AI Coding Harness Engineering（AI 編碼的牽引工程）

概述

從 Thoughtworks 的 Birgitta Boeckeler 與 Chris Ford 對談中發展出的概念。 核心思想：引導 AI Coding Agent 不應靠「嘮叨」（nagging）——塞滿 markdown 規則檔， 而應建立一套 feedback 系統，讓 agent 自己從環境回饋中學習。

核心架構

Feedforward（引導）vs Feedback（回饋）

Feedforward（引導）── 事前給規則、指南、限制條件（如同教騎車時先扶著）
Feedback（回饋）  ── 讓環境自動回饋行為結果（如同裝輔助輪讓小孩感受傾斜）

兩者需並用，缺一不可。光是 feedforward（寫一堆規則）會變成 nagging（嘮叨）。

Sensors（感測器）分類

類別	工具	時機	成本
Linter	ESLint, Ruff, pylint	pre-commit	低
Static Analysis	SonarQube, CodeQL	pre-commit/pipeline	中
測試涵蓋率	Jest, pytest-cov	pipeline	中
突變測試	Stryker, PIT	pipeline	高
依賴掃描	Dependabot, Snyk	pre-commit/pipeline	低
架構測試	ArchUnit	pipeline	中
AI Code Review	LLM-as-Judge	pipeline	高

CPU vs GPU 工具分類

• CPU tools：確定性、快速、低成本（linter, type checker, unit tests）
• GPU tools：非確定性、慢、高成本（AI code review, LLM as judge）

Shift-Left 策略

Pre-commit (最快/便宜) → Pipeline (較慢/昂貴) → Continuous Monitoring
   Linter, Type Checker       整合測試, Mutation        長期監控
   Quick Tests                 AI Review

未解決的問題

• 功能正確性驗證：當 AI 自己寫測試時，如何確保測試本身是對的？ → 測試的測試？無限遞迴問題
• 人類角色轉變： 從「審查 AI 寫的程式」→「設計讓 AI 能自我審查的系統」

相關連結

• davidko — 推廣此概念的工程師
• ai-capability-perception-gap — Karpathy 的認知斷層概念（AI agent 能力差異的背景脈絡）
• Martin Fowler 原文：https://martinfowler.com/articles/harness-engineering.html

來源