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，
生成式 AI 正在迅速进入软件开发流程。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。
然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。
这种视角很容易低估 AI 对软件工程的真正影响。
在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。软件开发正在逐渐从 “人使用工具” 的模式，转变为 “人与 AI 协作” 的模式。
为了理解这种变化，我们可以借鉴 Agile Fluency Model 的思想，将 AI 编程看作一种能力演进，而不是一次性的技术 adoption。这种能力演进，可以称为 AI Coding Fluency。
AI Coding Fluency 描述的是团队在使用 AI 进行软件开发时逐渐形成的一组能力。这些能力不仅包括 AI 工具的使用方式，还包括人机协作模式、工程系统支持、质量治理以及上下文管理。
随着团队能力的提升，AI 在开发流程中的角色也会逐渐发生变化。从最初的辅助工具，到能够执行复杂任务的智能体，开发者与 AI 之间的分工不断演进。
下表展示了一个典型的 AI Coding Fluency 演进模型。
| Fluency Level (流畅度) | Human-AI Collaboration (人机协作) | SDLC Coverage (生命周期覆盖度) | AI Engineering Harness (工程化支撑) | Governance & Quality (质量与治理) | Context Engineering (上下文工程) |
|---|---|---|---|---|---|
| **Awareness |
生成式 AI 正在快速进入软件开发的核心流程。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复
PS：就着最近的研究，我想大概写一篇今年的趋势
尽管我们可以用最好的模型完成所有的事情，但是约束才是我决定写这篇文章的一个出发点：约束越多，问题就越好玩。
Routa 是一个 “工程化的多 Agent 协作框架”：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠
最近，我们在 AutoDev 中集成了 ACP 协议，使用它进一步优化 AutoDev 的跨平台渲染架构，在提升 AutoDev 的同时，也兼容了其它智能体。由于，ACP
本文档对比分析 A2A (Agent-to-Agent Protocol) 和 ACP (Agent Client Protocol) 两个协议的核心差异、设计理念和适用场景。