最近很多开发者发现在 GitHub 上搜索“DeepSeek”时除了官方仓库一个名为“Deepseek Harness 团队”的公众号开始频繁出现。这引发了不少疑问这个团队是官方的吗Harness 到底是什么它和最近大火的代码智能体Code Agent有什么关系更重要的是作为一个开发者我需要关注它吗我的判断是“Deepseek Harness”很可能不是一个官方团队但它所代表的“Harness”工程理念正在成为连接大模型如 DeepSeek与真实软件开发工作流的关键桥梁。它不是一个具体的工具而是一套方法论和工具链旨在解决当前 AI 编程助手如 GitHub Copilot、Cursor、Codeium在复杂、长期任务中“失忆”、“跑偏”和“不可控”的核心痛点。如果你已经厌倦了反复向 Copilot 解释上下文或者对 AI 生成的代码缺乏信任感那么理解“Harness 工程”将帮助你从“被动接受代码补全”升级到“主动驾驭 AI 协作”。本文将为你拆解 Harness 的核心概念并通过实战演示如何利用现有工具如 Claude Code、Cursor初步实践这一理念真正提升你的 AI 辅助编程效率。1. 这篇文章真正要解决的问题为什么一个看似非官方的“Harness 团队”会引起关注背后是开发者们对现有 AI 编程体验的深层不满。当前的 AI 编码助手在单文件、短上下文的任务中表现出色但一旦涉及多文件重构、长期功能开发或复杂系统设计问题就暴露无遗上下文丢失失忆AI 无法记住几分钟前的对话细节和已做出的架构决策。目标偏离跑偏在多轮交互后AI 容易忘记最初的目标生成无关代码。缺乏状态管理AI 不知道当前任务进行到哪一步下一步该做什么。结果不可复现同样的指令在不同时间或不同会话中可能产生完全不同的代码。“Harness”中文可理解为“驾驭”或“控制套件”正是为了解决这些问题而生。它不是一个单一的软件而是一种工程范式通过一套结构化的提示词Prompt、任务分解逻辑、上下文管理工具和验证机制将大型语言模型LLM稳定、可控地集成到开发流程中。简单说Harness 让你从“向 AI 提问”变成“为 AI 设计工作流”。本文的目的就是帮你理解这套范式并给出可落地的实践起点。2. 基础概念与核心原理在深入之前我们需要厘清几个关键概念避免混淆。2.1 代码智能体 (Code Agent) vs. 代码补全 (Code Completion)这是两个不同层级的能力。代码补全基于当前文件和光标前后几行代码预测并建议下一行或几行代码。例如 GitHub Copilot 的行内补全。它的特点是被动、即时、上下文极短。代码智能体是一个具备一定自主性的 AI 程序。它接收一个高级别任务如“为这个 Spring Boot 项目添加用户认证模块”然后能够自主地分析现有代码库、规划步骤、编辑多个文件、运行命令、检查错误并循环此过程直至任务完成。它的特点是主动、长期、上下文复杂。Harness 工程主要服务于代码智能体的构建与控制。2.2 Harness 是什么你可以把 Harness 想象成给一匹强大的赛马LLM套上的缰绳、鞍具和导航系统。没有 Harness马可能力大无穷但方向随机有了 Harness骑手开发者才能指引它完成特定的比赛路线开发任务。从技术角度看一个典型的 Harness 包含以下核心组件任务规划器 (Task Planner)将模糊的用户需求“做个登录功能”分解为具体的、可执行的子任务序列“1. 创建 User 实体类2. 创建 AuthController3. 实现 JWT 工具类...”。上下文管理器 (Context Manager)智能地决定在每一步中需要将哪些文件、目录结构、之前的对话历史、系统指令喂给 LLM。解决“失忆”问题。工具执行器 (Tool Executor)赋予 AI 执行命令的能力如git status,npm install,pytest并根据命令输出决定下一步行动。状态跟踪器 (State Tracker)记录当前任务的进度、已做出的决策、遇到的错误确保 AI 不会“跑偏”。验证与回滚机制 (Verification Rollback)在 AI 修改代码后自动运行测试、检查语法如果失败则尝试修复或回滚到上一步。2.3 DeepSeek 与 Harness 的关系DeepSeek 是一个强大的开源 LLM。Harness 是一种使用 LLM 的方法论。因此“DeepSeek Harness”可以理解为“基于 DeepSeek 模型构建的代码智能体控制框架”。网络热词中出现的codex接入deepseek、claude code接入deepseek其本质就是利用 Claude Code一个优秀的 AI 编程环境或 Codex 作为前端交互界面背后调用 DeepSeek 的 API并尝试应用 Harness 工程思想来管理整个编码过程。3. 环境准备与前置条件我们不需要等待某个官方的“DeepSeek Harness”工具现在就可以利用成熟的环境来体验 Harness 的核心思想。这里我们选择Claude Code或Cursor作为我们的实验环境因为它们天然支持与 LLM 的深度交互和文件操作。基础环境操作系统macOS, Linux, 或 Windows (WSL2 推荐)。IDE/编辑器安装 Claude Code 或 Cursor 。两者都是基于 VS Code但深度集成了 AI 功能。Python 环境可选用于后续示例Python 3.8建议使用conda或venv创建虚拟环境。DeepSeek API 密钥访问 DeepSeek 平台 注册并获取 API Key。这是调用 DeepSeek 模型所必需的。Claude Code 中配置 DeepSeek打开 Claude Code。进入设置Settings。搜索 “Claude Code: Custom LLM”。点击 “Add Configuration”选择 “OpenAI-Compatible” 类型。填写配置信息Name:DeepSeekBase URL:https://api.deepseek.comAPI Key: 填入你获取的 DeepSeek API KeyModel:deepseek-chat(或最新的模型名如deepseek-v3)配置完成后你就可以在 Claude Code 的聊天框中选择DeepSeek作为你的 AI 模型提供商。4. 核心流程拆解手动实践一个微型 Harness我们通过一个具体的开发任务来拆解 Harness 的每一步。假设我们要为一个简单的 Python Flask 项目添加一个“待办事项Todo”API。传统 AI 对话方式你会说“帮我在这个 Flask 项目里加一个 Todo 的 REST API。” AI 可能会生成一大段代码但你需要手动创建文件、粘贴代码、检查导入、修复错误整个过程是线性的、易中断的。Harness 引导方式我们将任务结构化分步引导 AI 完成。4.1 第一步项目分析与规划任务规划器首先我们给 AI 一个结构化的“开场白”设定角色、目标和约束。在 Claude Code 中对 DeepSeek 说角色你是一个经验丰富的 Python 后端工程师擅长 Flask 和 RESTful API 设计。 任务为我现有的 Flask 项目添加一个完整的 Todo待办事项管理 REST API。 项目现状项目根目录下有一个 app.py 主文件使用 SQLite 数据库基本的 Flask 应用结构已搭建。 请遵循以下 Harness 流程 1. 首先分析现有项目结构告诉我你看到了什么并确认你的理解。 2. 然后提出你的实现方案包括需要创建/修改哪些文件每个文件的职责。 3. 得到我的确认后再开始逐个文件进行编写或修改。 现在请开始第一步分析项目。你可以使用 ls 和 cat 命令如果你有权限或让我为你提供文件内容。这个提示词就包含了 Harness 的雏形角色定义、任务描述、状态约束先分析再规划最后执行和工具使用意向。4.2 第二步结构化交互与上下文管理AI 会回应并可能要求查看文件。这时你不要一次性把所有代码丢给它。而是根据它的请求提供最小必要上下文。例如AI 说“请提供app.py的内容。” 你只粘贴这个文件。如果它问数据库模型你再提供相关的模型文件。这模拟了上下文管理器的功能——按需加载避免 token 浪费和注意力分散。在每一步 AI 生成代码后你都要求它解释关键部分并询问“是否需要运行pip install安装新依赖”或“接下来是否要创建models/todo.py文件”。这模拟了状态跟踪和工具执行的协商过程。4.3 第三步验证与迭代当所有文件生成完毕后不要直接运行。而是让 AI 自己检查。对 AI 说所有文件已就绪。请执行以下操作 1. 检查 requirements.txt确保包含了所有必要的依赖如 flask-sqlalchemy。 2. 模拟一个终端执行 pip install -r requirements.txt假设虚拟环境已激活。 3. 检查所有 Python 文件的语法是否正确。 4. 为我生成一个简单的测试用例使用 curl 命令用来测试创建 Todo 和获取 Todo 列表的 API 端点。这个过程引入了验证机制。AI 会检查依赖、语法并生成测试方法。你可以直接运行它提供的curl命令来验证结果。5. 完整示例从零搭建一个受控的 AI 开发会话让我们用一个更具体的例子将上述流程固化下来。我们创建一个新的 Flask 项目并全程用“Harness式提示词”引导 AI。5.1 项目初始化在你的工作区手动创建一个最小化项目结构mkdir flask_todo_harness_demo cd flask_todo_harness_demo touch app.py requirements.txt编辑app.py放入最基础的代码# app.py from flask import Flask from flask_sqlalchemy import SQLAlchemy app Flask(__name__) app.config[SQLALCHEMY_DATABASE_URI] sqlite:///todos.db app.config[SQLALCHEMY_TRACK_MODIFICATIONS] False db SQLAlchemy(app) app.route(/) def hello(): return Hello, Flask! if __name__ __main__: app.run(debugTrue)编辑requirements.txtFlask2.3.3 Flask-SQLAlchemy3.0.55.2 Harness 提示词模板在 Claude Code 中新建一个笔记文件harness_prompt_template.md内容如下。这是一个可复用的模板# Harness 提示词功能开发 ## 核心指令 你是一个遵循严格工程流程的 AI 编码助手。我们将以迭代、可控的方式完成以下任务。 **任务目标**在此填写任务例如为当前 Flask 项目添加 Todo REST API ## 流程规则 你必须按顺序执行以下阶段在每个阶段结束时等待我的确认然后再进入下一阶段。 ### 阶段 1分析与规划 1. 分析当前项目结构可请求查看特定文件。 2. 基于任务目标提出详细的技术方案包括 * 数据模型设计SQLAlchemy Model * API 端点设计URL HTTP 方法 请求/响应体 * 需要创建的新文件清单 * 需要修改的现有文件清单 3. 输出阶段报告并询问“阶段1完成。方案是否可行请确认或提出修改意见。” ### 阶段 2增量实现 我们将逐个实现方案中的组件。每次只聚焦一个文件。 1. 首先实现数据模型。在创建或修改 models.py 或类似文件前先展示代码内容供我审查。 2. 获得批准后再指导我创建文件或修改现有文件。 3. 一个文件完成后进行下一步如创建路由、服务层等。重复步骤1-2。 ### 阶段 3集成与验证 1. 所有文件就绪后检查 requirements.txt 的完整性。 2. 生成数据库迁移命令如使用 flask db或初始化脚本。 3. 生成至少两个 curl 命令用于测试核心 API如 POST 创建和 GET 列表。 4. 输出阶段报告“阶段3完成。请运行建议的命令进行测试。” ## 初始上下文 项目根目录文件列表 - app.py (主应用文件) - requirements.txt (依赖文件) 现在请开始阶段1。5.3 应用模板进行开发将模板中的任务目标替换为“为当前 Flask 项目添加 Todo REST API包含基本的增删改查CRUD功能”。将整个模板内容发送给 Claude Code 中已配置好的 DeepSeek。严格遵循模板的流程与 AI 交互。当 AI 等待确认时认真审查其输出然后回复“确认进入下一阶段”或“需要调整请修改...”。通过这个模板你不再是漫无目的地聊天而是在运行一个预定义的工作流。这就是 Harness 的核心价值。6. 运行结果与效果验证按照上述 Harness 流程走完后你的项目应该新增了类似以下文件models.py(包含Todo模型)routes/todo_routes.py(或直接在app.py中新增路由)更新后的app.py(注册了蓝图或路由)最终AI 会给你类似这样的验证命令# 安装依赖 pip install -r requirements.txt # 初始化数据库假设使用 Flask-Migrate或直接创建 # 如果 AI 使用了 Flask-Migrate flask db init flask db migrate -m Add todo table flask db upgrade # 启动应用 python app.py # 或者 flask run # 测试 API - 创建 Todo curl -X POST http://127.0.0.1:5000/api/todos \ -H Content-Type: application/json \ -d {title: Learn Harness Engineering, completed: false} # 测试 API - 获取所有 Todo curl http://127.0.0.1:5000/api/todos运行这些命令如果看到正确的 JSON 响应如创建成功返回{“id“: 1, ...}获取列表返回数组则证明整个由 AI 在 Harness 引导下完成的功能是基本可用的。7. 常见问题与排查思路在实践 Harness 方法时你可能会遇到以下问题问题现象可能原因排查方式解决方案AI 不遵循阶段流程一次性输出所有代码提示词约束力不够或 AI 模型本身“规划”能力较弱。检查提示词是否清晰强调了“分阶段”和“等待确认”。在阶段开始时重申规则。1. 强化提示词使用“必须”、“严禁”等词。2. 在 AI 违规时立即打断并纠正“请停止。你跳过了规划阶段。请先执行阶段1。”AI 生成的代码引入不存在的库或语法错误AI 的“幻觉”问题或对项目现有依赖理解有误。1. 在阶段2审查代码时仔细检查import语句。2. 让 AI 解释关键代码段。1. 要求 AI 在修改requirements.txt前先核对现有依赖。2. 对于复杂逻辑要求 AI 先写伪代码或注释确认后再实现。上下文过长AI 忘记之前做出的设计决策对话轮次太多超出了模型的上下文窗口。注意对话的 token 消耗。当开始新阶段时主动总结之前的关键决策。1. 使用 Harness 的“状态跟踪”思想定期让 AI 自己总结当前进度和设计。2. 将已确定的方案如 API 设计以文本形式保存在聊天中供后续引用。AI 建议的命令如flask db执行失败项目实际环境与 AI 假设不符如未安装flask-migrate。不要盲目运行 AI 给的命令。先理解命令的目的检查本地环境。1. 在阶段1就明确项目技术栈和工具链。2. 命令执行前先询问 AI“运行这个命令需要什么前置条件”多文件编辑时AI 搞混了文件路径或内容AI 在复杂编辑中“迷失”了。每次只处理一个文件并在修改前让 AI 输出该文件的完整新内容而不是片段。严格遵守“增量实现”。一个文件完全确定并创建/修改后再进入下一个。使用版本控制git随时可以回退。8. 最佳实践与工程建议将 Harness 思想应用到日常开发可以遵循以下最佳实践提示词工程化不要每次重写。像我们上面那样为不同类型的任务如“添加新功能”、“修复Bug”、“重构代码”创建可复用的提示词模板并保存在笔记中。上下文精简始终贯彻“最小必要上下文”原则。不要一股脑把整个项目扔给 AI。只提供与当前子任务相关的文件。这能提高准确性并节省 token。人始终在环Harness 的目标不是全自动而是增强控制。在每个关键决策点技术方案、API设计、库选择和每个文件生成后都必须进行人工审查和确认。利用版本控制在开始一个由 AI 协助的重大更改前先git commit当前状态。每完成一个清晰的子任务如“成功添加了 Model 层”就做一次提交。这样如果 AI 后续跑偏你可以轻松地git reset到上一个稳定点。定义清晰的边界明确告诉 AI 哪些不能做。例如“不允许使用任何外部缓存服务如 Redis”“必须保持与现有代码一致的代码风格PEP 8”“数据库操作必须使用项目现有的 Repository 模式”。结合专业工具探索更专业的 AI 编程工具。Cursor的工作区功能、Claude Code的项目分析能力都在向 Harness 范式靠拢。了解并善用这些内置功能比从头开始设计提示词更高效。9. 总结与后续学习方向“Deepseek Harness 团队”这个现象反映的是社区对下一代 AI 编程范式的迫切探索。Harness 不是某个神秘工具而是一种强调可控性、可预测性和工程化的 AI 使用理念。通过本文的实践你已经掌握了 Harness 的核心通过结构化的提示词和交互流程将开放的、发散的大模型对话约束到具体的、可管理的软件开发任务上。你不再是与一个“黑盒”对话而是在运行一个你设计的“程序”这个程序的执行引擎是 AI。要深入下去你可以从以下几个方向继续探索研究成熟的 Agent 框架了解LangChain、AutoGen、CrewAI等框架它们提供了构建复杂 Agent智能体的标准化工具其中就包含了任务规划、工具调用等 Harness 核心组件。思考如何将它们与 DeepSeek 等模型结合。深入提示词工程学习更高级的提示词技巧如 Chain-of-Thought、ReAct 范式等这些都能让你的 Harness 提示词更强大。关注工具生态密切关注Claude Code、Cursor、Windmill、Mentat等工具的发展。它们正在快速集成 Agent 和 Harness 能力未来可能会提供更开箱即用的体验。参与社区讨论在 GitHub、Reddit 的相关板块关注codex接入deepseek、harness engineering等话题的讨论了解其他人的实践和踩坑经验。记住最好的 Harness 是你为自己工作流量身定制的那一套。开始创建你的提示词模板定义你的开发阶段并在下一个项目中实践它。从今天起做一个驾驭 AI 的开发者而不是被 AI 代码片段牵着走的用户。 Harness工程：驾驭AI代码智能体的结构化开发范式
最近很多开发者发现在 GitHub 上搜索“DeepSeek”时除了官方仓库一个名为“Deepseek Harness 团队”的公众号开始频繁出现。这引发了不少疑问这个团队是官方的吗Harness 到底是什么它和最近大火的代码智能体Code Agent有什么关系更重要的是作为一个开发者我需要关注它吗我的判断是“Deepseek Harness”很可能不是一个官方团队但它所代表的“Harness”工程理念正在成为连接大模型如 DeepSeek与真实软件开发工作流的关键桥梁。它不是一个具体的工具而是一套方法论和工具链旨在解决当前 AI 编程助手如 GitHub Copilot、Cursor、Codeium在复杂、长期任务中“失忆”、“跑偏”和“不可控”的核心痛点。如果你已经厌倦了反复向 Copilot 解释上下文或者对 AI 生成的代码缺乏信任感那么理解“Harness 工程”将帮助你从“被动接受代码补全”升级到“主动驾驭 AI 协作”。本文将为你拆解 Harness 的核心概念并通过实战演示如何利用现有工具如 Claude Code、Cursor初步实践这一理念真正提升你的 AI 辅助编程效率。1. 这篇文章真正要解决的问题为什么一个看似非官方的“Harness 团队”会引起关注背后是开发者们对现有 AI 编程体验的深层不满。当前的 AI 编码助手在单文件、短上下文的任务中表现出色但一旦涉及多文件重构、长期功能开发或复杂系统设计问题就暴露无遗上下文丢失失忆AI 无法记住几分钟前的对话细节和已做出的架构决策。目标偏离跑偏在多轮交互后AI 容易忘记最初的目标生成无关代码。缺乏状态管理AI 不知道当前任务进行到哪一步下一步该做什么。结果不可复现同样的指令在不同时间或不同会话中可能产生完全不同的代码。“Harness”中文可理解为“驾驭”或“控制套件”正是为了解决这些问题而生。它不是一个单一的软件而是一种工程范式通过一套结构化的提示词Prompt、任务分解逻辑、上下文管理工具和验证机制将大型语言模型LLM稳定、可控地集成到开发流程中。简单说Harness 让你从“向 AI 提问”变成“为 AI 设计工作流”。本文的目的就是帮你理解这套范式并给出可落地的实践起点。2. 基础概念与核心原理在深入之前我们需要厘清几个关键概念避免混淆。2.1 代码智能体 (Code Agent) vs. 代码补全 (Code Completion)这是两个不同层级的能力。代码补全基于当前文件和光标前后几行代码预测并建议下一行或几行代码。例如 GitHub Copilot 的行内补全。它的特点是被动、即时、上下文极短。代码智能体是一个具备一定自主性的 AI 程序。它接收一个高级别任务如“为这个 Spring Boot 项目添加用户认证模块”然后能够自主地分析现有代码库、规划步骤、编辑多个文件、运行命令、检查错误并循环此过程直至任务完成。它的特点是主动、长期、上下文复杂。Harness 工程主要服务于代码智能体的构建与控制。2.2 Harness 是什么你可以把 Harness 想象成给一匹强大的赛马LLM套上的缰绳、鞍具和导航系统。没有 Harness马可能力大无穷但方向随机有了 Harness骑手开发者才能指引它完成特定的比赛路线开发任务。从技术角度看一个典型的 Harness 包含以下核心组件任务规划器 (Task Planner)将模糊的用户需求“做个登录功能”分解为具体的、可执行的子任务序列“1. 创建 User 实体类2. 创建 AuthController3. 实现 JWT 工具类...”。上下文管理器 (Context Manager)智能地决定在每一步中需要将哪些文件、目录结构、之前的对话历史、系统指令喂给 LLM。解决“失忆”问题。工具执行器 (Tool Executor)赋予 AI 执行命令的能力如git status,npm install,pytest并根据命令输出决定下一步行动。状态跟踪器 (State Tracker)记录当前任务的进度、已做出的决策、遇到的错误确保 AI 不会“跑偏”。验证与回滚机制 (Verification Rollback)在 AI 修改代码后自动运行测试、检查语法如果失败则尝试修复或回滚到上一步。2.3 DeepSeek 与 Harness 的关系DeepSeek 是一个强大的开源 LLM。Harness 是一种使用 LLM 的方法论。因此“DeepSeek Harness”可以理解为“基于 DeepSeek 模型构建的代码智能体控制框架”。网络热词中出现的codex接入deepseek、claude code接入deepseek其本质就是利用 Claude Code一个优秀的 AI 编程环境或 Codex 作为前端交互界面背后调用 DeepSeek 的 API并尝试应用 Harness 工程思想来管理整个编码过程。3. 环境准备与前置条件我们不需要等待某个官方的“DeepSeek Harness”工具现在就可以利用成熟的环境来体验 Harness 的核心思想。这里我们选择Claude Code或Cursor作为我们的实验环境因为它们天然支持与 LLM 的深度交互和文件操作。基础环境操作系统macOS, Linux, 或 Windows (WSL2 推荐)。IDE/编辑器安装 Claude Code 或 Cursor 。两者都是基于 VS Code但深度集成了 AI 功能。Python 环境可选用于后续示例Python 3.8建议使用conda或venv创建虚拟环境。DeepSeek API 密钥访问 DeepSeek 平台 注册并获取 API Key。这是调用 DeepSeek 模型所必需的。Claude Code 中配置 DeepSeek打开 Claude Code。进入设置Settings。搜索 “Claude Code: Custom LLM”。点击 “Add Configuration”选择 “OpenAI-Compatible” 类型。填写配置信息Name:DeepSeekBase URL:https://api.deepseek.comAPI Key: 填入你获取的 DeepSeek API KeyModel:deepseek-chat(或最新的模型名如deepseek-v3)配置完成后你就可以在 Claude Code 的聊天框中选择DeepSeek作为你的 AI 模型提供商。4. 核心流程拆解手动实践一个微型 Harness我们通过一个具体的开发任务来拆解 Harness 的每一步。假设我们要为一个简单的 Python Flask 项目添加一个“待办事项Todo”API。传统 AI 对话方式你会说“帮我在这个 Flask 项目里加一个 Todo 的 REST API。” AI 可能会生成一大段代码但你需要手动创建文件、粘贴代码、检查导入、修复错误整个过程是线性的、易中断的。Harness 引导方式我们将任务结构化分步引导 AI 完成。4.1 第一步项目分析与规划任务规划器首先我们给 AI 一个结构化的“开场白”设定角色、目标和约束。在 Claude Code 中对 DeepSeek 说角色你是一个经验丰富的 Python 后端工程师擅长 Flask 和 RESTful API 设计。 任务为我现有的 Flask 项目添加一个完整的 Todo待办事项管理 REST API。 项目现状项目根目录下有一个 app.py 主文件使用 SQLite 数据库基本的 Flask 应用结构已搭建。 请遵循以下 Harness 流程 1. 首先分析现有项目结构告诉我你看到了什么并确认你的理解。 2. 然后提出你的实现方案包括需要创建/修改哪些文件每个文件的职责。 3. 得到我的确认后再开始逐个文件进行编写或修改。 现在请开始第一步分析项目。你可以使用 ls 和 cat 命令如果你有权限或让我为你提供文件内容。这个提示词就包含了 Harness 的雏形角色定义、任务描述、状态约束先分析再规划最后执行和工具使用意向。4.2 第二步结构化交互与上下文管理AI 会回应并可能要求查看文件。这时你不要一次性把所有代码丢给它。而是根据它的请求提供最小必要上下文。例如AI 说“请提供app.py的内容。” 你只粘贴这个文件。如果它问数据库模型你再提供相关的模型文件。这模拟了上下文管理器的功能——按需加载避免 token 浪费和注意力分散。在每一步 AI 生成代码后你都要求它解释关键部分并询问“是否需要运行pip install安装新依赖”或“接下来是否要创建models/todo.py文件”。这模拟了状态跟踪和工具执行的协商过程。4.3 第三步验证与迭代当所有文件生成完毕后不要直接运行。而是让 AI 自己检查。对 AI 说所有文件已就绪。请执行以下操作 1. 检查 requirements.txt确保包含了所有必要的依赖如 flask-sqlalchemy。 2. 模拟一个终端执行 pip install -r requirements.txt假设虚拟环境已激活。 3. 检查所有 Python 文件的语法是否正确。 4. 为我生成一个简单的测试用例使用 curl 命令用来测试创建 Todo 和获取 Todo 列表的 API 端点。这个过程引入了验证机制。AI 会检查依赖、语法并生成测试方法。你可以直接运行它提供的curl命令来验证结果。5. 完整示例从零搭建一个受控的 AI 开发会话让我们用一个更具体的例子将上述流程固化下来。我们创建一个新的 Flask 项目并全程用“Harness式提示词”引导 AI。5.1 项目初始化在你的工作区手动创建一个最小化项目结构mkdir flask_todo_harness_demo cd flask_todo_harness_demo touch app.py requirements.txt编辑app.py放入最基础的代码# app.py from flask import Flask from flask_sqlalchemy import SQLAlchemy app Flask(__name__) app.config[SQLALCHEMY_DATABASE_URI] sqlite:///todos.db app.config[SQLALCHEMY_TRACK_MODIFICATIONS] False db SQLAlchemy(app) app.route(/) def hello(): return Hello, Flask! if __name__ __main__: app.run(debugTrue)编辑requirements.txtFlask2.3.3 Flask-SQLAlchemy3.0.55.2 Harness 提示词模板在 Claude Code 中新建一个笔记文件harness_prompt_template.md内容如下。这是一个可复用的模板# Harness 提示词功能开发 ## 核心指令 你是一个遵循严格工程流程的 AI 编码助手。我们将以迭代、可控的方式完成以下任务。 **任务目标**在此填写任务例如为当前 Flask 项目添加 Todo REST API ## 流程规则 你必须按顺序执行以下阶段在每个阶段结束时等待我的确认然后再进入下一阶段。 ### 阶段 1分析与规划 1. 分析当前项目结构可请求查看特定文件。 2. 基于任务目标提出详细的技术方案包括 * 数据模型设计SQLAlchemy Model * API 端点设计URL HTTP 方法 请求/响应体 * 需要创建的新文件清单 * 需要修改的现有文件清单 3. 输出阶段报告并询问“阶段1完成。方案是否可行请确认或提出修改意见。” ### 阶段 2增量实现 我们将逐个实现方案中的组件。每次只聚焦一个文件。 1. 首先实现数据模型。在创建或修改 models.py 或类似文件前先展示代码内容供我审查。 2. 获得批准后再指导我创建文件或修改现有文件。 3. 一个文件完成后进行下一步如创建路由、服务层等。重复步骤1-2。 ### 阶段 3集成与验证 1. 所有文件就绪后检查 requirements.txt 的完整性。 2. 生成数据库迁移命令如使用 flask db或初始化脚本。 3. 生成至少两个 curl 命令用于测试核心 API如 POST 创建和 GET 列表。 4. 输出阶段报告“阶段3完成。请运行建议的命令进行测试。” ## 初始上下文 项目根目录文件列表 - app.py (主应用文件) - requirements.txt (依赖文件) 现在请开始阶段1。5.3 应用模板进行开发将模板中的任务目标替换为“为当前 Flask 项目添加 Todo REST API包含基本的增删改查CRUD功能”。将整个模板内容发送给 Claude Code 中已配置好的 DeepSeek。严格遵循模板的流程与 AI 交互。当 AI 等待确认时认真审查其输出然后回复“确认进入下一阶段”或“需要调整请修改...”。通过这个模板你不再是漫无目的地聊天而是在运行一个预定义的工作流。这就是 Harness 的核心价值。6. 运行结果与效果验证按照上述 Harness 流程走完后你的项目应该新增了类似以下文件models.py(包含Todo模型)routes/todo_routes.py(或直接在app.py中新增路由)更新后的app.py(注册了蓝图或路由)最终AI 会给你类似这样的验证命令# 安装依赖 pip install -r requirements.txt # 初始化数据库假设使用 Flask-Migrate或直接创建 # 如果 AI 使用了 Flask-Migrate flask db init flask db migrate -m Add todo table flask db upgrade # 启动应用 python app.py # 或者 flask run # 测试 API - 创建 Todo curl -X POST http://127.0.0.1:5000/api/todos \ -H Content-Type: application/json \ -d {title: Learn Harness Engineering, completed: false} # 测试 API - 获取所有 Todo curl http://127.0.0.1:5000/api/todos运行这些命令如果看到正确的 JSON 响应如创建成功返回{“id“: 1, ...}获取列表返回数组则证明整个由 AI 在 Harness 引导下完成的功能是基本可用的。7. 常见问题与排查思路在实践 Harness 方法时你可能会遇到以下问题问题现象可能原因排查方式解决方案AI 不遵循阶段流程一次性输出所有代码提示词约束力不够或 AI 模型本身“规划”能力较弱。检查提示词是否清晰强调了“分阶段”和“等待确认”。在阶段开始时重申规则。1. 强化提示词使用“必须”、“严禁”等词。2. 在 AI 违规时立即打断并纠正“请停止。你跳过了规划阶段。请先执行阶段1。”AI 生成的代码引入不存在的库或语法错误AI 的“幻觉”问题或对项目现有依赖理解有误。1. 在阶段2审查代码时仔细检查import语句。2. 让 AI 解释关键代码段。1. 要求 AI 在修改requirements.txt前先核对现有依赖。2. 对于复杂逻辑要求 AI 先写伪代码或注释确认后再实现。上下文过长AI 忘记之前做出的设计决策对话轮次太多超出了模型的上下文窗口。注意对话的 token 消耗。当开始新阶段时主动总结之前的关键决策。1. 使用 Harness 的“状态跟踪”思想定期让 AI 自己总结当前进度和设计。2. 将已确定的方案如 API 设计以文本形式保存在聊天中供后续引用。AI 建议的命令如flask db执行失败项目实际环境与 AI 假设不符如未安装flask-migrate。不要盲目运行 AI 给的命令。先理解命令的目的检查本地环境。1. 在阶段1就明确项目技术栈和工具链。2. 命令执行前先询问 AI“运行这个命令需要什么前置条件”多文件编辑时AI 搞混了文件路径或内容AI 在复杂编辑中“迷失”了。每次只处理一个文件并在修改前让 AI 输出该文件的完整新内容而不是片段。严格遵守“增量实现”。一个文件完全确定并创建/修改后再进入下一个。使用版本控制git随时可以回退。8. 最佳实践与工程建议将 Harness 思想应用到日常开发可以遵循以下最佳实践提示词工程化不要每次重写。像我们上面那样为不同类型的任务如“添加新功能”、“修复Bug”、“重构代码”创建可复用的提示词模板并保存在笔记中。上下文精简始终贯彻“最小必要上下文”原则。不要一股脑把整个项目扔给 AI。只提供与当前子任务相关的文件。这能提高准确性并节省 token。人始终在环Harness 的目标不是全自动而是增强控制。在每个关键决策点技术方案、API设计、库选择和每个文件生成后都必须进行人工审查和确认。利用版本控制在开始一个由 AI 协助的重大更改前先git commit当前状态。每完成一个清晰的子任务如“成功添加了 Model 层”就做一次提交。这样如果 AI 后续跑偏你可以轻松地git reset到上一个稳定点。定义清晰的边界明确告诉 AI 哪些不能做。例如“不允许使用任何外部缓存服务如 Redis”“必须保持与现有代码一致的代码风格PEP 8”“数据库操作必须使用项目现有的 Repository 模式”。结合专业工具探索更专业的 AI 编程工具。Cursor的工作区功能、Claude Code的项目分析能力都在向 Harness 范式靠拢。了解并善用这些内置功能比从头开始设计提示词更高效。9. 总结与后续学习方向“Deepseek Harness 团队”这个现象反映的是社区对下一代 AI 编程范式的迫切探索。Harness 不是某个神秘工具而是一种强调可控性、可预测性和工程化的 AI 使用理念。通过本文的实践你已经掌握了 Harness 的核心通过结构化的提示词和交互流程将开放的、发散的大模型对话约束到具体的、可管理的软件开发任务上。你不再是与一个“黑盒”对话而是在运行一个你设计的“程序”这个程序的执行引擎是 AI。要深入下去你可以从以下几个方向继续探索研究成熟的 Agent 框架了解LangChain、AutoGen、CrewAI等框架它们提供了构建复杂 Agent智能体的标准化工具其中就包含了任务规划、工具调用等 Harness 核心组件。思考如何将它们与 DeepSeek 等模型结合。深入提示词工程学习更高级的提示词技巧如 Chain-of-Thought、ReAct 范式等这些都能让你的 Harness 提示词更强大。关注工具生态密切关注Claude Code、Cursor、Windmill、Mentat等工具的发展。它们正在快速集成 Agent 和 Harness 能力未来可能会提供更开箱即用的体验。参与社区讨论在 GitHub、Reddit 的相关板块关注codex接入deepseek、harness engineering等话题的讨论了解其他人的实践和踩坑经验。记住最好的 Harness 是你为自己工作流量身定制的那一套。开始创建你的提示词模板定义你的开发阶段并在下一个项目中实践它。从今天起做一个驾驭 AI 的开发者而不是被 AI 代码片段牵着走的用户。