最近这段时间里，我做了一件比“让 AI 帮我写文章”更麻烦的事：不是继续打磨 Prompt，而是先让它系统分析我过去十年的文章，再把这些分析结果整理成一个可以被反复加载的写作
过去大半年里，我一直在帮不同规模的团队落地 AI Coding。从最早的一两个人试点，到十几个人的团队尝试让 AI
在最新的 Routa Desktop 中，我们引入了 Harness 工程可视化系统。它并不是一个展示“AI 写了多少代码”的界面，也不是为了给生成式开发增加一层炫目的仪表盘，
当 AI 开始真正参与软件交付时，团队面对的核心问题已经悄悄变化了。过去我们关心的是代码写得够不够快、自动化够不够多，而现在，越来越多团队首先要回答的是另一个问题：当生成速度不断提高之后，系统靠什么抵抗持续上升的代码熵。
过去一个多月里，我在创建 Routa 项目时，做了一个很激进的决定：让 AI 来驱动这个项目，把我的 idea 变成 issue，再把 issue 推进成可运行的代码。
这套机制最早来自 Routa 项目内部的 fitness 实践。我们最初把它以 routa-fitness
过去一年，我们习惯用“AI 编码 2.0”来描述这一波技术跃迁：从代码补全走向 Agent 驱动，从同步交互走向异步执行，从一次性生成走向“生成—验证—回滚”的闭环。在那个阶段，一个共识逐渐清晰：AI 不再只是辅助，而开始参与执行。但如果只停留在这里，我们其实低估了变化的深度，因为真正发生转移的，并不是“谁在写代码”，而是——谁在负责软件交付这件事本身。
Harness Engineering 之所以在过去几个月迅速成为一个热门话题，很大程度上是因为越来越多团队意识到：AI Coding 的问题，从来不只是模型能力问题。上下文工程、提示词策略、多 Agent 协作都很重要，但这些讨论大多仍然停留在“生成侧”。一旦 AI Agent 真正进入软件交付流程，问题的重心就会迅速转移。
摘要：当 Agent 开始结队工作时，真正的挑战就不再是“它们能不能写代码”，而是“我们能不能管理它们”。Routa Kanban
PS：今天拿到几天前申请的 Codex Pro 开源贡献者的半年体验卡，试着用 Codex Security 分析了一下我的一些项目。让 AI 分析了生成的报告，