠一个文本或者Prompt没有办法约束AI生成完全符合要求的代码,AI只有在架构确定的环境中效率才是最高的。我们可以通过脚本、流水线等校验生成的代码是否满足架构约束,防止出现架构漂移。需要注意的是,在规则中应该明确哪些地方需要限制,哪些地方不需要限制,比如生成的代码必须分为gateway、domain、dao三层,至于某一层或者某一块的具体实现,允许AI自由发挥。


   2.4 构建AI可观测的系统


AI的代码生产效率远远高于人类,这时候人的评审反而成了效率的瓶颈,因此最好的方式是AI可以自己发现错误、修复错误、验证修复。例如将日志、监控等信息通过文件、MCP等方式暴漏给AI,让AI可以自己闭环掉开发——测试——修复。


   2.5 等待成本高于纠错成本


这里一条我是存疑的,因为在很多场景,比如金融支付业务,安全稳定比快更重要。文中提到PR 生命周期应尽量短,不要因为偶发性失败而阻塞,因为AI的代码产出速度远远超出人类的PR速度,纠错成本低,等待成本高。


   2.6 让AI自动清理垃圾代码


AI生成新代码时会参考已有代码,因此一次坏的实现会被多次复制,架构可能快速漂移。这个如果靠人来手动处理会耗费极大的时间和精力,因此需要将"黄金原则"编码到仓库中,并运行后台 Codex 任务定期扫描偏差、发起重构 PR——持续小步迭代还债远好过等到累积到一个大债务再去解决。


   2.7 人类的建议要沉淀到仓库中


代码审查中的评论、重构 PR 和用户反馈中体现出了人类对代码实现的要求,这些信息如果只停留在口头或聊天记录中就无法影响未来AI的输出,因此必须将这些信息提取为规则,写到文档中或者编码进工具,才能让人类的要求持续的约束AI,而不是随着时间流逝而消失。




03



控制论


题目中还有另外一个关键词——控制论,我去年才接触《控制论和科学方法论》这本书,它并不厚,正文只有215页,但是所描述的理论框架却无比强大,这里有一个很有说服力的例子:钱学森将维纳的控制论思想引入到工程系统中出版了《工程控制论》一书,而该书是“两弹一星”工程在控制与制导领域的重要理论工具书。当然,本文的重点并不是介绍控制论(Cybernetics),因此我以较短的篇幅将控制的核心介绍清楚,以便于进行后续的讨论。


控制的核心可以用一句话概括:通过信息的获取与反馈,对系统进行调节和控制,以实现特定目标的科学。这里提到了三个关键词,我们逐个讲解。


   3.1 关键词——信息


信息这个词我们无比熟悉,但是到底什么是信息却难以言明。在控制论和信息论的视野下,信息的本质可以作如下解释。


信息是“消除不确定性”的东西。举个例子:我写的这篇文章是不是好文章?读到这里你并不知道,它可能干货满满也可能是AI水文。但是旁边同事告诉你“这篇文章太棒了你一定要读完”,这时不确定性就减少了,你就获得了信息。


信息是我们在适应外部世界、并将这种适应反作用于外部世界的过程中,同外部世界进行交换的内容本身。宇宙倾向于从有序走向无序(熵增),而获得信息的过程就是减少系统无序性、克服熵的过程。在迷雾中开车随时可能走错方向(熵增),突然手机导航提醒前方100米左转(信息),你左打方向盘(控制)让车子保持在正确的路上。



信息这一概念明确了,那么这些概念也明确了:知道——人获得信息的过程;传递——信息源和接受者两个系统之间的联系,即一个事物对其他事物的影响……


   3.2 关键词——控制


在讲控制之前,我们需要先讲一下可能性空间,这也是控制论和系统论的研究开始的地方。依然用一个例子来讲可能性空间:我和你的关系。我们并不是从出生开始就注定成为同事,这里面有非常多可能性,但是由于条件或者纯粹机遇的关系,比如你从小受到良好的教育学习一直不错,而我可能恰好高考运气爆表蒙对了好几道选择题,于是我们都进入了不错的大学,工作时你因为“有鹅选鹅”、而我可能纯粹因为深圳离家近都选择腾讯,于是咱们成为同事。


你看,在我们刚出生时我们的关系有各种可能,陌人生、朋友、同事……由于各种条件或者纯粹的机遇,我们的关系才沿着某一个特定的方向发展下去。如果我们进一步思考:假如有上帝,上帝有没有办法通过一些手段干预,让我们成为同事的概率变大呢,这就是我们要讨论的控制。



控制的本质是为了达到既定目标,通过克服不确定性,对系统施加影响的过程。通过以上案例,我们也知道作为控制对象的两个共同点:1)被控制的对象必须存在多种发展的可能性;2)人可以在这些可能性之间,通过一定手段来选择。而AI生成的代码仓库完全具备这两个特点。


书中有一个例子来讲控制能力分析,这个本文没有太大关系,但当时读到这里我非常震撼,实在忍不住分享出来,不感兴趣可以跳过:

12个小球,能否用天平称3次,找出唯一的、轻重未知的那个小球?
这是一个数学问题,我记得某次数学竞赛中做过,当时费了好大劲来得到答案,那么我们如果用控制能力来分析,我们来看下多简单:
未称之前,每个小球都可能是废品,废品有轻重两个状态,可能性空间为12*2=24
天平每称一次控制能力为3(左边重、右边重、一样重),即可能性空间缩小为原来的1/3
称三次控制能力为3*3*3=27,27>24,因此可以解决问题。


   3.3 关键词——反馈


反馈是指将系统的输出信息返送到输入端,与期望目标进行比较,并根据其中的“偏差”来调节系统下一步行为的过程。反馈分为正反馈和负反馈,正反馈和负反馈之间的主要区别在于对变化的响应:正反馈会放大变化,负反馈会减少变化。正反馈比较罕见,有时候被称为恶性循环,例如体温过高导致代谢加快,产生更多热量,体温进一步升高,出现失控。


这里强调一下负反馈,因为负反馈扩大了系统的控制能力。我们的身体处处有着负反馈,为了达到我们身体健康这一目标,血糖升高则分泌胰岛素降低血糖,血液变热则血管扩张、汗腺排汗……


简单来说,反馈就是让系统具备“自省”和“自我修正”的能力,让系统从“死的东西”变成了“活的系统”,具备“自省”和“自我修正”的能力。


   3.4 小结


读到这里,相信你尽管还不能完全掌握控制论,但是已经等感受到控制遵循的逻辑循环:

[ 设定目标 ] → [ 感知偏差 ] → [ 施加干预 ] → [ 消除偏差 ]


这和我们使用AI何其相似:写Prompt给AI设定目标,AI执行我们验收,不满意(出现偏差)则修改Prompt或者SKILL/RULE文件施加干预,让AI消除偏差以完成我们设定的目标。





04



Harness Engineering 和控制论


   4.1 业界观点


George在 X 上发布的长文《Harness Engineering Is Cybernetics》,文中提到这种模式他见到三次,一次是离心调速器,带配重的飞球机构会感知转速,再自动调节阀门,工人没有消失,但工作内容变了,从亲手拧阀门,变成设计调速器;一次是Kubernetes,声明一个期望状态,控制器会检测容器的状态,一旦两者偏离,它就会根据声明做出调整,比如重启、扩容、缩容……,工程师的工作也从手动操作,转向编写容器的描述文件;一次是Harness Engineering,OpenAI 工程师不再手写代码,而是设计环境、搭建反馈回路、把架构约束编码进去,然后由 Agent 来写代码。而以上三种模式,就是今天所讲的控制。



博客中的一个观点令我印象深刻,代码库过去实际上一直是有反馈回路的,但只限于低层级(例如编译器校验语法……),而更上层,即架构层面的决策、质量判断等问题只有靠人判断、修正,而AI则可以让这个反馈回路闭合,识别问题并修复问题。然而真正的难题是把人类独有的知识变成AI可读的东西,大多数情况的失败并非 AI 能力不够,而是知识一直锁在人的大脑里。过去人们总是跳过编写规则直接写代码,因为他们要为此付出代价可能要在很久以后,但到了 AI 时代付出的代价会被成倍放大,因为AI代码生产效率实在是…

— 以上为试看内容(约 40%),开通会员后阅读全文 —