Harness: Agent-First Engineering Knowledge Base

核心定位

本 Skill 是对 OpenAI 团队在 Harness Engineering 实践中积累的第一手智能体工程经验的系统化蒸馏。

背景：5个月内，3名工程师仅用提示（无人工编码）、借助 Codex 智能体，构建了约 100 万行代码 的产品。

• ~1,500 个 Pull Requests
• 平均每人每天 3.5 个 PR 的吞吐量
• 完成时间约为传统人工编写的 1/10

使用场景

当用户问到以下问题时，加载本 Skill 的 references/ 文档作为上下文来回答：

• 如何设计面向智能体的代码仓库结构？
• AGENTS.md 应该怎么写？
• 智能体工程中的上下文管理策略？
• 如何让应用对智能体"可读"（可观测）？
• 如何用架构约束替代微观管理？
• 如何处理智能体引入的技术债务？
• 人类工程师在智能体优先团队中的角色是什么？
• 智能体的自主水平如何随系统成熟度提升？

Knowledge References

harness/
├── SKILL.md                            # 本文件（入口）
└── references/
    ├── harness-engineering.md          # OpenAI 原文完整蒸馏（主文档）
    ├── core-principles.md              # 10大核心原则速查表
    └── extended-sources.md             # 扩展信息源索引（Anthropic/GitHub/大V等）

加载知识时：

1. 优先读取 references/core-principles.md 快速定位
2. 需要深度背景时读取 references/harness-engineering.md
3. 需要扩展视角时读取 references/extended-sources.md

多源整合：本 skill 不仅包含 OpenAI Harness Engineering，还整合了 Anthropic Claude Code、GitHub Copilot Workspace、Aider 等业界最佳实践，持续追踪智能体工程前沿。

Workflow

1. 识别用户问题的核心维度：上下文管理 / 架构约束 / 可观测性 / 技术债务 / 人类角色 / 合并策略 / 文档体系
2. 读取对应 references 文档
3. 结合用户具体场景，从 Harness 经验中提炼可操作的建议
4. 输出时注明来源：明确这是 OpenAI Harness Engineering 实践中验证过的方法

快速摘要（无需读文件即可回答的核心原则）

| 领域 | 黄金法则 |

|------|---------|

| 情境管理 | AGENTS.md ≤ 100行，作为目录指向深层文档；不要巨型配置文件 |

| 架构 | 严格分层（Types→Config→Repo→Service→Runtime→UI），通过 linter 自动强制 |

| 可读性 | UI + 日志 + 指标对智能体直接可读；接入 DevTools 协议 |

| 技术债务 | 黄金原则 + 循环清理 = 持续垃圾回收；小额偿还，不累积 |

| 合并策略 | 纠错成本低 > 等待成本高；减少阻塞门 |

| 文档 | 仓库是唯一记录系统；知识必须 push 进 repo 才对智能体可见 |

| 人类角色 | 设计环境 + 明确意图 + 构建反馈回路；不写代码，写约束 |

| 技术选型 | 偏好 API 稳定、可组合、在训练集中表现良好的技术栈 |

| 架构约束时机 | 严格分层约束是早期先决条件，不要等到百人团队再考虑 |

| 自我审查闭环 | 智能体在本地审核自身变更（Ralph Wiggum 循环），直到所有审阅人满意才合并 |