从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering，AI Coding 正在经历第三次范式跃迁。本文结合 Anthropic、OpenAI 的最新方法论与真实项目实践，系统分享如何为存量 Java 应用构建完整的 Harness 体系，将 AI 代码率从不到 25% 提升至 90%。
很多人衡量程序员的产出，看的是代码行数。 但写了这么多年代码之后，我发现一个反直觉的事实：删掉一行代码带来的成就感，远大于写出一行代码。 因为每一行新代码都是负债——它需要被维护，可能会出bug，会让系统更复杂。而删掉一行不需要的代码，意味着你真正理解了这个系统，知道什么是多余的。 类似这样的认知转变，我攒了38条。有些是书上看来的，有些是被现实毒打出来的。如果你写代码超过三年，大概会在某些地方会心一笑："早知道就好了"。 尤其是在进入 AI 时代以后，这些核心认知，对我们程序员反而更加重要。
2022年11月30日，ChatGPT向公众开放。这个日期将成为人类文明史上的一个标记点，不是因为技术本身，而是因为它标志着一种新的人类世代的诞生。那些在这天出生的孩子，以及在之后的几年里进入童年的孩子们，将成为人类历史上第一代真正意义上的算法原生者。他们不是在成年后才开始适应智能技术，而是从睁开眼睛的那一刻起，就已经生活在算法编织的世界里。他们的认知方式，情感结构，甚至社会关系，都在与算法的持续互动中形成。这不是简单的技术变迁，而是一次深刻的人类生存方式的转型，也许要过许多年，这革命性的一刻才会认识到。就像文字的发明创造了阅读者，印刷术的普及创造了现代读者，互联网的兴起创造了数字居民，人工智能时代的到来，正在创造一种新型的算法思考者。
我们最近做了一份内部访谈，问几位深度使用 AI 的工程师"你日常时间分配的变化"。结果有点出乎意料——写代码的占比，从过去的 30% 降到 5%；和 Agent 对话的占比，从 5% 升到 60%；查问题的时间下降一半以上；纯编码效率提升 10 倍，但端到端需求交付效率只提升 2 到 3 倍。更值得停下的不是数字，是节奏：一个工程师上午 10 点上线一个新功能、中午做 A/B 测试、下午 3 点根据数据下线、5 点上线更好的版本。同一天。这是过去 6 周才能完成的迭代。为了理解这件事到底意味着什么，我想先回到一个更基本的问题：组织到底是为什么存在的？
随着大模型技术的爆发，AI Infra 已成为基础设施领域的核心战场。过去1年多的时间，我们团队落地了多个大模型应用，包括语音合成大模型、内容理解多模态大模型、生成式推荐大模型，跑通大模型训练到推理的全链路。踩了很多坑，也积累了不少经验。本文将分享传统后台工程师积累的技术栈和方法论，如何延续并迁移到 AI 系统，并系统性拆解 AI Infra 的硬件、软件、训练和推理挑战。
