AI时代的「管理学」：什么是"Harness Engineering 驾驭工程"?

大家好，欢迎收听《AI时代的产品经理手册》频道。今天我们来聊一个很有意思的话题，叫做 Harness Engineering。可能很多人最近经常听到这个词，但是很多都是从技术的角度讲解，让不懂技术的人听起来云里雾里的。但是今天，我想从一个不一样的角度来聊——不是从程序员的角度，而是从管理者的角度。为什么？因为我研究了一圈发现，这玩意儿本质上就是管理学。什么是 Harness Engineering（驾驭工程）？先说结论。Harness Engineering 的核心公式只有一句话："Agent = Model + Harness" 智能代理等于大模型加Harness。你可能觉得 Harness 这个词很陌生，这个词本意是用来驾驭马的马具。但其实你每天都在接触它。什么意思呢？就像一辆马车马具才能跑起来，一个团队需要机制才能运行。一个团队，个人能力再强，如果没有方法、没有流程、没有制度，这个团队就会乱。Agent 也是一样的。模型再强大，没有管理，它就会随机发挥。LangChain 的工程师说过一句话，我觉得特别精准："The model contains the intelligence and the harness makes that intelligence useful."直接翻译过来就是：模型提供智能，马具让智能变得有用。Harness Engineering 和管理学是一回事好，说到这里，你可能会问：那 Harness 到底是什么？Harness Engineering 不是什么新发明，它本质上是把工业界成熟的管理方法，只是用把规章制度用代码实现了一遍。你看这个对照表，如果我们按照控制论拆解Harness，会发现它本身和管理学是一模一样的：前馈 = 目标设定 + 流程设计 = 做事前先把规范说清楚反馈 = 绩效考核 + 质量巡检 = 做完后检查哪里做得好、哪里做得不好传感器 = KPI体系 + 监控指标 = 设置监控指标，知道系统现在什么状态控制器 = 管理层 + 决策机制 = 发现偏了就调整这不就是丰田生产体系？PDCA循环？六西格玛？对，本质上是一样的东西。为什么 AI 需要管理？好，那为什么现在的 AI 需要管理？因为现在大模型的智力已经不亚于人，但是它比人更容易犯错。员工是有职能边界的，他知道一个员工能做什么、不能做什么。但 AI 没有边界感。你给它的指令稍微模糊一点，它就可能随机发挥。Claude Code 的源码告诉我们一个很有说服力的数据：它的代码有 51万行，其中和模型/Prompt 相关相关的只占 60%，剩下 40% 全是 Harness 基础设施——管理与调度、权限与安全、记忆与上下文、环境配置、插件生态。也就是说，Anthropic 的工程师用 40% 的代码在驾驭那个 60% 的模型。5个核心管理原则好，那具体怎么管？我总结了 5 个原则。原则一：给边界，不给无限制自由很多人在用 AI 的时候，指令很模糊，比如说"帮我写个方案"。这就好像你对新员工说"你去工作吧"——然后祈祷他自动知道什么该做什么不该做。那正确的做法是什么？明确告诉 AI：什么能做，什么不能做。比如："你是产品评审专家，评审方案时必须检查三点：第一，是否对齐OKR；第二，是否有数据支撑；第三，是否识别了风险。"这就是边界。原则二：结构化记忆，不堆原始信息很多人犯的第二个错误，是把所有对话历史都塞给 AI。这就好像你让员工记住过去一年的所有会议记录，而不是告诉他"从这些会议里，我们提炼出了什么规律"。好的管理让员工沉淀有价值的经验规律，不是流水账。AI 也是一样的。Claude Code 的实践是：CLAUDE.md 控制在 500 词以内，提炼规律，不堆原文。原则三：确认机制，不盲目信任第三个原则很关键：危险操作必须确认。Claude Code 把操作权限分级：读取、搜索：直接执行，不需要审批起草、建议：给出方案，等待确认发送、删除、修改：暂停，强制确认这就像公司的财务制度——小额支出可以部门自己决定，大额支出必须上级审批。原则四：专业分工，不让 Agent 单打第四个原则很有意思：不要让一个 AI 做所有事。Claude Code 的多 Agent 架构是这样的——主 Agent 收到任务后，分发给专业 Agent：子 Agent-1 负责数据分析子 Agent-2 负责战略匹配子 Agent-3 负责风险评估子 Agent-4 负责汇总建议Claude Code 的源码注释里有一句话很经典："Scale comes from division of labor, not bigger context."规模来自分工，不是更大的上下文。这和我们管理是一样的道理——好的团队不是一个人做所有事，而是各司其职有序分工。原则五：持续进化，不是一次配置最后一个原则，也是很多人忽略的：系统要能学习和进化。每次 AI 的预判错了，必须记录原因、更新规则、下次改进。这就像绩效考核不是为了扣分，而是为了帮助员工成长。一些反常识的发现最近，Claude Code 源码又一次泄露，里面挖出来的反常识发现，也呼应了我们的AI 管理学。第一个：便宜的模型表现不一定差很多人以为模型高级越好，其实不然。Claude Code 默认使用Sonnet模型执行常规编码任务，成本远低于高级模型Opus。因为 Sonnet 系列被设计为“混合推理模型”，能在极短时间内平衡响应速度与代码逻辑。对于 Agent 这种需要频繁调用工具、读取文件的工具，Sonnet 的响应延迟远低于 Opus，这比单纯的“聪明”更重要。第二个：记忆管理并没有用高级的技术很多人认为，AI 的长期记忆应该存在高级的RAG技术，在向量数据库里进行语义搜索。实际上 Claude Code 并没有这么做。它把数据保存成简单的文本文件，需要回忆时，直接通过字符串搜索匹配。这种做法极其简单暴力，工程师显然认为，对于代码场景，关键词匹配比模糊的语义搜索更精准。第三个：“防御性”的 Prompt：不准 AI 撒谎大家总觉得 AI 幻觉是模型能力问题，只要模型够强就不会乱说。实际上Claude Code 源码中充斥着大量严厉的硬编码指令，专门防止 AI “死要面子”。比如明确写着：“即使测试失败了，也绝对不允许告诉用户你通过了。”这说明即使是高级别的模型，在面对编程压力时，依然有极强的“撒谎欺骗”本能，必须靠外置的“紧箍咒”硬压下去。第四个：并非全自动，而是“半自动”外界对 Agent 的想象是“一句话搞定所有”，但源码揭示了极强的控制欲。实际上Claude Code内部逻辑里包含大量的人工确认埋点。它甚至预设了“AI 可能会把文件系统搞乱”的逻辑分支，并为此准备了复杂的撤销（Undo）机制。工程师并不信任 AI 能完美执行任务，万一犯错随时可以挽回。一句话总结好，今天聊了很多，最后我用一句话总结：Harness Engineering 不是仅仅只是工程学，而是更是管理学，通过有效的组织管理层，让能最大限度地发挥大模型的能力。就像一个好的组织，个人能力再强，也需管理来让他们获得最大程度的能力发挥。AI 时代的管理，本质上没有变。好，今天的分享就到这里。我们下期见。