Harness Engineering
PulseAugur coverage of Harness Engineering — every cluster mentioning Harness Engineering across labs, papers, and developer communities, ranked by signal.
- used by Loop engineering of amadoriase II and mutational cooperativity 70%
- used by Context 70%
- instance of Loop engineering of amadoriase II and mutational cooperativity 70%
- affiliated with Loop engineering of amadoriase II and mutational cooperativity 60%
- other Loop engineering of amadoriase II and mutational cooperativity 60%
4 天有情绪数据
-
线束工程技术格局更新
线束工程技术格局的新版本已发布,对相关技术进行了分类。该格局是一个持续进行的项目,将不断更新新版本。
-
Harness Engineering 将涵盖 GenAI SDLC 最佳实践
Harness Engineering 将举办其本年度关于软件开发生命周期 (SDLC) 的最后一次讨论,重点关注行业领导者的最佳实践。本次会议将回顾 2026 年软件工程领域取得的重大进展和遇到的挑战。本次活动旨在全面涵盖 GenAI 及其在 SDLC 中的集成。
-
Harness Engineering:通过工具和提示定义 AI Agent 的改进
Harness engineering 是 Mitchell Hashimoto 在 2026 年初推广的一个术语,指的是通过工程化解决方案来系统性地改进 AI Agent,以防止其重复犯错。这一概念包括通过更好的隐式提示(例如使用 CLAUDE.md)以及集成允许 AI 与现实世界交互的外部工具来增强 Agent 的能力。将 AI 模型比作大脑,将 harness 比作身体的人体类比,说明了这些周围组件如何使 AI 能够感知和行动。…
-
AI编码助手通过新的“约束模式”提高可靠性
DeepSense.ai 的一篇博文概述了十种旨在提高 AI 编码助手可靠性的“约束模式”。这些模式侧重于构建与 AI 模型的交互,以在软件开发任务中获得更一致和可预测的结果。文章建议在真实代码库中实际应用这些技术。
-
安全绳工程使 AI 代理能够安全地自主运行
文章讨论了“安全绳工程”作为一种在不损害安全的情况下赋予 AI 代理更多自主权的方法。文章认为,仅靠提示不足以保证代理可靠运行,取而代之的是,一个围绕的结构(安全绳)至关重要。这种安全绳包括自文档化存储库、用于验证的 CI/CD 流水线集成、代理操作的明确权限边界、对过去错误的持久记忆以及工作和个人项目之间的分离。
-
AI Agent 需要强大的“Harness Engineering”,而不仅仅是模型本身
Harness Engineering 被认为是构建有效 AI Agent 的关键方面,它侧重于语言模型周围的系统,而不仅仅是模型本身。这种方法涉及创建信息、执行和反馈的控制层,以确保安全性和可靠性,尤其是在使用较小且易出错的模型时。实际演示允许用户在浏览器中试验这些概念,展示了护栏和审查流程如何减轻医疗保健和药物发现等领域的风险。
-
氛围编码在大规模应用时失败;提出约束工程作为解决方案
文章认为,在2024年初流行的“氛围编码”方法在软件工程行业大规模应用时是不可持续的。文章提出“约束工程”作为一种更稳健的替代方案,用于管理复杂的AI开发项目。作者认为,虽然氛围编码可能提供初步的灵活性,但它缺乏构建大规模、可靠AI系统所需的结构。
-
Cloudflare 发布开源多模态决策模型 Clef 和 Clef-flash
Cloudflare 发布了两个新的开源多模态决策模型 Clef 和 Clef-flash。这些模型旨在增强 AI 的自主能力,建立在 agentic coding 和 harness engineering 等概念的基础上。此次发布旨在通过结构化方法和思维过程来最大化 AI 的自动驾驶性能。
-
AI在软件架构中的应用:人类监督和驾驭工程仍至关重要
在EuroPLoP 2026上举行的一个焦点小组探讨了AI在软件架构中不断发展的角色,共有22名来自工业界和学术界的参与者。主要发现表明,虽然AI可以支持和自动化任务,但人类在决策、问责和制定标准方面的关键作用仍然至关重要。出现了“驾驭工程”(harness engineering)的概念,指的是管理AI辅助软件创建的系统,包括验证和知识层。与会者一致认为,由不确定性和变更成本定义的关键性应决定人类监督的程度,并警告不要因未经审查的A…
-
AI工程师强调定制代理Harness以实现可靠性和控制
AI工程师越来越关注代理Harness的开发和重要性,它为AI模型可靠地执行任务提供了必要的结构和基础。这些Harness包括工具、上下文管理、护栏和代理循环,本质上充当核心模型周围的控制层。虽然一些人认为模型最终会自行生成Harness,但专家认为,定制的Harness对于定制化、可靠性以及避免供应商锁定至关重要,尤其是在特定领域的应用中。
-
线束工程专家建议初学者采取极简主义方法
线束工程领域的研究员 Omar Sanseviero 建议有抱负的从业者最初绕过复杂的框架。他建议从一个最小的设置开始,包括一个单独的代理循环、一些基本工具和一个自定义编写的系统提示。Sanseviero 认为,这种实践方法比大量观看教程更有利于学习。
-
Harness Engineering:审视AI模型扩展的极限
Harness Engineering 是一个质疑简单扩大AI模型规模有效性的概念。它探讨了更大的模型是否会带来更好的性能,还是存在收益递减。文章深入探讨了AI模型开发和评估的细微差别。
-
AI提示工程演变为拥抱工程,生产故障频发
提示工程曾是优化AI交互的主要焦点,但随着该领域转向“拥抱工程”,其重要性日益降低。这种新方法侧重于AI模型周围的环境,包括其工具、数据访问和决策循环,而不仅仅是输入提示。据报道,很大一部分AI代理项目在生产中因围绕基础设施的问题而失败,这凸显了在实际应用中支持AI代理的强大“拥抱”的必要性。
-
Harness Engineering:指导AI编码代理实现可靠的软件开发
Harness engineering 是一种将AI编码代理有效集成到软件开发工作流程中的概念。它涉及创建一个“harness”(约束系统),用项目特定的规则来指导AI,并检查其输出是否出错。这种方法旨在利用AI的能力,同时减轻其缺乏人类经验和常识所带来的风险。通过结合“Guides”(任务前指令)和“Sensors”(任务后检查和反馈循环),开发人员可以创建一个环境,让AI代理能够更可靠地执行任务并迭代改进其性能。
-
AC2 Protocol 旨在保护 AI 代理;Harness Engineering 讨论 AI 素养
AC2 Protocol 被提出作为 AI 代理的关键安全层,旨在弥补当前 AI 开发中的不足。另外,Harness Engineering 在 AI 素养超能力方面受到关注,相关资源可在 GitHub 上找到。
-
Harness工程旨在确保AI生成的代码保持正确和连贯
Harness工程是一种管理AI生成代码的新方法,旨在随着时间的推移保持其正确性和连贯性。该概念由Birgitta Boeckeler提出,与传统软件工程中的测试Harness类似,但扩展到更广泛的代码库标准,如命名约定和架构决策。它包括为AI助手创建特定的知识库,并实施具有确定性工具或基于代理的审查的验证槽来强制执行这些标准。
-
AI代理通过新的内存层设计获得持久性
本文详细介绍了内存层,这是AI代理的关键组成部分,它在单个模型调用之外提供了持久性。它区分了短期记忆(在单个任务中存储状态,如对话历史和中间结果)和长期记忆(跨会话保留有关用户、代码库或过去行为的信息)。内存层至关重要,因为底层的AI模型本身是无状态的,在没有明确的Harness Engineering的情况下不会保留记忆。
-
AI代理依赖受控环境进行安全执行
本系列文章“Harness Engineering”的这一部分,重点介绍了“环境”在AI代理执行中的关键作用。环境被定义为AI模型调用的工具运行的运行时,涵盖文件系统、Shell、网络访问和计算资源等方面。精心设计的环境对于控制AI代理的行为并防止意外后果至关重要,其关键特性包括有界性、可复现性和可检查性,以管理代理的操作范围并降低风险。
-
研究人员开发 Self-Harness,使 LLM 代理能够自主改进其自身系统
一篇新研究论文介绍了一种名为“Self-Harness”的方法,该方法允许基于 LLM 的代理自主改进其自身的运行 Harness。这个迭代过程包括识别模型特定的失败模式、生成 Harness 修改以及通过回归测试验证这些更改。当应用于各种模型和基准测试时,Self-Harness 持续提高了性能,为实现自改进的 AI 代理指明了方向。
-
Lilian Weng 探讨 AI 的递归自我改进潜力
Lilian Weng 发表了一篇探讨 AI 系统递归自我改进(RSI)概念的文章,重点关注“Harness Engineering”的作用。该方法旨在创建能够随着时间推移改进自身能力的 AI 系统,可能导致 AI 发展的加速。