融合 Skills、大模型和 Python 的 Harness 工程控制论实践

最近 AI Coding 行业又涌现出一个新词“Harness Engineering”，不由得让我想起”古法编程“时代程序员的最大难题”起变量名“，看来 AI 写代码之后，程序员的起名天分就彻底放飞了：只要放弃了第一眼的可读性，起名字还是很简单的。虽然我对各种层出不穷的不说人话的名词没有太多好感，但是能够把一些工程上的核心概念让更多人知道，总体来说还是利大于弊的。

说到工程，就一定绕不开《工程控制论》，是 1954 年钱学森创立的，核心目标是让存在内部波动、外部干扰的动态系统，持续、稳定地输出符合预期的结果。2026 年的百虾大战，把软件工程师从数字电路拉到了模拟电路的层次：基于天生不稳定有幻觉的大模型，如何做到 100% 可靠的产品。(注：数字电路中只有 0 和 1，但模拟电路中实际上是不稳定的电压和电流，如何把不稳定转为稳定的 0 和 1，是现代计算机体系的基础)

对于纯提示词控制的项目来说，天花板很低，因为分分钟模型把这些能力给内化掉。但是融合 Skills、大模型和 Python 的完整工作流程，再融入人的环节（解决目前大模型无法解决的问题），基本上是确定性的生产力大提升。

核心灵魂：闭环负反馈机制

核心逻辑：系统输出结果后，和预期目标做对比，把偏差返回给输入端自动调整，形成"执行→校验→修正"的闭环，不需要人工干预

实际在开发过程中，“不需要人工干预”是一种完美状态，大部分时候，需要把验证的标准告诉 Agent，但是很多微妙的“感觉”难以用文字描述，大模型也难以从案例中学习，这需要在更高的维度来解决，简单来说就是我们要深入理解大模型的执行逻辑，直接给出更加工程化的方案。这要求我们有更强的表达能力，长期输出的工程师在这个时代有巨大的 AI 杠杆。

鲁棒性设计：抗干扰能力

核心逻辑：系统在内部参数波动、外部环境干扰的情况下，依然能保持稳定的性能，不会因为微小变化就崩溃。

实际在开发过程中，用任何格式都无法避免不规范的输出（如 JSON, YAML, CSV），首先是在大模型执行的上下游都需要做参数检查，用工程学的大招“不行就重试”来解决。比较好的方法是通过 CLI 的不同参数来控制，在输入时就进行“严进”，才能做到稳定的结果输出。针对 CLI 的参数，一定要设置好默认值，降低 Agent 执行过程中的智能负担，这样即使用更加便宜的模型（甚至本地模型），也能保证稳定性。试想，如果能用 9B 的模型在特定 skills 中实现 300B 以上大模型的效果，成本可以被极致压缩。

分层控制架构：警惕 Sub-Agent 陷阱

核心逻辑：把复杂系统拆成多层，高层负责战略决策，中层负责任务调度，底层负责具体执行，每层只负责自己的职责范围，不跨层干预，降低复杂度。

实际在开发过程中，一定要控制 Sub-Agent 的数量，假设一个 Agent 的可靠性是 90%，两个叠加并不一定是 81%（0.9 的平方），可能是 72.9%（0.9 的三次方），甚至是 65.61%（0.9 的四次方）。我称之为 Sub-Agent 陷阱：因为 Agent 的稳定性，收益可能远小于投入。

可观测性与可追溯性：能看到就能解决

核心逻辑：系统的每一个状态、每一步操作、每一次决策都要能被监控、被溯源，出问题能快速定位根因。

实际在开发过程中，如果只是把日志一股脑输出，试图让 Agent 自己搞定，基本上属于知心妄想。我的经验是一定要输出中间步骤的产物，通过累计一小步一小步的优化，最终得到整体的优化。对于长工作流，只在最终结果反馈，大模型会浪费大量 Token 去搜索和解决不重要的问题。最有效率的办法就是直接找到核心点，让大模型围绕这个核心点去优化方案，这才是最高效的方法。

冗余设计与容错机制：不仅要有 Plan B，还要有 Plan C

核心逻辑：关键路径做多重备份，单一组件失效不会影响整个系统的正常运行。

实际在开发中，如果一定要联网检索，那么就需要至少准备 2 个检索的工具。如果一个任务很关键，那么要用 3个不同的模型/Agent 独立执行，结果交叉验证，避免单个模型幻觉导致的错误。

写在最后

工程控制论诞生于1954，Harness Engineering 火在2026。72年过去了，我们面对的问题从导弹制导变成了AI Agent，但工程思维的内核从来没变过——如何在不确定性中构建确定性，在混沌中寻找秩序。这让我想起了冯诺依曼的另一句话：

在数学中，你并不理解东西，你只是习惯它们。

写代码久了，我们习惯了0和1的确定性，习惯了代码跑一遍就有确定结果的世界。但大模型把我们重新拉回了那个充满随机性的现实世界，像第一次面对模拟电路的工程师，像第一次面对惊涛骇浪的舵手。

AI 把生活的复杂暴露无遗，但工程思维就是把复杂变简单的那把钥匙。Skills 是你的工具箱，大模型是你的原材料，Python 是你的粘合剂，但最后把这一切组合成产品的，还是工程品味。