时光机验证
一个思想实验
假设一位读者在 2025 年读完本书前七章，内化了以下几条公理：
- 大模型的输出是概率性的，不是确定性的。
- 不确定性是约束条件。
- 约束越精确，系统行为越可预测。
- 声明式优于命令式：定义"要什么"比指挥"怎么做"更可靠。
- 战略层面的系统设计决定成败，战术层面的模型选择和参数调优只是锦上添花。
然后让这位读者去设计一个 AI 编程助手的运行环境——不告诉他任何行业实践，只靠这些原则推导。他会设计出什么？
推导过程
从"输出是概率性的"出发。 既然每次调用的输出不确定，就需要在调用之外建立确定性的基础设施来约束和验证输出。验证层、类型检查、结构化输出——这些是概率性核心组件的确定性外壳。
从"约束越精确越好"出发。 项目应该有一份机器可读的规格说明，告诉 AI 这个代码库的约束是什么：编码规范、架构决策、禁止的操作。这份规格说明应该是声明式的——描述"什么是可接受的"。
从"不确定性是约束条件"出发。 AI 的操作权限需要分级管理。读取代码是低风险的，可以自动允许；修改文件是中风险的，需要确认；执行系统命令是高风险的，需要显式授权。这是把不确定性管理嵌入到操作流程中。
从"战略大于分析"出发。 工程投入应该放在系统设计上，而不是追逐最新的模型。同一个 AI 在好的运行环境中表现优异，在差的运行环境中表现平庸——这是系统设计的问题。
从第一章补完的"自评估偏差"出发。 生成和评估必须是两个独立的过程。AI 写完代码后不能在同一次对话中问它"你觉得写得怎么样"——需要独立的验证步骤：运行测试、类型检查、由独立的评估过程审查。
推导到这里，这位读者会设计出一个什么样的系统？
一个围绕 AI 运行的确定性基础设施：项目级规格文件定义约束、权限系统分级管控操作风险、生成与评估独立执行、工具调用有明确的接口和验证、上下文按需加载而非全量灌入、状态持久化到文件系统以跨越会话边界。
行业给出了名字
2026 年，这套实践被行业命名为"harness engineering"。
Anthropic 将其定义为"围绕 AI agent 构建的运行基础设施"。拆开来看，它的核心组件包括：工具编排（定义 agent 能调用什么、怎么调用）、约束与权限（分级管控操作风险）、反馈循环（自动化的验证和评估）、可观测性（记录 agent 的每一步决策）、人机检查点（在关键决策处引入人的判断）。
Claude Code 的具体实现印证了这些推导：CLAUDE.md 文件作为项目级规格说明、三级权限模型（自动允许 → 分类器预判 → 显式确认）、独立的验证步骤（生成代码后运行 lint 和测试，不依赖模型自评）、三层记忆架构（轻量索引常驻、详细内容按需加载、原始数据仅搜索访问）、子 agent 隔离（返回结果但不返回完整上下文，防止噪声污染）。
每一项背后都对应本书的某条原则。CLAUDE.md 是"声明式规格说明"的工程实例。权限分级是"不确定性预算"的具体落地。生成与验证分离是第一章自评估偏差推论的直接应用。记忆按需加载，就是把"约束传播"原则用到了上下文管理上——只加载相关信息就是在缩小模型的条件概率空间。子 agent 隔离是应对多步串联可靠性下降的对策——隔离上下文就是阻断错误传播链。
这说明了什么
Harness engineering 作为行业实践，印证了本书从原理出发的推导。但它没提出新原理——给出的是原理怎么在工程中落地。
这不是看不起行业实践。从原理到实例之间的距离远比看起来更大。本书论证"约束越精确越好"，但没有告诉你在 CLAUDE.md 里该写什么；本书论证"生成与评估必须分离"，但没有告诉你该用 lint、测试还是独立 agent 来做评估。实践填补了原理到实例之间的鸿沟，这是实践的不可替代的价值。
但如果你理解了原理，面对一个新的 AI 工程问题时，你有能力独立推导出合理的解决方案——即使行业还没有给这个方案起名字。你不需要等"harness engineering"这个术语被发明，就已经在做 harness engineering。这是第一性原理思维的价值：它不告诉你具体答案，但给你推导答案的能力。
反过来，如果你只学了"harness engineering"的最佳实践清单但不理解底层原理，当行业进入下一个范式时——当 AI 从编程助手变成自主工程师，当上下文窗口从有限变成无限，当多 agent 协作从实验变成常态——你会发现最佳实践清单过期了，而你没有能力重新推导。
公理集的边界
公平地说，本书的公理集并不完备。有两个重要的工程问题，不能从本书现有原则自然推出：
第一是上下文作为稀缺资源的工程管理。本书讨论了上下文窗口的存在（第一章）和信息在上下文里的位置对效果的影响，但没有把上下文管理当作一门独立的学问来讨论。实践中，上下文窗口的有限性催生了一系列精密的管理策略（分层压缩、渐进式知识注入、主动遗忘），这些策略的系统性超出了本书"约束传播"原则的直接推导范围。
第二是 agent 自身状态的不确定性。本书的"不确定性是约束条件"原则针对的是模型输出的不确定性。但在长时间运行的 agent 系统中，agent 自身的记忆和状态也是不确定的——存储的信息可能过时，上下文可能被压缩时丢失关键细节。Anthropic 的实践中有一条"主动不信任自身记忆"的原则：memory 是 hint，使用前需要 verify。这条原则可以从"不确定性是约束条件"扩展推出，但这一步跨度不小——不确定性这个概念从"模型输出"推广到了"系统自身状态"。
这些局限性说明了从原理到实践的距离：原理提供方向，实践提供地图上的具体道路。好的原理应该能在面对未知问题时指出正确方向。