读《Harness工程实战》:把复杂度留在可管理的边界内
AI 降低了实现成本,也让缺乏约束的系统更快失控。读完之后,我把重点放在边界、反馈和长期维护上。

AI 可以快速查阅文档、补齐样板代码、修复语法错误。实现一个功能的门槛下降后,真正值得花时间的问题变成了:这个功能应该放在哪里?它和现有系统如何相处?未来的修改会不会牵动一大片代码?
这也是我从《Harness工程实战》中带走的核心线索:生成速度不等于工程质量。 工程的任务依然是控制复杂度,只是可用的工具和反馈速度发生了变化。
先辨认两种复杂度
偶然复杂度来自工具、语法、重复劳动和繁琐的接线工作。大模型很擅长压低这部分成本。但需求边界、领域规则和不同目标之间的取舍,属于问题本身。它们不会因为代码写得更快而自动消失。
如果没有清晰的模块边界,生成代码越容易,重复逻辑与隐含依赖也越容易扩散。短期看是交付加速,长期看可能是理解和修改系统的成本上升。
Harness 是一组让系统可演进的条件
我把 Harness 理解为围绕 AI 开发建立的工作环境:明确的目标、足够但不过载的上下文、清楚的约束,以及能及时发现偏差的反馈。它不是某个单独的提示词,也不是一个新的工具名称。
在具体项目里,这些条件可以落到很普通的地方:仓库目录能表达职责,接口契约写得清楚,测试覆盖高风险行为,代码审查能识别模型的臆断,自动化流程能阻止明显错误进入下一阶段。
让反馈尽早发生
一个有效的循环是:先把意图和验收标准说清楚,再让实现落到有限范围,接着运行检查,最后根据真实结果调整。反馈越靠近产生问题的地方,修正成本通常越低。
这本书提醒我,使用 AI 时值得优化的不是“如何一次生成更多代码”,而是“如何让每次变更都能被理解、验证和继续维护”。
下一次实践会怎么做
开始一个新项目时,我会先写下三件事:模块边界、最重要的行为契约、第一条可运行的验证路径。它们不需要一开始就完美,但需要能随着项目一起更新。这样 AI 的速度才真正服务于长期演进。
资料来源:基于《Harness工程实战:从零开始驾驭AI软件工程》读书笔记整理。本文为主题整理,并非原书摘录。