标签
一份构建 AI 代理框架的全面指南，涵盖工具执行、上下文管理、状态/记忆和护栏，基于构建 Claude Code 和其他企业级框架的经验。
一个 GitHub 仓库，包含两本关于 Claude Code 和 Codex 的 Harness engineering 书籍，探讨如何在真实工程环境中为编写代码的 AI 构建约束和执行方式。
一个开源项目从零教你搭建 Claude Code 的简化版，深入讲解 AI Agent 的 harness 工程，已获 66.5K Star。
一个精心策划的资源、模式和模板集合，用于构建可靠的AI代理框架，重点关注代理周围的脚手架结构而非模型本身。
Elvis Sun 分享了一份详细的操作手册，介绍如何使用 AI 编码代理、工程框架和损失函数开发来自主解决复杂工程问题，并展示了如何避免代理作弊等常见陷阱。
Loop Engineering 将会在接下来的几个月里完全代替 Harness Engineering，成为 AI 界最热门的范式。
GitHub 上开源课程 Learn Harness Engineering，教你为 AI 编程助手（如 Claude Code、Codex）建立可控工作框架，包含12节理论课和6个实战项目，核心机制涵盖指令、状态、验证、范围、会话。
推荐Walkinglabs提供的免费开源Harness Engineering课程，涵盖理论和实践，认为普通人应该学习Harness Engineering而非继续参与大模型竞争。
本文介绍了“Harness Engineering”这一概念，这是一门专注于设计约束和引导AI代理的系统，使其在生产中可靠的学科，并认为Harness（约束系统）比模型本身更重要。
AI新闻综述：涵盖Fireworks的150亿美元和Baseten的110亿美元融资轮次、OpenRouter的1.13亿美元融资，以及编码代理中智能体框架工程相比基础模型日益增长的重要性。
为 Codex 用户提供的一个小贴士，介绍如何使用目标模式和本地配置将智能体研究论文直接实现到 Codex 环境中，并以 SkillOpt 为例，它将 GPT-5.5 智能体提升了 +24.8 分。
这篇文章由 yan5xu（前 ManusAI）撰写，提出了 LLM 工程范式的螺旋演进模型：从 Prompt Engineering（2022-2024）到 Context Engineering（2025），再到 Harness Engineering（2026-），并讨论了各阶段的瓶颈与驱动因素。
文章讨论了LLM工程从Prompt Engineering发展到Harness Engineering的三个阶段，反映了AI工程实践的演进。
OpenAI 分享了其团队如何利用 Codex 代理构建一个完整的软件产品，完全不编写任何手动代码，重点在于设计环境与反馈循环，以确保代理的可靠运行。
本文探讨了AI-First组织架构的概念，将AI从辅助工具转变为生产力主导者，重新设计公司流程，并介绍了Harness Engineering、Agent经济等新理念。
LukeDing14 指出许多人仍不会正确使用 Codex 完成项目，并推荐了 learn-harness-engineering 资源及自己的 harness 文件，分享高效编码与项目组织的技巧。
Harness Engineering 不是玄学，而是可工程化的活产物。文章提出六层逐步叠加的工程框架（Rule、Skill、Sub Agent、Workflow、Scripts、dev-map），强调从简单开始、依赖脚本而非提示词，并通过迭代改进。
Akshay Pachaar阐释了三个不同的AI工程概念——提示工程（消息）、上下文工程（记忆）和封装工程（机器）——解释了它们在构建基于LLM的智能体中的角色与相互作用，并附有一篇关于智能体封装工程的深入文章链接。
一个构想：用Multica管理本地runtimes（如Claude Code、Codex），用Helio预定义Agent，用Obsidian做记忆/上下文系统，再结合Harness Engineering，探讨本地多agent系统的最佳方案。