拓冰网站定制 
Harness Engineering实战如何把私有流程数据冰山变成AI Agent的最后一公里上下文【免费下载链接】harness-engineering Ryan Lopopolo’s anthology, field guide, and agent context bundle for harness engineering项目地址: https://gitcode.com/gh_mirrors/har/harness-engineeringHarness Engineering马具工程是 AI Agent 上下文工程的新范式不改动模型本身而是通过改造 Agent 周围的上下文与工具环境把它私有、易变的流程数据冰山变成 Agent 可用的最后一公里上下文从而大幅提升 AI 编程 Agent 的实际产出。开源项目 harness-engineeringRyan Lopopolo 的 Anthology 与实战指南完整收录了这套方法论你可以直接把任意编码 Agent 指向这个仓库作为共享上下文来改善你自己的 Agent 输出。什么是 Harness Engineering一个核心等式 Harness Engineering 的做法是把选定的模型 编码 Agent当作一个黑盒保持不变只优化两个外部杠杆杠杆作用上下文Context让 Agent 恢复意图、理解本地标准与约束工具Tools让 Agent 操作真实系统、在边界内行动其目标是让工人 Agent 能够恢复意图 → 操作真实系统 → 尊重权限 → 证明结果 → 让下一次运行更好。大多数人不知道他们可以把 Agent 指向我的文章、推文和演讲从而让 Agent 的输出提升 100 倍。 —— Ryan Lopopolo数据冰山为什么通用模型没有你的数据 通用模型权重只包含一个组织流程数据冰山露出水面的尖顶。水面之下沉睡着 Agent 完成具体工作所必需的私有数据当前运营状态最新记录、事件、客户试点名单本地本体你们公司对收入活跃用户的特定定义质量门槛团队接受的打磨程度、可接受的捷径例外历史历史决策、事故、被拒绝的工作权限关系谁能批准下一步操作组织既不能假设这些私有、易变的数据存在于通用模型权重中也不能假设 Agent 会自动猜到哪些流程数据对本任务重要。Harness Engineering 就是最后一公里的工程工作把这些数据变成有能力干活的 Agent 可用的上下文和工具。最后一公里部署6 个可落地的步骤 以下流程来自 docs/last-mile-deployment/README.md1️⃣ 发现部署面用分布式实验代替集中规划管理层很少提前知道哪些业务问题能吃掉推理算力、哪些上下文工具权限组合能跑通。正确的做法是下发Token 配额让贴近业务的专家在真实工作附近做分布式实验每个实验识别一个具体任务、懂行的人、缺失的上下文/工具/权限以及关于结果的证据。2️⃣ 围绕记录建模工作数据本体 工作本体一个有用的组织上下文存储需要两类本体数据本体命名实体、指标、标识符及其关系产品线、客户分层、试点客户、共享指标定义工作本体命名产出、工作流、执行者、工具、例外、证据和权限仅有数仓访问权限Agent 无法裁决收入的多种定义加上这些关系后它才能推理业务如何运转并给出属于你这个组织的答案。3️⃣ 让每种事实留在它的主人那里当前记录应保留在已拥有权限、历史和更新通道的系统里数仓、Issue 跟踪器、日志、源码仓库等。搜索和连接器可以检索一个受授权的切片而不会产生第二份会过期的副本。目标仓库则保留架构、模式、本地决策和护栏——即修改并验证该目标所需的知识。活跃轨迹只接收这些来源中最小的相关投影。4️⃣ 每个目标配一个上下文策展人Basis 的实践是双仓库生产 monorepoArnold 公司上下文仓库Atlas。部署单元是目标goal其发起人定义目标版本、结果度量、所需系统与范围。一个上下文策展人sidecar为这个持续目标维护 Git 仓库形式的派生投影——路由、决策、示例、带出处的受限快照。易变记录留在实时系统里只服务于目标的内容随目标过期而消失。5️⃣ 把稳定决策提升到它的主人那里OpenAI 的一个真实案例团队与安全的批准加密库决策一直留在 Slack 里导致新工程师 Codex 引入了另一个 npm 加密依赖。修复方式是把决策编码为仓库护栏要求使用批准实现、禁止替代包然后重跑变更。记录决策的适用范围、负责人、生效日期和执行面让未来工作继承它。6️⃣ 上下文与能力一起暴露代码是 Agent 使用计算机的方式一个拥有数据本体和业务上下文的 Agent 可以直接提供定制服务——产出当前用户需要的答案或工件而不必等数据团队把杠杆固化成黄金表和仪表盘。同一个动作适用于调查、支持流程、财务分析等所有专家工作。即时上下文路由在正确的时刻给正确的切片 ⏱️大上下文窗口缓解的是容量压力但**注意力、检索质量和当前步骤哪个事实才重要**依然稀缺。核心做法见 docs/just-in-time-context/README.md把AGENTS.md当作地图而不是 1000 页说明书。根指南只放四样东西仓库是什么、期望的工作循环、少量任务类别/黄金路径、指向域文档/命令/证明的链接。本仓库的 AGENTS.md 就是范本——它用一张未解决决策 → 论题目录的路由表把 Agent 导向正确的上下文。上下文分三阶段送达来自 AI Native DevCon 演讲的运作轨迹接地Grounding简短地图——任务类别、相关架构、关键路径、建立当前状态的命令混乱中间The messy middle让代码、工具输出、测试失败、日志自己揭示下一块上下文评审与落地Review landing工件稳定后重新应用角色评审、验收标准和交付策略压缩成人类可直接评审的决策包此外长技能库可以放在 Agent 扫描范围之外单条轨迹只挂载任务相关的小集合runbook 则是可重复工作的版本化契约意图、前置条件、安全边界、回滚。把反馈变成基础设施让判断可以累积 Harness 最强大的一招是把组织判断变成累积的。当同样的纠正反复出现时说明缺少一个有持久主人的原则。见 docs/feedback/README.md收集可观测信号人工接管、评审意见、失败构建、生产事故、用户反馈、被接受/被拒绝的工件恢复支配性的失败类别修一处不够要搜索被同一原则支配的所有实例选择覆盖整个类别的干预文档、工具、检查或护栏且不禁止合法例外被接受和被拒绝的域工件持续改进上下文、工具、边界与检查——这就是连贯性累积coherence cumulative下一次轨迹自动继承上一次的教训。权限侧同样重要docs/authority/README.md 建议可逆工作给宽授权大多数错误并不致命而后果严重的边界给窄的、可撤销的授予——明确身份、操作目标、环境范围、有效期和回滚路径。快速上手3 步把你的仓库接入 Harness 选一个有界任务足够小可以重跑、足够重要能暴露假设的缺口如每日数据报告而不是让整个团队的 Agent 变好这种无界任务跑改进循环基线 → 最早缺口 → 最小拥有干预 → 原生验证 → 全新重跑 → 保留/修订/移除。完整流程见 playbooks/improve-harness.md全面评估用 playbooks/repository-review.md用目标边界衡量语料库大小和工具数量只是输入真正的度量是结果质量、人类注意力、延迟、风险和维护负担详见 docs/effectiveness/README.md 部署成功的判据工人 Agent 能带着组织当前的知识、质量标准和权限完成有价值的工作。经济机会在于把模型放到能干活的位置——而那个位置由你独有的知识、工作流、环境和权限决定这就是为什么周围的部署系统本身就是产品的一部分。项目内还有更多可深挖的资料论题索引 docs/README.md、溯源与影响 docs/lineage/README.md、原始素材库 sources/README.md。把编码 Agent 指向仓库与待改进的系统剩下的交给最后一公里。【免费下载链接】harness-engineering Ryan Lopopolo’s anthology, field guide, and agent context bundle for harness engineering项目地址: https://gitcode.com/gh_mirrors/har/harness-engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Harness Engineering实战：如何把私有流程数据冰山变成AI Agent的“最后一公里“上下文
Harness Engineering实战如何把私有流程数据冰山变成AI Agent的最后一公里上下文【免费下载链接】harness-engineering Ryan Lopopolo’s anthology, field guide, and agent context bundle for harness engineering项目地址: https://gitcode.com/gh_mirrors/har/harness-engineeringHarness Engineering马具工程是 AI Agent 上下文工程的新范式不改动模型本身而是通过改造 Agent 周围的上下文与工具环境把它私有、易变的流程数据冰山变成 Agent 可用的最后一公里上下文从而大幅提升 AI 编程 Agent 的实际产出。开源项目 harness-engineeringRyan Lopopolo 的 Anthology 与实战指南完整收录了这套方法论你可以直接把任意编码 Agent 指向这个仓库作为共享上下文来改善你自己的 Agent 输出。什么是 Harness Engineering一个核心等式 Harness Engineering 的做法是把选定的模型 编码 Agent当作一个黑盒保持不变只优化两个外部杠杆杠杆作用上下文Context让 Agent 恢复意图、理解本地标准与约束工具Tools让 Agent 操作真实系统、在边界内行动其目标是让工人 Agent 能够恢复意图 → 操作真实系统 → 尊重权限 → 证明结果 → 让下一次运行更好。大多数人不知道他们可以把 Agent 指向我的文章、推文和演讲从而让 Agent 的输出提升 100 倍。 —— Ryan Lopopolo数据冰山为什么通用模型没有你的数据 通用模型权重只包含一个组织流程数据冰山露出水面的尖顶。水面之下沉睡着 Agent 完成具体工作所必需的私有数据当前运营状态最新记录、事件、客户试点名单本地本体你们公司对收入活跃用户的特定定义质量门槛团队接受的打磨程度、可接受的捷径例外历史历史决策、事故、被拒绝的工作权限关系谁能批准下一步操作组织既不能假设这些私有、易变的数据存在于通用模型权重中也不能假设 Agent 会自动猜到哪些流程数据对本任务重要。Harness Engineering 就是最后一公里的工程工作把这些数据变成有能力干活的 Agent 可用的上下文和工具。最后一公里部署6 个可落地的步骤 以下流程来自 docs/last-mile-deployment/README.md1️⃣ 发现部署面用分布式实验代替集中规划管理层很少提前知道哪些业务问题能吃掉推理算力、哪些上下文工具权限组合能跑通。正确的做法是下发Token 配额让贴近业务的专家在真实工作附近做分布式实验每个实验识别一个具体任务、懂行的人、缺失的上下文/工具/权限以及关于结果的证据。2️⃣ 围绕记录建模工作数据本体 工作本体一个有用的组织上下文存储需要两类本体数据本体命名实体、指标、标识符及其关系产品线、客户分层、试点客户、共享指标定义工作本体命名产出、工作流、执行者、工具、例外、证据和权限仅有数仓访问权限Agent 无法裁决收入的多种定义加上这些关系后它才能推理业务如何运转并给出属于你这个组织的答案。3️⃣ 让每种事实留在它的主人那里当前记录应保留在已拥有权限、历史和更新通道的系统里数仓、Issue 跟踪器、日志、源码仓库等。搜索和连接器可以检索一个受授权的切片而不会产生第二份会过期的副本。目标仓库则保留架构、模式、本地决策和护栏——即修改并验证该目标所需的知识。活跃轨迹只接收这些来源中最小的相关投影。4️⃣ 每个目标配一个上下文策展人Basis 的实践是双仓库生产 monorepoArnold 公司上下文仓库Atlas。部署单元是目标goal其发起人定义目标版本、结果度量、所需系统与范围。一个上下文策展人sidecar为这个持续目标维护 Git 仓库形式的派生投影——路由、决策、示例、带出处的受限快照。易变记录留在实时系统里只服务于目标的内容随目标过期而消失。5️⃣ 把稳定决策提升到它的主人那里OpenAI 的一个真实案例团队与安全的批准加密库决策一直留在 Slack 里导致新工程师 Codex 引入了另一个 npm 加密依赖。修复方式是把决策编码为仓库护栏要求使用批准实现、禁止替代包然后重跑变更。记录决策的适用范围、负责人、生效日期和执行面让未来工作继承它。6️⃣ 上下文与能力一起暴露代码是 Agent 使用计算机的方式一个拥有数据本体和业务上下文的 Agent 可以直接提供定制服务——产出当前用户需要的答案或工件而不必等数据团队把杠杆固化成黄金表和仪表盘。同一个动作适用于调查、支持流程、财务分析等所有专家工作。即时上下文路由在正确的时刻给正确的切片 ⏱️大上下文窗口缓解的是容量压力但**注意力、检索质量和当前步骤哪个事实才重要**依然稀缺。核心做法见 docs/just-in-time-context/README.md把AGENTS.md当作地图而不是 1000 页说明书。根指南只放四样东西仓库是什么、期望的工作循环、少量任务类别/黄金路径、指向域文档/命令/证明的链接。本仓库的 AGENTS.md 就是范本——它用一张未解决决策 → 论题目录的路由表把 Agent 导向正确的上下文。上下文分三阶段送达来自 AI Native DevCon 演讲的运作轨迹接地Grounding简短地图——任务类别、相关架构、关键路径、建立当前状态的命令混乱中间The messy middle让代码、工具输出、测试失败、日志自己揭示下一块上下文评审与落地Review landing工件稳定后重新应用角色评审、验收标准和交付策略压缩成人类可直接评审的决策包此外长技能库可以放在 Agent 扫描范围之外单条轨迹只挂载任务相关的小集合runbook 则是可重复工作的版本化契约意图、前置条件、安全边界、回滚。把反馈变成基础设施让判断可以累积 Harness 最强大的一招是把组织判断变成累积的。当同样的纠正反复出现时说明缺少一个有持久主人的原则。见 docs/feedback/README.md收集可观测信号人工接管、评审意见、失败构建、生产事故、用户反馈、被接受/被拒绝的工件恢复支配性的失败类别修一处不够要搜索被同一原则支配的所有实例选择覆盖整个类别的干预文档、工具、检查或护栏且不禁止合法例外被接受和被拒绝的域工件持续改进上下文、工具、边界与检查——这就是连贯性累积coherence cumulative下一次轨迹自动继承上一次的教训。权限侧同样重要docs/authority/README.md 建议可逆工作给宽授权大多数错误并不致命而后果严重的边界给窄的、可撤销的授予——明确身份、操作目标、环境范围、有效期和回滚路径。快速上手3 步把你的仓库接入 Harness 选一个有界任务足够小可以重跑、足够重要能暴露假设的缺口如每日数据报告而不是让整个团队的 Agent 变好这种无界任务跑改进循环基线 → 最早缺口 → 最小拥有干预 → 原生验证 → 全新重跑 → 保留/修订/移除。完整流程见 playbooks/improve-harness.md全面评估用 playbooks/repository-review.md用目标边界衡量语料库大小和工具数量只是输入真正的度量是结果质量、人类注意力、延迟、风险和维护负担详见 docs/effectiveness/README.md 部署成功的判据工人 Agent 能带着组织当前的知识、质量标准和权限完成有价值的工作。经济机会在于把模型放到能干活的位置——而那个位置由你独有的知识、工作流、环境和权限决定这就是为什么周围的部署系统本身就是产品的一部分。项目内还有更多可深挖的资料论题索引 docs/README.md、溯源与影响 docs/lineage/README.md、原始素材库 sources/README.md。把编码 Agent 指向仓库与待改进的系统剩下的交给最后一公里。【免费下载链接】harness-engineering Ryan Lopopolo’s anthology, field guide, and agent context bundle for harness engineering项目地址: https://gitcode.com/gh_mirrors/har/harness-engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考