7.9
深览指数
产品Bestblogs·百度Geek说··AI 生成
Agentic Harness Workflow 框架：把 AI Coding 变成工程化流程
作者分享了自研的 Agentic Harness Workflow 框架，核心是通过固定十二阶段生命周期、Manager-Sub-Agent 协作、状态落盘与人工门禁，将 AI 编码从不可控的'黑箱'转变为可复现的工程流水线。文章不仅给出了具体的架构设计（CLAUDE.md 入口、极简调度器、文件状态机、双向协议），还坦率列出了八大未解局限（如上下文重加载、搜索边界问题）。适合重度使用 AI 编程、对工程可靠性和可审计性有要求的开发者与技术管理者。原文 ↗
核心观点
- ▍AI 编码需要引入类似工厂流水线的工程框架，通过固定生命周期、阶段级 Sub-Agent 协作和状态管控，将不确定的'碰运气'转变为可复现的工程化流程。
- ▍框架核心是极简 Manager 调度 + 状态全落盘 + Sub-Agent 分工；Manager 只认结构化协议，不读产物正文，以保持上下文清爽。
- 01一次性将长需求丢给 AI Agent 会引发四大问题：上下文膨胀、步骤遗漏、过程不可恢复（中断需重来）、缺乏人工门禁。
- 02框架定义了从初始化到归档的十二阶段生命周期，包括需求澄清、架构设计、任务拆解、编码实现、静态审查、端到端测试、提交/归档等。
- 03主会话 Manager 负责状态读写与协议转发，但铁律是不吞噬任何产物正文或业务代码，始终保持自身上下文的轻量。
- 04各阶段由独立的 Sub-Agent 执行，并通过标准化的双向通信协议（Manager→Sub-Agent 指令，Sub-Agent→Manager 结果）驱动。
- 05状态全量持久化到 workflow-state.json 文件，确保任意阶段中断后可无痛续跑，无需从头再来。
- 06利用 Git Worktree 为每个需求建立独立工作目录，保证多需求并行开发时不污染主工作区。
- 07在编码、静态审查和端到端测试之间引入了带有次数上限的自动修复循环（Loop Engineering），形成自动化闭环。
反方 / 局限
- — 作者坦承当前框架存在八大未解局限，包括子代理每轮重新加载完整上下文导致 Token 浪费、plan 阶段检索无边界易超时、产物与状态非原子写入可能数据不一致、缺乏线上运行的可观测性监控等。
- — 框架目前仍是声明式而非可观测式：无法追踪全流程耗时、瓶颈和成功率，类似工业流水线的'产线状态大屏'缺失。
- — 框架的初始设计哲学（固定流水线）与 DeepSeek Harness 的'Everything is a Plugin'（高度可插拔的缩减版本）形成鲜明对比，暗示了灵活性与工程化之间的张力。
Agentic Harness WorkflowCLAUDE.mdManagerSub-Agentworkflow-state.jsonGit WorktreeDeepSeek Harness百度Geek说
4 分钟 · 5 卡片 · 14 资料
读原文 →