AI编码提速，质量验收如何跟上？

大模型能力持续增强，AI Coding正从简单的代码补全，迈向由Agent独立执行完整工程任务的新阶段。然而，研发团队面临一个愈发尖锐的矛盾：代码产出速度成倍提升，但需求约束、Code Review和测试验收机制却未能同步升级，导致质量风险更加集中、更难控制。在AICon大会上，蚂蚁数字科技资深技术专家魏长征分享了他们的实践探索，为这一难题提供了解决思路。

魏长征介绍，在一个40多万行的Rust新项目中，团队从第一天起就将Harness内建进研发流程；而在一个超60万行的C++存量项目中，则先重建事实源和质量门禁，再让Agent参与升级。改造后，后者的代码缺陷率从20%以上降至个位数。这一显著成效，让Harness工程成为业界关注的焦点。

AI Coding的演进与核心矛盾

AI Coding的发展经历了几个阶段：最初是在对话框中提问辅助编程，随后以插件形式嵌入IDE，再到集中采购AI IDE（如Cursor），主要使用Tab补全功能。随着Claude Code等终端工具出现，对话框成为人与Agent协作的主要入口。任务也从写几行代码发展到独立完成完整工程任务，检验标准从代码质量扩展到功能正确性，再到整个项目链路中的稳定运行。

核心矛盾在于验证能力未跟上生产能力。魏长征认为，AI Coding并未创造全新的软件工程问题，而是以更高产能将需求模糊、目标漂移、事实冲突和验证不足等旧问题集中放大。例如，目标漂移——需求不清晰导致实现与预期不符，在人工开发中同样常见，但AI Coding的产能吞吐太高，将原本分散数月的问题集中暴露。

Harness工程：五层方法论

Harness不是具体技术，而是一套围绕约束、验证和验收建立研发闭环的思路。它来源于真实工程实践，并非预先完整设计，而是随项目问题暴露逐步形成。方法论上可归纳为五层，均能在传统软件开发中找到对应：约束层对应需求评审和架构评审，对抗验证对应Code Review，证据层对应交付验收和质量准出，另有状态写入和目标对齐层对应任务拆解和阶段性评审。

在约束层，项目需规定任务目标和非目标、事实源等文档，区分人阅读、Agent获取上下文和机器检查的不同形式。对抗验证中，需让不同Agent分别关注代码规范、重复实现、根因定位等不同侧重点。证据层强调可视化、可验证，避免人直接阅读大量代码或文档的高成本。

开发者角色转变与质量闭环

AI Coding的新范式体现在开发者角色变化：从代码生产者变为评判者，个人能处理的任务跨度和知识面明显扩大。但许多问题并非AI新创，而是传统研发中一直存在的。既然AI Coding太快，可以用同样快的验证方式应对——Agent既能生成代码，也能参与质量检查和Code Review，形成质量闭环。

魏长征强调，从Prompt工程到上下文工程、Harness工程再到Loop工程，反映的是同一趋势：AI Coding承担角色越来越重要，任务越来越复杂。解决方向是将传统研发中的需求评审、架构评审、Code Review、测试准出等经验迁移到与Agent协作中。

当AI以十倍速生成代码，质量验收必须从“事后补救”转向“全程内建”。Harness工程的价值，正在于用同样高速的自动化验证，为AI Coding这辆快车装上可靠的刹车与方向盘。未来，随着Agent承担更复杂的任务，这种围绕约束、验证和验收的闭环思路，或将成为研发流程的新常态。