这篇文章第一次提到"harness engineering."的概念
My AI Adoption Journey – Mitchell Hashimoto
作者原文原话：
I don't know if there is a broad industry-accepted term for this yet, but I've grown to calling this "harness engineering."
翻译：我不知道行业有没有公认叫法，我自己把这套思路命名为Harness Engineering
1、放弃网页聊天
不要用 GPT、网页 Gemini 这类对话框做核心编码工作：
来回复制粘贴、反复纠正幻觉，效率极低；
真正能提效的是具备读写文件、执行命令、发起网络请求能力的 Agent 智能体
2、复刻自己的手工工作
强制自己同一份工作做两遍：一遍手动完成，一遍交给 Agent 复刻，不告诉 Agent 自己的方案。
目的：摸清 Agent 擅长 / 不擅长的边界、学会拆分任务、给 Agent 加自检逻辑，同时学会判断什么时候不该用 AI，避免浪费时间。
3、下班时段批量跑 Agent
每天下班前 30 分钟启动多个 Agent 异步执行耗时、低脑力任务：
行业深度调研、开源库对比整理；
并行探索模糊创意，次日获得思路启发；
GitHub 工单 / PR 批量预审，生成报告，人类次日快速筛选高价值任务。
利用非工作时间让 AI 完成前置准备，第二天上手直接 “热启动”。
4、外包高确定性简单任务
梳理出 Agent 几乎能零差错完成的标准化工作，后台异步交给 Agent 处理
人类同步专注核心设计、复杂逻辑开发
关闭 AI 通知，避免频繁上下文切换损耗效率。
同时客观指出代价：长期外包会弱化人类对应任务的编码能力，需要平衡。
https://www.anthropic.com/research/AI-assistance-coding-skills
5、Harness Engineering 约束工程 - 全文核心创新点
提出区别于 “提示词工程” 的全新范式：
每当 Agent 出现错误，就搭建一套自动化校验体系杜绝同类问题重复出错：
编写
AGENTS.md全局规则文档，约束 Agent 命令、API 调用规范；配套自动化脚本、测试工具、截图工具，让 Agent 能自我验证产出对错；
核心思想：不靠玄学 prompt，靠工程化环境约束 AI 稳定输出。
6、保持后台常驻 Agent
目标：
工作时段始终有一个 Agent 在后台执行任务，优先选用深度思考型慢模型（产出质量更高）；
作者目前仅实现 10%-20% 工作时间常驻，仍在持续优化任务供给。
文末总结
作者现在已经无法回到纯手工编码模式，但核心思路是：
人类负责思考、设计、决策；Agent 负责重复、调研、标准化执行