2026 年上半年，AI 工程圈最火的词是 Harness Engineering；到了 7 月，一条推文又带火了新词 Graph Engineering。它是真趋势还是又一轮造词？本文讲清它是啥、为啥需要、怎么落地、什么时候别碰。
把整段需求直接丢给 AI 写代码，结果越写越偏、中途断了还接不上？本文作者给出的答案是：别去造更聪明的 Agent，而是给 AI 编程套上一副"工程框架"。他自研的 Agentic Harness Workflow，把一次开发拆成需求澄清、方案设计、编码实现、审查验收、提交归档等阶段，每阶段交给一个只干一件事的子代理，由主代理统一调度把关，关键节点留人拍板；配合状态落盘，中断、换人、换工具都能无痛续跑。文末还附上了完整实战复盘与踩坑清单。
我们正在建设一个基于 AgentScope Java 的企业级 MultiAgent 平台，为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。上一篇文章介绍了平台基础运行时，本文聚焦复杂任务如何规划、如何拆给专业 Agent，以及不同服务之间如何协作。文中隐去具体组织、系统和环境信息，只讨论可迁移的方法。
本文介绍了针对 Agent 长程任务中断恢复需求的完整实践方案，旨在解决用户主动、工具执行及系统级中断带来的稳定性问题。该方案采用“框架层 Checkpoint + 上层任务调度”的两层架构，在不修改 Spring AI Alibaba 框架源码的前提下，通过扩展 InterruptableAction、利用 Hook 机制注入自定义逻辑（如关机信号检测、消息顺序修正、多工具调用 Mock 返回及子图会话 ID 记录）来实现进程内的状态保存与恢复；同时，上层调度通过 MQ 摘流防止关机机器消费新消息，并结合任务表与 MQ 消息队列协调跨进程的任务恢复，有效覆盖了包括人机协作、多 Agent 协同及系统重启在内的多种复杂中断场景，保障了 Agent 系统的稳定长期运行。
本文提出 SmartPhotoCrafter，一种全新的统一理解—生成—优化框架，为自动图像优化提供了新的技术范式。该方法将图像优化建模为“先分析、再决策、后优化”的 Reasoning-to-Generation 流程：模型首先通过Image Critic对画面质量、光影、色彩和构图进行链式推理；随后由Photographic Artist执行高保真修复与美学增强。SmartPhotoCrafter能够统一完成去雾、去模糊等图像修复任务以及专业调色与风格优化，同时支持用户指令驱动的主动编辑。该方法在保留原始场景的内容结构与细节的同时提升图像质量，实现兼具真实性与美感的自动图像优化。
当 AI 应用开始在运行时解释数据、选择工具并影响业务状态时，数据表示中的遗漏和歧义可能直接转化为行动风险。本文从退款案例出发，提出 Reality First 的观察顺序：先明确系统面对的领域现实，再讨论现实模型、数字表示以及验证反馈如何共同支撑软件的判断与行动。 研究说明：知识驱动计算（Knowledge-driven Computing，KDC）是我们提出和正在打磨的一套 AI 应用软件工程理论，目前仍处于开放研究阶段。它不是业界已有的通用概念，也不是已经成熟的架构标准。这一系列文章将从具体工程问题出发，逐步说明我们为什么提出 KDC、它试图解释什么，以及哪些判断仍有待实践验证。
