Harness Engineering，本质上是在为 Agent 构建一个能够持续感知、持续反馈、持续优化的自主演进环境。它是通过约束机制、反馈闭环、工作流编排、效果评估以及持续优化循环等能力，将 Agent 的运行过程纳入一个可观测、可控制、可迭代的系统工程框架之中。目标是在长程和复杂场景下，让 Agent 不仅能够执行任务，更能够感知执行状态、评估执行效果、捕捉优化方向，并据此不断调整策略，从而实现自我迭代并交付高质量结果。Harness Engineering 和 Prompt Engineering、Context Engneering 并不是互斥的概念，而是发展阶段和嵌套关系，更像是随着 AI 能力的提升、基础设施的完善，一种重要性和关注点自然而然地升维。
横向拆解六大 Agent 的上下文压缩策略，提炼通用配方，并面向云端多用户的 Agent 场景落地一套四级水位线方案。
在大型代码库的开发场景中，AI编程助手（CodingAgent）面临的主要瓶颈并非代码理解能力，而是缺乏对代码库整体结构和关系的全局认知，导致其反复低效地“重新摸索”。Graphify通过构建代码知识图谱，为AI提供了结构化的“导航地图”，将高成本的原始理解过程转化为一次性的基础设施构建。这种方法显著提升了AI的查询效率和分析精度，在测试中实现了耗时和Token消耗的大幅降低。
自 20 世纪 50 年代以来，软件开发的一大瓶颈始终是人类在终端前敲击代码的速度。而今天，这一限制正在悄然消退。随着能够自主生成、测试和重构代码的 AI 智能体（Agents） 的崛起，我们似乎即将彻底攻克这一历史性的效率瓶颈。然而，这也带来了全新的挑战：如今，AI 产出代码的速度极其惊人，以至于人类进行传统逐行手动代码审查的能力，反而成了新的瓶颈。在软件开发中，人类的引导和塑造依然不可或缺，因为最终的产出必须由人来负责 —— 并且理所应当，我们仍希望保持主导权。换句话说，我们需要有切身利益相关（skin in the game）的人参与到流程中，以确保 AI 智能体忠实地实现我们的意图。但是，如果我们坚持对每一个微小的代码改动都做“人在环中（Human-in-the-loop, HITL）”式的微观审查，我们不仅会限制系统的吞吐量，更会成为整个研发流程的“断裂点（fracture point）”。这意味着我们要么选择限制智能体的速度，要么沦为“无脑盖章（rubber-stamping）”的工具人，去批准那些我们并未真正理解的代码。
用一个强 Agent 构建评测 Harness，系统性评测一群业务 Agent（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
2026年5月29日至31日，中国图像图形大会（CCIG 2026）在广州召开，论坛内容涵盖大模型、三维建模生成与具身智能、空间智能、脑机接口、机器视觉等热点方向，覆盖学术前沿、产业应用和技术创新，与会学术界和产业界同仁近4200余人。作为中国图像图形学学会的常任理事单位，淘天业务技术Meta技术团队连续第四年受邀出席大会，在专属展位区展示了Meta技术团队介绍与核心技术成果。此外，Meta技术团队受邀在“三维建模生成与具身智能”学术论坛上发表演讲，分享3D真人数字人在淘宝Vision领域的应用，报告现场有诸多相关方向高校老师和学生主动联系，表达未来加强交流合作，深化产学研协同创新，共同攻克关键核心技术难题的愿景。
这篇文章把我们写 Skill 踩过的坑、总结出的经验，再加上 Anthropic 官方的一些好做法，整理到了一起。希望能帮你少走弯路，把团队积累的知识真正"喂"给 AI，让它干活更靠谱。 本文示例以 Go 语言为主，兼顾 Python、Java 等语言，所有原则和技巧适用于任何编程语言。
