7.5
深览指数
科技Bestblogs·阿里技术··AI 生成
从 Coder 到 Designer：电商团队数据研发的 Harness Engineering 实践
阿里电商团队提出了一套面向数据研发的 Multi-Agent 系统方案，核心是「知识工程」与「Harness Engineering」两大框架。前者将数研专家的经验结构化，让AI有据可依；后者通过分离关注点（Gate机制、空间隔离）确保AI的稳定性与可追溯性。文章系统阐述了7个Agent顺序协作、人工Gate审批、以及利用心跳机制实现Agent自我迭代的工程细节，核心观点是AI落地的瓶颈不在模型能力，而在工程化。适合正在探索AI Agent在企业级场景落地的研发团队和技术管理者阅读。原文 ↗
核心观点
- ▍AI在数据研发领域的落地，核心问题是工程化，而非模型能力。知识工程解决「AI凭什么能做对」，Harness Engineering解决「AI如何稳定运行」。
- ▍通过知识工程与Harness Engineering架构，可以实现从「写代码（Coder）」到「做设计（Designer）」的范式转变，让研发人员聚焦于架构设计和流程定义。
- 01知识工程采用三层架构：专业术语层（如业务专用名词）、方法论层（如异动归因的方法论）、协作规范层（如研发协作流程），将专家经验沉淀为可复用的结构化知识。
- 02Harness Engineering通过Gate机制（人工审批节点）、空间隔离（生产环境与开发环境隔离）和配置治理，来解决AI的幻觉和行为漂移问题。
- 03系统采用7个Agent顺序协作模式，每个Agent负责单一任务（如SQL生成、代码检查、测试），并通过反馈循环进行校验，关键节点由人工Gate审批，平衡自动化与准确性。
- 04通过心跳机制，Agent能从执行历史中识别失败模式，并自动调整Prompt或补充知识库，形成以Agent养Agent的自我进化闭环。
- 05文章提到通过文档状态机驱动研发流程，实现研发即沉淀，确保知识在流程中自然生成和积累。
反方 / 局限
- — 文章未讨论Agent系统的成本问题，包括构建和维护7个Agent所需的计算资源、Prompt工程成本，以及知识库的持续更新维护成本。
- — 文章主要基于阿里电商的特定场景，该方案在数据仓库建设、业务知识体系、人力投入都相对成熟的企业，其可复制性在不同规模或不同数据成熟度的团队中可能受限。
3 分钟 · 4 卡片 · 9 资料
读原文 →