Harness 与 Agent 工程 · AI研发与测试工程 · 2026-08-28

从替人写代码到为智能体造世界

AI Coding正从“替人写代码”转向“为智能体造世界”,本体闭环工程构建可理解的数字孪生系统,开启Agentic AI时代软件工程新范式。

核心内容:

  1. AI Coding的范式跃迁(工程目标与服务对象质变)
  2. 本体闭环工程核心框架(Ontology Knowledge、Spec、Ontological Twin)
  3. BSS、OSS与柔性制造场景的实践应用

编者荐语

AI Coding 正从“替人写代码”走向“为智能体造世界”。本文提出 Ontology-Oriented Loop Engineering,以 Ontology Knowledge 为语义源头、Ontological Twin 为生成目标,并以 Spec 贯通二者,构建可理解、可推演、可验证、可操作的业务数字世界。文章结合 BSS、OSS 与柔性制造场景,系统呈现 Agentic AI 时代软件工程的新范式。

从替人写代码到为智能体造世界

Ontology-Oriented Loop Engineering:面向 Agentic AI 的本体闭环工程

亚信科技(中国)有限公司

摘要:AI Coding 正在经历一场深刻的范式跃迁:它的使命不再是"替人写代码",而是"为智能体造世界"。

这一跃迁包含两个层面的质变。其一是工程目标的跃迁——从生成代码片段,到生成可被智能体理解、推演、验证和操作的业务数字孪生系统。其二是服务对象的跃迁——从辅助人类开发者编码,到为 AI Agent 构建可理解、可行动的业务世界。

在这一跃迁中,一个根本性的二元划分浮现出来:Ontology Knowledge 提供了相关业务的描述性语义——它回答"业务世界是什么",定义对象、状态、规则、权限和异常;Ontological Twin 实现了该业务的操作性语义——它回答"业务世界如何运行",将描述性知识转化为可模拟、可验证、可操作的数字世界。代码只是实现载体,真正被"造"出来的是一个为 AI Agent 搭建的可模拟可操作的数字世界。

本文提出 Ontology-Oriented Loop Engineering,即面向本体的闭环工程。它以 Ontology Knowledge(描述性语义) 为语义源头,以 Ontology-grounded Spec 为工程中介,以 Ontological Twin(操作性语义) 为生成目标,借鉴 Spec Driven Development、Harness Engineering 与 Loop Engineering 的思想,让 AI Agent 在受控工程环境中持续完成目标,并在每个阶段基于本体知识验证结果。

从运营商 BSS 客户营销的精准触达,到 OSS 网络管理的智能自愈,再到智慧制造领域机械臂的柔性执行——本文通过三个典型场景论证:无论是数字世界还是物理世界,软件开发的核心使命都在从"替人写代码",转向"为智能体造世界"。未来的软件工程,不只是从 prompt 到 code,而是从 Ontology Knowledge 到 Ontological Twin。

一

引言:从代码生成到本体孪生系统生成

(一)AI Coding 演进:从替人写代码到为智能体造世界

过去两年,AI Coding 迅速改变了软件开发的生产方式。开发者可以用自然语言描述意图,由模型生成代码、修改接口、补充测试、修复错误。在这一阶段,AI 的核心使命是替人写代码——降低人类开发者的编码门槛,加速从意图到代码的转化。

这一演进大致经历了四个阶段:

Vibe Coding降低了写代码的门槛,让自然语言直接驱动代码生成;Context Engineering 改善了智能体获取上下文的能力,管理指令、代码、记忆、工具反馈和检索内容;Harness Engineering 开始把智能体放入可控的工程环境,提供工具、权限、状态、验证器和观测机制;Loop Engineering 则关注智能体如何围绕目标持续自治,定义 trigger、goal、verification、stopping rule 和 memory。在 Loop Engineering 中,Graph Engineering(以 LangGraph、Mastra 等框架为代表)进一步提供了状态图编排能力,用 Typed State、Conditional Edges 和 Checkpointing 实现复杂工作流的结构化控制。

这四个阶段都在回答同一个问题:如何让 AI 更好地替人写代码? 但把目光投向 Agentic AI 时代的复杂业务系统时,一个更深层的问题浮现出来:如果 AI Coding 始终停留在"替人写代码",那么它永远无法回答——智能体自己需要什么样的世界来理解业务、推演决策、自主行动?

真正困难的并不是"生成一段代码",而是"为智能体生成一个符合业务本体的可运行世界"。

(二)问题重构:瓶颈不是代码,而是业务世界

以电信行业为例。当业务人员提出"支持高危客户预警与主动关怀"时,这看似是一个简单的需求,但真正的问题包括:

1.什么是"高危客户"?是欠费风险、流失倾向、投诉升级,还是综合评分低于阈值?

2.高危判断依赖哪些数据源?账单、行为、网络质量、竞品活动、社交情绪?

3.预警触发后由谁执行关怀?AI外呼、人工坐席、短信推送、APP弹窗?

4.不同高危等级对应不同的关怀策略和 SLA 要求?

5.关怀动作是否影响客户的套餐推荐、信用评分或营销触达频率?

6.如果关怀失败,是否有升级路径和补偿机制?

7.如何度量这一闭环的业务效果:挽回率、客户满意度、成本收益比?

如果智能体只基于 prompt 和代码上下文,它可能会生成一个 customerAlert 接口和若干数据查询 SQL,却无法判断这个系统是否忠实表达了业务对象、状态、规则、权限和异常路径。代码可以通过测试,但业务语义仍然可能是错的。

因此,AI Coding 的主要矛盾正在发生变化:

从"模型能否替人写出更好的代码",转向"工程系统能否为智能体造出一个可被理解、推演、验证和操作的业务世界"。

这正是 Ontology-Oriented Loop Engineering 要解决的问题。

(三)核心命题:业务本体的描述性与操作性语义

本文提出一种全新的软件工程范式——Ontology-Oriented Loop Engineering(面向本体的闭环工程)。它的核心命题可以概括为一句话:

以 Ontology Knowledge(描述性语义)为语义源头,以 Ontology-grounded Spec 为工程中介,以Ontological Twin(操作性语义)为生成目标,通过 AI Agent 在 Harness 中持续执行、验证、修正和演化,最终为智能体造出符合 Agentic AI 应用范式的智能化业务系统。

这一范式的核心在于一个清晰的语义分层:Ontology Knowledge 负责描述性语义——它精确描述业务世界"是什么",包括对象、状态、规则、权限、异常和指标;Ontological Twin 负责操作性语义——它将描述性知识转化为可运行、可模拟、可验证、可操作的数字世界。Spec 是两者之间的工程桥梁:它把描述性的本体知识翻译为操作性的系统规格,使 Ontological Twin 的生成有据可依、有章可循。

在这一范式下,软件开发的核心使命发生了根本转变:不再是让人类开发者更高效地写代码,而是为 AI Agent 构建一个可理解、可推演、可验证、可行动的业务数字孪生世界。代码只是造世界的材料之一,真正被交付的是 Ontological Twin——一个承载操作性语义、供智能体在其中模拟和行动的数字化世界。

未来的软件工程,不只是从 prompt 到 code,而是从 Ontology Knowledge 到 Ontological Twin。

(四)行业对标:Qwen-AgentWorld 与 OOLE

在本文定稿之际(2026 年 7 月),阿里云于 2026 年 6 月发布了 Qwen-AgentWorld——首个原生语言世界模型(Language World Model)。该模型通过 CPT → SFT → RL 三阶段训练,基于超过 1000 万条真实环境交互轨迹,在单一模型中同时模拟 MCP、Search、Terminal、SWE、Web、OS、Android 七类智能体环境。在 AgentWorldBench 评测中,Qwen-AgentWorld-397B-A17B 的整体模拟质量超越了 GPT-5.4、Claude Opus 4.8 和 Gemini 3.1 Pro。

Qwen-AgentWorld 的核心思想是不显式构建本体结构,而是训练模型直接模拟环境响应——智能体在执行动作前,先在语言世界模型中"预演"环境反馈,再做出决策。这与本文提出的 OOLE 形成了鲜明的路线对照:

这两条路线并非竞争关系,而是互补关系。Qwen-AgentWorld 在通用智能体环境(如浏览器操作、终端命令、API 调用)的模拟上具有显著优势;而 OOLE 在需要严格业务语义约束的领域(如电信运营商的客户计费规则、网络拓扑依赖关系、工业装配的精度要求)具有不可替代的价值。

更深层地看,Qwen-AgentWorld 回答的是"智能体如何在通用环境中预测响应",而 OOLE 回答的是"工程系统如何为智能体构建可理解、可验证、可演化的业务世界"。前者是模型层面的世界建模能力,后者是工程层面的本体结构化方法。未来的 Agentic AI 系统,很可能同时受益于两种能力:用 OOLE 构建业务语义骨架,用语言世界模型增强环境模拟的丰富性和泛化性。例如,在 OOLE 的 Loop 环节中,Agent 执行操作前的 "预演验证" 步骤,可以引入语言世界模型来模拟环境反馈,降低真实环境试错成本;而 Ontology Knowledge 仍然为这种模拟提供业务语义边界。

二

核心概念:Agentic AI的三驾马车与闭环工程架构

(一)哲学底座:波普尔三个世界与 Agentic AI 范式

要理解 Ontology-Oriented Loop Engineering,首先要回到 Agentic AI 的应用范式。

基于卡尔·波普尔"三个世界"的哲学思想,可以把 Agentic AI 应用范式理解为三类数字化:

换句话说,Agentic AI 的应用范式不是一个单独的聊天机器人,也不是给现有软件外挂一个 Copilot,而是三驾马车的协同:

1.AI Agent 是意识世界的数字化,负责理解目标、规划任务、调用工具、执行动作。

2.Ontology Knowledge 是客观知识世界的数字化,负责沉淀业务概念、状态、规则、权限、流程和制度——它提供的是描述性语义,回答"业务世界是什么"。

3.Ontological Twin 是客观世界的数字化,负责把业务对象、状态、事件、约束和运行过程映射为可执行的数字孪生环境——它实现的是操作性语义,回答"业务世界如何运行"。

这三者之间的关系可以进一步精确化:Ontology Knowledge 提供描述性语义,Ontological Twin 实现操作性语义,AI Agent 则在这两层语义之上进行理解、推演和行动。描述性语义是"知",操作性语义是"行",Agent 是"知行合一"的执行者。

未来的智能化业务系统,必须同时具备这三类能力。只有 AI Agent,没有 Ontology Knowledge,智能体会缺少对业务世界的理解(无"知");只有 Ontology Knowledge,没有 Ontological Twin,知识无法进入运行状态(知而不行);只有 Ontological Twin,没有 AI Agent,系统仍然只是被动运行的数字模型(行而无主)。

所以,Agentic AI 的系统目标不是"AI + 软件",而是:

AI Agent 基于 Ontology Knowledge(描述性语义)理解业务世界,并通过 Ontological Twin(操作性语义)映射、推演、验证和操作业务世界。

(二)从 Vibe Coding 到 Ontology-Oriented Loop Engineering

如果把 AI Coding 的演进看成一条工程化路径,可以大致分为五个阶段:

Ontology-Oriented Loop Engineering 不是否定前几个阶段,而是在它们之上增加一个更高层的工程对象:业务本体与本体数字孪生。

它关心的不只是 Prompt → Code → Test → Fix,而是:

Ontology Knowledge → Spec → Ontological Twin → Simulation → Operation → Evidence → Ontology Evolution

(三)核心定义:什么是 Ontology-Oriented Loop Engineering

本文将 Ontology-Oriented Loop Engineering 定义为:

Ontology-Oriented Loop Engineering 是一种融合 Spec Driven Development 与 Harness Engineering 的闭环工程方法。它以 Ontology Knowledge 为语义源头,以 Ontology-grounded Spec 为工程中介,以 Ontological Twin 为生成目标,通过 AI Agent 在 Harness 中持续执行、验证、修正和演化,最终生成符合 Agentic AI 应用范式的智能化业务系统。

这一定义包含四个关键判断:

1.Ontology Knowledge 是描述性语义的源头需求——不应直接通向代码,而应先转化为业务对象、状态、事件、规则、权限、异常和指标的本体知识。它回答"业务世界是什么",为后续一切工程活动提供语义基准。

2.Spec 是描述性到操作性的工程桥梁——本体知识不能停留在描述性表达层,必须通过 Spec Driven Development 转化为可执行、可验证、可生成的系统规格。Spec 把"是什么"翻译为"怎么做"。

3.Ontological Twin 是操作性语义的实现载体——软件系统不只是功能集合,而应成为业务世界的可运行数字化映射,将描述性本体知识转化为可模拟、可验证、可操作的数字世界,供智能体在其中推演、验证和行动。

4.Loop 是描述性与操作性的持续协同演化机制——智能体不是一次性生成系统,而是在 Harness 中持续执行、验证、修正,并基于运行证据推动描述性本体与操作性孪生的协同演化。

整体闭环如下:

这条闭环的本质,是把软件开发从"代码生成闭环"提升为"业务语义生成闭环"。

(四)方法论坐标:Graph Engineering、Loop Engineering 与 OOLE 的三层分工

在确立 Ontology-Oriented Loop Engineering 的技术坐标之前,有必要先澄清两个在 2026 年同样备受关注的方法论——Graph Engineering 与 Loop Engineering——它们与 OOLE 处于不同的抽象层次,解决的是 Agentic AI 的不同问题。

1.Graph Engineering:控制流编排层

Graph Engineering 由 LangGraph(截至 2026 年 4 月已达 126,000 GitHub stars)、Mastra、Temporal 等框架推动,其核心是用有向图(状态图)编排 Agent 工作流。它的核心原语包括:

Typed State:类型化状态对象,每个节点接收当前状态、转换它、返回新状态。

Conditional Edges:基于状态的函数式条件路由(如 if state.requires_legal_review: go_to_legal_node)。

Checkpointing:每个节点执行保存为检查点,支持崩溃恢复和时间旅行调试。

Subgraphs:复杂工作流分解为可复用的子图片段。

Graph Engineering 回答的问题是:Agent 的执行路径如何编排?

2.Loop Engineering:自主迭代层

Loop Engineering 由 Google 工程师 Addy Osmani、Anthropic 的 Boris Cherny、Peter Steinberger 等人在 2026 年 6 月系统提出。它的核心是让 Agent 自主发现任务、执行、验证、记忆并循环——人不再逐轮提示,而是设计那个循环。其五大核心动作包括:

Discovery:发现工作(CI 失败、Issue、Diff)。

Handoff:在隔离环境(如 git worktree)中交接任务。

Verification:用客观信号(测试、lint、指标)验证,而非模型自我判断。

Persistence:将状态持久化到磁盘,支持跨运行记忆。

Scheduling:定时触发、事件触发或主动发现。

Loop Engineering 回答的问题是:Agent 如何自主持续运行和演化?

3.核心差异对照

4.两者的关系:互补而非竞争

Graph Engineering 和 Loop Engineering 不是竞争关系,而是不同层次的方法论,可以自然结合:

Loop Engineering 定义"做什么"(发现→计划→执行→验证→迭代),Graph Engineering 定义"怎么做编排"(用类型化状态图组织节点、边和条件路由)。

最佳实践是:Loop Engineering 为每个阶段定义目标,Graph Engineering 为每个阶段提供结构化的控制流。在生产实践中,二者通常以 Temporal 承载外层耐久性 + LangGraph 承载内层 Agent 子任务 的分层方式组合使用。

5.OOLE 作为第三层:语义验证层

Ontology-Oriented Loop Engineering 在 Loop Engineering 之上增加了第三层——本体语义验证层,明确把"语义正确性"作为 Loop Engineering 闭环的独立验证维度:

OOLE 的核心贡献,是在 Loop Engineering 的每个阶段(Goal Understanding → Spec → Twin → Simulation → Operation → Verification → Feedback)注入 Ontology Knowledge 的本体验证机制:

Loop Engineering 的 Verification 验证的是代码是否通过测试(功能性验证)。

OOLE 的 Verification 验证的是行为是否符合业务语义(本体性验证)——状态迁移是否合法、权限边界是否被遵守、异常补偿是否完备。

换言之:

Graph Engineering 保证执行路径的结构正确。Loop Engineering 保证执行过程的持续自主。OOLE 保证执行结果的语义正确。

三者结合,才能构建出既编排精良、又持续自主、且语义可信的 Agentic AI 系统。这一坐标系的明确,也能够看清 OOLE 并非另起炉灶的方法论,而是在 AI Coding 范式演进链条中、在 Graph Engineering 和 Loop Engineering 之上,加入了"语义可验证、可审计、可演化"这一不可缺失的治理基础设施。

三

Ontology-to-Twin Harness:工程架构与关键组件

(一)从 Harness Engineering 到 Ontology-to-Twin Harness

Harness Engineering 的价值,是为 Agent 提供一个可行动、可观测、可验证、可干预的工程环境。传统 Coding Harness 通常包括代码仓库、工具调用、测试命令、上下文管理、权限控制和执行日志。

在 Ontology-Oriented Loop Engineering 中,需要的是 Ontology-to-Twin Harness。它至少包括六类能力:

这就是 Harness Engineering 的升级:它不只是让 Agent 能写代码,而是让 Agent 能在受控工程环境中,把 Ontology Knowledge(描述性语义)稳定转化为 Ontological Twin(操作性语义),并持续验证和演化。Ontology Store 保存的是"业务世界是什么",Twin Generator 生成的是"业务世界如何运行",而 Spec Generator 和 Scenario Simulator 则是两者之间的转化器和校验器。

(二)SDD 的位置:从本体知识到本体孪生的规格驱动层

Spec Driven Development 的核心思想,是让软件开发不再从代码开始,而是从规格开始。规格不是需求文档的另一种写法,而是系统行为、接口契约、状态约束、测试条件和验收标准的统一表达。

在 Ontology-Oriented Loop Engineering 中,SDD 需要进一步升级为Ontology-grounded Spec Driven Development。

传统 SDD 关注:需求 → 规格 → 代码 → 测试。

Ontology-grounded SDD 关注:Ontology Knowledge → Ontology-grounded Spec → Ontological Twin → Scenario Verification。

这里的 Spec 是 Ontology Knowledge 的工程化投影。它把本体中的对象、关系、状态、事件、规则、权限、异常和指标,转化为可执行的系统规格。

以"订单取消"为例:

没有 Spec,Ontology Knowledge 容易停留在描述性知识表达,无法转化为可运行的操作性语义;没有 Ontology,Spec 容易退化成无根无据的自然语言文档。两者结合,描述性语义通过 Spec 这座桥梁转化为操作性语义,才形成可生成、可验证、可演化的智能化业务系统。

(三)Ontology 如何融入 Loop Engineering 的每个环节

Ontology-Oriented Loop Engineering 的关键,不是"先建一个本体,然后让 AI 写代码",而是让本体进入 Loop 的每一个阶段。

1. Goal Understanding:目标理解必须本体化

Agent 接收到的不是一个孤立任务,而是一个业务意图。它首先要判断这个意图对应哪些业务对象、角色、事件、规则和指标。

"支持订单取消"必须被识别为:新增事件(取消订单)、影响对象(订单、支付、库存、退款、履约记录)、影响角色(买家、客服、系统)、影响状态…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2026082897150.html