Harness不是目的,知识才是护城河 —— 一个AI工程交付团队的知识沉淀实践

作者:stevenpxiao

当 Harness Engineering 成为 2026 年最热门的 AI 工程话题,业界争论焦点集中在"该用多大的模型"还是"该搭多复杂的工作流"时,我们团队在落地实践中发现了一个被低估的事实——构建 Harness 工作流不是最终目的,私域和团队知识的沉淀才是真正的技术护城河。本文分享我们在 AI Team 工程交付编排系统中,如何设计知识分层架构、如何让团队知识库共建共享、如何让工作流成为知识沉淀的载体、如何突破人机交互瓶颈实现随时随地的工作流流转,以及我们的落地经验和思考。

一、从 Harness Engineering 热潮说起

2025 年末至 2026 年初,AI 工程领域掀起了一场关于 Harness Engineering 的热烈讨论。这个术语源自"harness"(马具)的隐喻——就像骑师通过缰绳和马鞍来引导马的力量走正确的方向,而非增强马本身的体能,Harness Engineering 强调的是引导和约束 AI 模型的能力,而非提升模型本身。

从三大标志性实践来看,不同团队对 Harness Engineering 的侧重各有不同:

实践方
核心关注
关键动作
OpenAI — Codex
人机交互协议
零手写代码,通过精确的指令协议驾驭 Agent
Cursor — Self-Driving
多 Agent 协同
背景 Agent 自动检测冲突并运行测试
Anthropic — Claude Code
长时运行稳定性
多层记忆系统 + CLAUDE.md 约束,让 Agent 在复杂任务中保持一致性

这些实践无疑令人兴奋。但在我们团队深度实践的过程中,我们逐渐意识到一个更本质的问题——

工作流只是管道,知识才是流过管道的活水。

正如 Harness 圆桌讨论中的一个核心论断所指出的:

"将来的技术护城河不在模型,而在垂直领域知识的沉淀。"

模型会迭代,工具链会更新,工作流会重构。但你的团队在一个特定业务领域积累的领域模型、架构决策、最佳实践、已知陷阱、业务流程——这些知识是永恒的,是不会因为模型换代而失效的。

这就是我们在 AI Team 项目中坚持的核心理念:

Skill、Agent、工具链会随模型迭代更新,但领域知识是永恒的。

二、Harness Engineering 本质:三支柱与知识的位置

在深入我们的实践之前,先简要回顾 Harness Engineering 的理论框架。Harness 的核心要素可以归结为三个支柱:

┌─────────────────────────────────────────────────────┐
│              Harness Engineering 三支柱               │
├─────────────────┬─────────────────┬─────────────────┤
│  上下文工程       │  架构约束        │  持续治理        │
│  Context Eng.    │  Architecture    │  Governance      │
├─────────────────┼─────────────────┼─────────────────┤
│ · 长/短期记忆    │ · Agent 编排模式 │ · 质量门禁       │
│ · 知识检索注入   │ · 状态机设计     │ · 知识生命周期   │
│ · 渐进式披露     │ · 降级策略       │ · 自动衰减       │
│ · 上下文防火墙   │ · 安全边界       │ · 持续进化       │
└─────────────────┴─────────────────┴─────────────────┘

注意看"上下文工程"这个支柱——知识检索注入和长/短期记忆赫然在列。再看"持续治理"——知识生命周期和自动衰减也是核心组成部分。

换句话说,知识管理本身就是 Harness Engineering 的核心能力,而不是附属品。只是在当前的热潮中,大家更多关注了"工作流怎么编排""Agent 怎么协同"这些更显眼的工程话题,而忽略了底层的知识基础设施。

这就好比大家都在讨论高速公路该修几车道、立交桥该怎么设计,却忘了问:路上跑的车(知识)从哪来?到哪去?怎么维护?


三、核心论点:为什么知识沉淀比工作流更重要

我们在实践中总结出三个关键认知:

3.1 工作流是"可替换的",知识是"可累积的"

今天用 16 阶段状态机编排工作流,明天可能用图结构 DAG 编排。Agent 的调度模式从串行到并行到分层级联,变化很快。甚至于各大SOTA模型厂商也会逐渐内化和强化这种规划能力。但团队积累的知识——"广告预算扣减在高并发下会超扣,需用 Redis+Lua 保证原子性"——这条知识不管工作流怎么变,都是有价值的。

像Anthropic的claude code本身就是一个极其纯粹的harness实现,他们在4月份发的# Emotion concepts and their function in a large language model论文就有类似的指向,可能未来的Mythos模型会通过探针系统 SAE 来实现模型的“情绪”稳定,进而从根本去实现harness希望解决的模型认知节省的问题。

3.2 没有知识沉淀的工作流是"一次性"的

我们观察到一个反模式:团队搭了很复杂的 Agent 工作流,每次需求都跑一遍全流程,但每次都是从零开始。上一次踩过的坑,下一次照踩不误。上一次做过的架构决策,下一次重新推导一遍。

这就是没有知识闭环的工作流——投入了工程成本搭建工具链,却没有让工具链变得越来越聪明。

3.3 知识是团队的"复利资产"

知识分为三类:散点型知识(孤立的事实)、因果型知识(A 导致 B 的推理链)、时空型知识(特定场景和时间窗口下才成立的经验)。越是高阶的知识,越难以从模型中获得,越依赖团队的实践积累。

当你的知识库有成百上千条 proven(经过多项目验证)的知识条目时,新来的成员、新启动的项目,都能"站在前人肩上"。这就是知识的复利效应。


四、知识分层架构:五层存储 × 五种类型 × 三级成熟度

在 AI Team 系统中,我们设计了一套三维正交的知识体系架构。

4.1 知识体系的三个维度

维度
回答的问题
定义
存储层(在哪)
知识存在哪里?
Layer 0-P 0-T 1 2 3 — 从个人到团队到项目
知识类型(是什么)
知识描述的是什么?
model decision guideline pitfall process
成熟度(多可信)
知识经过多少验证?
draft → verified → proven

4.2 五层存储架构

┌──────────────────────────────────────────────────────────────┐
│                      五层知识存储                              │
├──────────┬──────────────────────────────┬────────────────────┤
│ Layer 0-P │ 个人偏好 (~/.ai-team/)       │ 纯本地,不共享     │
│ Layer 0-T │ 团队约定 (team-conventions/) │ 团队级,Git 共享   │
│ Layer 1   │ 技术知识 (tech-wiki/)        │ 团队级,跨项目     │
│ Layer 2   │ 业务知识 (biz-wiki/{domain}/)│ 团队级,按领域     │
│ Layer 3   │ 项目知识 (docs/knowledge/)   │ 项目级,随项目走   │
└──────────┴──────────────────────────────┴────────────────────┘

为什么要分五层? 因为不同范围的知识有不同的共享边界和生命周期。

  • Layer 0-P(个人偏好):你喜欢 4 空格缩进还是 2 空格?偏好函数式还是面向对象?这是纯个人的,不应该强制给团队。
  • Layer 0-T(团队约定):代码规范、Commit 规范、Review 标准。这是团队层面的"宪法",相对稳定。
  • Layer 1(技术知识):跨项目通用的技术经验。比如"Spring Boot 多租户拦截器设计模式"、"Optional 依赖传递陷阱"。
  • Layer 2(业务知识):特定业务领域的领域模型、业务规则、业务流程。比如"广告审核流程:提交→机审→人审→上线"。
  • Layer 3(项目知识):仅在当前项目有意义的上下文。比如"本项目数据库用的是 TencentDB for MySQL 8.0"。

关键设计:知识可以"向上提升"。 Layer 3 的项目知识,如果被判定为跨项目通用,会自动提升到 Layer 1 或 Layer 2。

Layer 3 (项目内)
  │  所有类型,maturity 为 draft
  │
  ├──→ Q1: 是否项目特有? → 是:留在 Layer 3
  ├──→ Q2: 是否通用技术? → 是:提升到 Layer 1 (tech-wiki)
  └──→ Q3: 是否通用业务? → 是:提升到 Layer 2 (biz-wiki)

4.3 五种知识类型

知识按"描述的是什么"分类,遵循 MECE(互斥且完全穷尽)原则:

类型
定义
示例
model
实体定义、数据结构、关系图
"广告计划包含预算/出价/投放时段三个核心字段"
decision
技术选型、架构决策及理由
"选择事件驱动而非 RPC 同步,因为广告状态变更需要解耦"
guideline
推荐做法 (recommend) 或禁止做法 (avoid)
recommend: "公共模块变更后的兼容性检查清单"
pitfall
已知风险、故障模式、排查步骤
"广告预算扣减在高并发下会超扣"
process
业务流程、状态机、操作步骤
"广告审核:提交→机审→人审→上线"

这五种类型覆盖了我们在实践中遇到的所有知识形态。每一条知识只属于一个类型,来源信息记录在元数据中用于溯源分析。

4.4 三级成熟度 + 自动衰减

知识不是"写完就完了"。它有生命周期。

draft(新提取,单一来源)
  ↓ 在 1 个工作流中被成功引用
verified(单项目验证)
  ↓ 在 ≥2 个不同项目中被验证
proven(成熟/可信赖)

更关键的是自动衰减机制——知识如果长期不被引用,会自动降级:

触发条件
衰减动作
proven 条目 12 个月未被引用
降级为 verified
verified 条目 6 个月未被引用
降级为 draft
draft 条目持续未引用 + Lint 标记
归档,移出活跃索引

为什么需要衰减? 因为知识也会过时。一条三年前的"最佳实践",可能因为框架版本升级已经不再适用。与其让过时知识误导 Agent,不如让它自然衰减退出活跃库。

这个设计借鉴了 Karpathy 在 LLM Wiki 概念中提出的 Lint 操作——定期识别矛盾、孤儿页、缺失交叉引用和数据缺口。


五、团队知识库:如何共享和更新

5.1 独立 Git 仓库 —— 知识的"单一事实来源"

我们做了一个关键的架构决策:团队知识库是一个独立的 Git 仓库,不寄生于任何业务项目。

team-knowledge.git                        ← 独立 Git 仓库
├── knowledge-catalog.md                  ← 全景目录(Agent 查询入口)
├── .knowledge-config.yaml                ← 团队配置(成员、冲突策略)
├── team-conventions/                     ← Layer 0-T: 团队约定
│   ├── coding-standards.md
│   └── commit-conventions.md
├── tech-wiki/                            ← Layer 1: 技术知识
│   ├── catalog.md                        ← 分类清单
│   ├── patterns/TK-PAT-001.md
│   └── anti-patterns/TK-AP-001.md
├── biz-wiki/                             ← Layer 2: 业务知识
│   └── {domain}/
│       ├── catalog.md
│       ├── entities/BK-AD-E001.md
│       └── pitfalls/BK-AD-P001.md
├── project-profiles/                     ← 项目画像
└── contributions/                        ← 贡献暂存区
    ├── pending/
    └── conflicts/

为什么要独立仓库?

  1. 跨项目共享:同一个团队的多个项目连接同一个知识仓库,项目 A 沉淀的知识,项目 B 自动受益。
  2. 生命周期独立:业务项目可能归档或重构,但知识不应该跟着项目消失。
  3. 权限独立:知识库的贡献和消费权限可以独立于代码仓库管理。

5.2 三种团队角色

角色
权限
适用人群
maintainer
裁决内容冲突、审批 pr…
— 以上为试看内容(约 40%),开通会员后阅读全文 —