ARTICLE · 人工智能
从 Harness 架构到 Token 经济学的探索
一语总结本文结合学术论文与真实项目配置，系统阐述 AI 辅助编程中的 Harness 工程——包括控制论基础、Rules/Hooks 架构、Token 成本优化及团队实战方法论。
文章以 LangChain 实验数据引出 Harness 的概念：模型外的代码层决定 AI 的表现上限。作者从控制论（反馈与前馈）、ReAct 循环、Reflexion 记忆、蒙特卡洛树搜索、信息熵压缩等理论出发，详细拆解了项目的.codebuddy 配置——四层架构（Commands/Skills/Rules/Hooks）、Hooks 反馈控制实现、Rules 分级、Skills 领域封装、原子化提交工作流。第三部分给出模型选型与配额策略（Claude/DeepSeek/GLM/Hy3）。第四部分深入 Token 经济学，介绍 KV Cache 原理，展示通过 Rules 精简、disable-model-invocation 等手法使基础开销降低 36%。第五部分提供实战 Prompt 模板、对话管理策略与 7 条黄金法则。全文基于真实工程实践，信息密度高，可迁移性强。
- Harness 是模型外的代码层，决定 AI 能力的上限而非模型本身。
LangChain 实验显示仅换 Harness 可将 TerminalBench 通过率从 52.8%提至 66.5%，证明许多 AI 编程瓶颈出在架构而非模型权重。
- Harness 本质是控制论的双环控制：前馈（Rules）预先注入约束，反馈（Hooks）在行动前后自动拦截与纠偏。
Rules 对应开环控制，在 AI 推理前注入；Hooks 对应闭环控制，在工具调用时检测、阻止或提示。两者结合构成 AI 的‘刹车系统’。
- Token 成本优化核心是‘只让每次对话必须遵守的规则 alwaysApply’，辅以 KV Cache 复用和场景化 Skill 负载。
通过消除重复注入、将低频规则改为按需加载、对流程型 Skill 设 disable-model-invocation，项目基础开销从 23.5K 降至 15K tokens，降幅 36%。
- Reflexion（失败反思记忆）的工程化版本是用人工提炼的‘编码红线’替代 AI 自动反思，写入 Rules 并由 Hooks 强制执行。
项目从真实 Bug 中提炼 8 条编码红线（如方案切换清理、通用控件保护），写入 ai-coding-defense.md，同时 commit-quality.sh 在提交时自动扫描拦截违规。
- 原子化提交工作流（每步=最小可独立验证单元）避免大 PR 噩梦，配合三种 review 模式应对不同风险。
每步修改后立即 lint+type-check+commit，支持自行 review（A）、用户 review（B）、传统模式（C），确保每步干净可追溯。
从 Harness 架构到 Token 经济学的探索
文章以 LangChain 实验数据引出 Harness 的概念：模型外的代码层决定 AI 的表现上限。作者从控制论（反馈与前馈）、ReAct 循环、Reflexion 记忆、蒙特卡洛树搜索、信息熵压缩等理论出发，详细拆解了项目的.codebuddy 配置——四层架构（Commands/Skills/Rules/Hooks）、Hooks 反馈控制实现、Rules 分级、Skills 领域封装、原子化提交工作流。第三部分给出模型选型与配额策略（Claude/DeepSeek/GLM/Hy3）。第四部分深入 Token 经济学，介绍 KV Cache 原理，展示通过 Rules 精简、disable-model-invocation 等手法使基础开销降低 36%。第五部分提供实战 Prompt 模板、对话管理策略与 7 条黄金法则。全文基于真实工程实践，信息密度高，可迁移性强。
这篇腾讯云开发者的长文把「Harness 工程」讲透了：模型之外的代码层，才决定 AI 编程的上限。作者从控制论讲到真实的 .codebuddy 四层配置（Commands、Skills、Rules、Hooks），再到 Token 经济学，用精简 Rules 和 KV Cache 复用把基础开销降低 36%，最后给出 7 条实战黄金法则。信息密度高、可直接迁移，适合想把 AI 编程工程化的团队细读。
文章金句
"很多时候卡住你的，不是模型，是模型外面那层「壳」。
"没有 Harness 的 ReAct 就像没有刹车的车——它能跑，但不知道什么时候该停。
"模型包含智能，而 Harness 是让智能变得有用的系统。
"Rules 不是「建议」，是「工具会拦」。