今天在 GitHub Trending 上看到一个有意思的项目：Learn Harness Engineering，一门专门教你如何为 AI 编码 Agent 构建稳定工作环境的实战课程，引用了 OpenAI 与 Anthropic 的官方工程实践。
一、项目概述
learn-harness-engineering 是由 walkinglabs 团队维护的开源课程，核心理念用一句话概括：最强大的模型，在没有合适环境的情况下，依然会在真实工程任务中失败。
Anthropic 曾做过一个对照实验：同一模型（Opus 4.5）、同一任务（“build a 2D retro game editor”），无 Harness 时花费 $9 在 20 分钟内产出无法运行的产品；有完整 Harness（planner + generator + evaluator）时花费 $200 在 6 小时内产出了真正可玩的游戏。模型没变，Harness 决定了结果。
课程包含：
- 14 节深度讲座：从"为什么强模型依然失败"到"图工程（Graph Engineering）"，循序渐进
- 8 个实战项目：围绕同一个 Electron 桌面知识库 App，渐进式构建完整 Harness
- 15 种语言：覆盖中英日韩法德俄等主流语言
- MIT 许可证，完全开源
二、技术原理：Harness 的五大子系统
课程提炼出一套通用的五子系统 Harness 框架：
┌────────────────────────────────────────────────────────────────┐
│ THE HARNESS │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌────────────────────┐ │
│ │ Instructions │ │ State │ │ Verification │ │
│ │ │ │ │ │ │ │
│ │ AGENTS.md │ │ progress.md │ │ tests + lint │ │
│ │ CLAUDE.md │ │ feature_list │ │ type-check │ │
│ │ feature_list │ │ git log │ │ smoke runs │ │
│ │ docs/ │ │ session hand │ │ e2e pipeline │ │
│ └──────────────┘ └──────────────┘ └────────────────────┘ │
│ │
│ ┌──────────────┐ ┌──────────────────────────────────────┐ │
│ │ Scope │ │ Session Lifecycle │ │
│ │ │ │ │ │
│ │ one feature │ │ init.sh at start │ │
│ │ at a time │ │ clean-state checklist at end │ │
│ │ definition │ │ handoff note for next session │ │
│ │ of done │ │ commit only when safe to resume │ │
│ └──────────────┘ └──────────────────────────────────────┘ │
└────────────────────────────────────────────────────────────────┘
各子系统职责：
| 子系统 | 职责 | 典型文件 |
|---|---|---|
| Instructions | 告诉 Agent 按什么顺序做什么 | AGENTS.md, CLAUDE.md |
| State | 持久化进度，跨 session 连续 | progress.md, feature_list.json |
| Verification | 只有测试通过才算完成 | tests, lint, type-check |
| Scope | 一次只做一个功能，避免过度扩展 | feature_list.json（机器可读） |
| Lifecycle | 初始化 → 执行 → 清理 → 交接 | init.sh, handoff note |
课程中特别强调了**渐进式指令披露（Progressive Disclosure）**的原则：不要把整个说明写在一个巨大文件里，而是按需让 Agent 分层读取。
三、Agent 会话生命周期
课程定义了一个结构化的 Agent 会话生命周期，这是 Harness 落地的核心框架：
START
1. 读取 AGENTS.md / CLAUDE.md
2. 运行 init.sh（安装 + 验证 + 健康检查）
3. 读取 progress.md（上次做了什么）
4. 读取 feature_list.json（功能列表与状态）
5. 检查 git log（近期变更）
SELECT
6. 挑选一个未完成的功能
7. 仅专注该功能
EXECUTE
8. 实现功能
9. 运行验证（测试、lint、类型检查）
10. 验证失败 → 修复后重跑
11. 验证通过 → 记录证据
WRAP UP
12. 更新 progress.md
13. 更新 feature_list.json
14. 记录遗留问题
15. 仅在安全时 commit
16. 为下次会话留下干净的启动路径
关键洞察：没有 Harness 的 Step 9 = “Agent 觉得看起来没问题”；有 Harness 的 Step 9 = “测试通过、lint 干净、类型检查无误”。
四、快速上手：从 4 个文件开始
不需要学完全部 14 节课程，立即改善 Agent 表现的方法是：在项目根目录加入这 4 个文件：
YOUR PROJECT ROOT
├── AGENTS.md ← Agent 的操作手册
├── init.sh ← 初始化脚本（安装+验证+启动）
├── feature_list.json ← 机器可读的功能范围定义
├── claude-progress.md ← 跨 session 进度日志
└── src/ ← 实际代码
init.sh 的典型结构：
#!/bin/bash
set -e
echo "=== Installing dependencies ==="
npm install
echo "=== Verifying environment ==="
npm run lint
npm run type-check
npm test
echo "=== Environment ready ==="
项目提供了中文资源库可直接下载模板。
五、课程进阶：从 Loop 工程到 Graph 工程
课程在 2026 年 8 月新增了前沿 Harness 设计拆解章节，深入分析四大顶级产品的 Harness 架构：
- Pi：最小内核 + 可编程扩展 + 上下文工程
- Claude Code：四层记忆、五级压缩、Hook 机制、子 Agent 隔离
- Codex：repo 作为唯一真相来源，AGENTS.md 作为目录页，工作树隔离
- DeepSeek：“一切皆插件”、能力接缝设计、事件管道
Loop 工程（Lecture 13）教你从手动驾驶走向自动化循环：目标循环（goal loop）、定时循环（timer loop）、制造者-检查者分离（maker-checker）。
Graph 工程（Lecture 14）进一步指出：当任务需要专业分工、并行处理、共享状态、验证和恢复时，它已经不再是循环，而是一个图。一个节点 = 一个循环；多条边 = 状态路由和条件回滚。
六、总结
learn-harness-engineering 是目前最系统化、最贴近工业实践的 AI Agent 环境工程课程。它的核心价值不在于教你写更好的提示词，而在于告诉你：Agent 的可靠性不是模型决定的，而是 Harness 设计的。
课程难度适中，适合已使用 Claude Code / Codex 等编码 Agent、想要提升稳定性和工程质量的开发者，以及需要系统性理解 Harness 设计的技术负责人。
GitHub：https://github.com/walkinglabs/learn-harness-engineering
文档站：https://walkinglabs.github.io/learn-harness-engineering/