周末冲浪的时候，偶然发现一个开源的 Harness Engineering 教程，点进去一看——惊了。
完全遵守 OpenAI 和 Anthropic 大厂的原意，没有自己胡编乱造，所有的概念、框架、实例都严格对齐官方文档。然后查了一下，发现很多老外在推，Reddit、Hacker News 上都有人安利。
这门课叫 Learn Harness Engineering。
仓库地址：https://github.com/walkinglabs/learn-harness-engineering
在线文档：https://walkinglabs.github.io/learn-harness-engineering/
先说结论：如果你在用 AI 写代码，这门课是目前最值得花时间的资料。
不是因为它讲了什么新奇的算法，而是因为它解释了一件大多数人一直没搞明白的事：
为什么你的 AI coding agent 总是出问题？
你大概见过这种情况。
给 Claude 或者 GPT 一个任务，在自己的仓库里。开始还不错——读文件、写代码、看起来很顺。然后不对了。它跳过了一步。它把测试搞坏了。它说"完成了"，但实际上什么都跑不了。你花在收拾残局上的时间，比自己做还长。
下一次会话更惨。它从头开始，不记得上次做了什么，要么重做一遍，要么做完全不同的事情。
你以为这是模型的问题。
其实不是。
这是 harness 的问题。
什么是 Harness Engineering？
Harness（"线束"，源自给马套具的英文词）是你在模型周围搭建的工作环境。
不是更好的提示词。不是更长的系统提示。是模型运行其中的整个系统。
一个 Harness 有五个部分：
| 指令 | |
| 状态 | |
| 验证 | |
| 范围 | |
| 会话生命周期 |
道理用一句话说清楚：
模型决定写什么代码。
Harness 管控何时、何地以及如何写。
Harness 不会让模型更聪明。
它让模型的输出更可靠。
有没有数据？
有。Anthropic 做过一个对照实验：
同一个模型（Claude Opus 4.5），同一个任务（"构建一个 2D 复古游戏编辑器"）。
没有 Harness：20 分钟，花了 9 美元，产出了一个跑不起来的东西。 有完整 Harness（规划器 + 生成器 + 评估器）：6 小时，花了 200 美元，构建了一个真的能玩的游戏。
模型没有变。变的只是 Harness。
OpenAI 在 Codex 上报告了同样的结论：在一个良好 Harness 的仓库中，同一个模型从"不可靠"变成了"可靠"。不是边际提升，是质变。
这门课叫 Learn Harness Engineering
GitHub 上看到的，叫 Learn Harness Engineering，一个开源课程，12 讲 + 6 个动手项目。
仓库地址：https://github.com/walkinglabs/learn-harness-engineering
在线文档：https://walkinglabs.github.io/learn-harness-engineering/
课程综合了来自 OpenAI、Anthropic、LangChain、Martin Fowler（Thoughtworks）、Cursor 等多家机构的 Harness Engineering 理论与实践——把业界分散的最佳实践系统化成了一套可学习的体系。
课程覆盖了什么
12 讲，每讲回答一个核心问题
每讲不是理论讲座，是用一个真实的工程问题开始，然后讲清楚为什么会有这个问题，解法是什么。
6 个动手项目，全部围绕同一个 Electron 应用
课程选了一个具体的产品做贯穿线：一个基于 Electron 的个人知识库桌面应用，支持导入文档、AI 问答、带引用的回答。
每个项目的起点是上一个项目的终点——应用在演进，你的 Harness 技能随之增长。
P01 的对比实验尤其值得做一遍：用完全相同的模型，完全相同的任务，跑两次——一次只靠提示词，一次加上最小的 Harness。结果的差异不是微小的，是能直接看到的。
资源库：拿来即用
课程还配了一套现成的模板，包括 AGENTS.md、feature_list.json、init.sh，以及各种检查清单、方法手册。不用等学完 12 讲，现在就能把这些文件放进自己的项目用起来。
智能体会话生命周期
课程里最值得记住的东西之一，是这个生命周期模型：
启动
1. 读取 AGENTS.md / CLAUDE.md
2. 运行 init.sh（安装、验证、健康检查）
3. 读取 claude-progress.md（上次发生了什么）
4. 读取 feature_list.json（哪些完成，哪些待做）
5. 检查 git log（最近的变更）
选择
6. 精确选择一个未完成的功能
7. 只做那个功能
执行
8. 实现功能
9. 运行验证（测试、lint、类型检查）
10. 验证失败 → 修复并重跑
11. 验证通过 → 记录证据
收尾
12. 更新 claude-progress.md
13. 更新 feature_list.json
14. 记录仍有问题或未验证的内容
15. 仅在安全可恢复时提交
16. 为下一次会话留下干净的重启路径
没有 Harness，第 9 步是"智能体说看起来没问题"。
有了 Harness，第 9 步是"测试通过，lint 干净，类型检查通过"。
区别就这么大。
快速上手
项目仓库里有个 skills/harness-creator/ 技能，可以在几分钟内为你的项目自动生成 Harness 的骨架文件（AGENTS.md、feature_list.json、init.sh、验证工作流）。
不需要读完 12 讲再动手。把四个文件放进你的仓库，下一次用 coding agent 的体验就会有明显改观。
本地运行文档站点：
git clone https://github.com/walkinglabs/learn-harness-engineering
cd learn-harness-engineering
npm install
npm run docs:dev
适合谁
这门课适合：
已经在用 Claude Code、Codex 或其他 coding agent 的工程师——你已经踩过坑，这门课告诉你为什么 想系统理解 Harness 设计的研究者或构建者 技术负责人，需要理解"环境设计"对智能体性能的影响
不适合：
寻找零代码 AI 入门的人 只关心写提示词、不打算动代码的人
还有一件事
课程开源协议是 MIT。所有内容免费，14 种语言（中、英、日、韩、西、法、俄、德、阿拉伯……），直接访问，没有付费墙。
而且，这门课也是同一个团队做的——walkinglabs，来自 THU SIGS（清华深研）的开源实验室，，这次是 Harness Engineering 课。
两门课搭配起来读其实挺互补的：RL 课解决"模型怎么学"，Harness Engineering 课解决"agent 怎么干活"。
仓库：https://github.com/walkinglabs/learn-harness-engineering
在线文档：https://walkinglabs.github.io/learn-harness-engineering/
中文 README：https://github.com/walkinglabs/learn-harness-engineering/blob/main/docs-readme/zh-CN/README.md
-- 完 --
机智流推荐阅读：
1.
2.
3.
4.
cc | 大模型技术交流群 hf | HuggingFace 高赞论文分享群 lc｜LangChain 技术交流群 code | AI Coding 交流群 具身 | 具身智能交流群 硬件 | AI 硬件交流群 推理 | AI 推理框架交流群 Agent | Agent 技术交流群
