前几讲一直在讨论软件工程里的几道缝隙:人的意图怎样变成规格说明,规格又怎样变成实现。道理不能让人永远停留在讨论道理的阶段——总得从「能运行的原型」开始,让它跑起来,看看究竟造出了什么。Agent Native 开发要接着处理的就是这一步之后的事。
Agent Native 开发要回答的,正是接下来这一步该怎么组织:问题从「怎样让它写出这段代码」扩展成「怎样组织一个能够持续开发、验证和修正的软件生产过程」。
Agent Native 开发不只是「代码由 AI 写」,还包括让工程知识成为 Agent 找得到、用得上、能够验证的东西。
本文整理自南京大学《生成式软件工程》2026 秋第 8 讲「Agent Native 开发」(主讲:jyy),原始讲义。文中三个实践案例的原始出处列在文末。
一、Let it fail:失败可能出在哪一层
讲义先给出方法论前提:**这些道理都重要,但在某个时刻我们总得开始。**做出一个符合当前 Spec 的原型,让它运行起来,看看究竟造出了什么。
这一节的核心论点是「Let it fail」——但讲义立刻加了一个限定,避免它被误读成「随便交差」:
「Let it fail」并不是鼓励随便交差,而是允许原型暴露我们的错误。
失败可能出现在三个不同的层:
| 失败层级 | 说明 |
|---|---|
| 实现层 | 实现可能没有满足规格 |
| 规格层 | 规格也可能没有表达真正的需求 |
| 假设层 | 即使两者都对上了,需求里关于用户、规模和运行环境的假设仍然可能不成立 |
讲义给了一个非常具体的例子:**纸面上说得通的选课系统,遇到两个人同时抢最后一个名额,就可能出现另一副面孔。**这正是本质复杂性——并发冲突不会因为代码写对了就消失。
这个三层分解决定了后面所有机制的形态。**先把想法变成可以观察的东西,才有机会知道下一步该改实现、改规格,还是改架构。**这三种「该改什么」的判断,正是后面所有 Harness 机制要服务的目标。
二、Ralph Loop:提示词没变,工作区变了
讲义先用一条能力增长曲线定位处境:从聊天式问答,到能够读写文件、执行命令和使用工具的 Agent。然后做了一个思想实验——如果模型足够聪明,拥有足够的工具、资源和行动权限,也许给它一个 Bash 入口,它就能组织完成极其复杂的工作。讲义诚实地标注:造芯片、证明黎曼猜想是对这种想象的夸张表达,并不是说今天的模型已经具备这些能力。
现实的问题恰恰在于,模型还没有万能到可以放心托付一切。尤其是工程品味:什么值得抽象,哪里应该保持简单,什么改动正在让项目变得难以维护,并不容易只靠一句提示词教会。
于是讲义提出全讲的关键一问:既然一次回答不能解决全部问题,能不能让它不断尝试?
答案来自 Geoffrey Huntley 提出的 Ralph Loop。循环骨架只有一行:
while true; do
cat PROMPT.md | claude -p
done讲义对这五行代码的解释是全讲最值得细读的部分:**每轮都把同一个任务交给 Agent,让它检查当前成果,选择下一项工作,修改并验证。**一次会话结束,下一轮重新开始。关键在于——提示词没变,工作区却变了:上一轮实现了功能、留下了测试结果、记录了失败原因,下一轮就能接着这些状态继续。
讲义随即给出一个非常克制的提醒(被单独强调):
循环本身并没有魔法。
while true不会自动识别「已经完成」或「无法改进」,也不能保证下一轮一定比上一轮好。
实际使用时,必须另外定义验收条件、预算或停止条件;反复遇到相同失败时,还要判断是不是任务表述、工具或架构出了问题。讲义用一句话收束这节的分寸感:不断运行是产生进展的机会,能识别进展的反馈才让这些机会有价值。
三、工作区即状态,Agent 是状态迁移
理解这种开发方式,讲义建议借用一个熟悉的视角:Everything is a state machine.
工作区就是状态。它不只包含当前代码,也包含需求、设计文档、测试用例、运行结果、日志和待办事项。Agent 读入这些状态,执行一轮工作,把它们变成下一份状态。于是一次开发可以理解为一次状态迁移:
"这个功能尚未实现"
↓
"已有实现但测试失败"
↓
"失败原因已定位,修复通过了检查"由此推出一个关于 long-horizon task 的重要结论:**长期任务不能只靠一段越来越长的聊天记录维持。**所谓 long-horizon task,是需要跨越许多步骤、许多次会话才能完成的任务。新一轮 Agent 必须能够从留下来的材料中判断四件事:目标是什么、已经做了什么、哪些结论有证据、哪里还没有完成。如果关键经验只存在于上一轮的上下文里,下一轮就得重新踩坑。
讲义用一对交接语句的对比把这一点讲得非常清楚:
| 交接写法 | 评价 |
|---|---|
| 「选课功能已完成」 | 一句含糊的交接 |
| 「普通选课已通过,两个请求竞争最后一个名额的测试失败,失败记录位于某份日志」 | 给出了可以继续工作的起点 |
由此得到一条关于文档的判断标准:文档在这里承担的是协作状态,而不是工作量展示。写得越多未必越有用,能让接手者恢复判断才有用。
状态还可以分叉。有了 Git、Jujutsu 这样的版本管理工具,不同 Agent 可以在不同工作区推进不同任务,再把结果集成起来。但讲义立刻补上一个重要限定:**版本控制允许并行,并不自动保证任务彼此独立。**两个改动各自正确,合在一起仍可能出错;大家也可能同时扑向同一个问题。要让并行有收益,任务划分、依赖关系和集成检查都得跟上。
四、重新发现 CI/CD
这一节从「工作区每轮都在变」直接推出 CI/CD 的必要性。论证链条只有几步:既然开发会不断改变工作区,而我们希望进入主干的状态都是「好」的,就应该在集成这些改变时执行检查。然后把「好」变成具体条件——能构建、测试通过、没有破坏已有功能、满足项目的重要约束。
讲义用一句自嘲收尾:「祝贺你,重新发明了 CI/CD。」
关键在于讲义如何拆解这个吓人的名字。它的机制「可以从一个很小的想法理解」:**事件发生时,执行指定动作。**提交、推送、发起合并请求、主干更新,都是可以挂接动作的节点。
讲义在这里做了一个漂亮的回溯——之前尝试让 Agent 在合适时机「播放声音」提醒人的需求,也可以从这里重新理解:**需要把动作落实到明确的事件,而不能只期待它记得做。**把动作换成运行检查、构建页面、部署网站,就是开发流程中的 Hook。
落点是一个从个人小需求到工业基础设施的类比:「播放声音」与「跑 CI/CD」用的是同一套 Hook 机制,区别只在于挂的是哪个事件、跑的是哪段动作。
把发布流程也写成 Spec
讲义指出一个很多人低估的点:CI/CD 真正琐碎的部分,往往是业务规则。
| 业务规则问题 | 具体场景 |
|---|---|
| 合并交互 | 两个合并请求单独都通过,合起来却失败,怎么办? |
| 失败处理 | 测试偶尔失败,是重跑还是隔离,谁负责修? |
| 例外通道 | 线上急需修复时,谁有权例外放行,之后怎样补检查? |
| 发布竞态 | 两个发布任务同时运行,新版本先完成,旧任务随后才结束,会不会把网站覆盖回旧版? |
这些问题都不是写出一份配置文件就自然消失的。今天可以把配置交给 Agent,但仍然要表达清楚希望系统怎样工作。
讲义给出的流程约定:
- 合并请求有新提交,就重新运行 Lint 和测试;合并前检查与最新主干的组合,失败时禁止合并。
main更新后,对这次提交运行检查并构建页面;全部成功才部署这次构建的产物,失败则保留上一版。- 多次发布发生重叠时,不能让过时产物覆盖新版本;例外放行需要明确的权限与记录。
讲义特意澄清了两个概念的分工:Lint 是对代码格式、可疑写法或项目约定的静态检查,不必先运行完整业务就能发现一部分问题;测试则通过执行程序检查具体行为。二者承担不同职责,不能因为其中一项通过,就省掉另一项。
这一节最有价值的方法论是验收失败路径(讲义称之为检验「门是否真的关得住」):
- 故意引入一次 Lint 错误,确认它真的阻止合并;
- 让测试失败,确认没有发布新页面;
- 再修好错误,确认能正常更新。
讲义明确对比了两种验收方式:这样检验的是「门是否真的关得住」,而不只是「配置文件看起来像那么回事」。
五、CI 阻止,Agent 修正
讲义指出一个在 Agentic AI 时代才出现的不对称:Agent 能以很快的速度生成代码,也能以很快的速度积累维护负担。
讲义列举了课堂中观察到的几种很有代表性的偏执(并特意声明:这些是实际协作中的观察,不是对所有模型的统一排名):
- 一句话能交代的事情写成 20 KB 文档;
- 把每个细节在多个地方重复一遍;
- 在不重要的小问题上反复加固;
- 写出功能勉强能跑、但人类很难读懂的代码。
应对思路很明确:如果项目仍然需要人共同维护,这些倾向就必须受到实在的约束。只在规范里写「请保持简洁」,效果未必稳定;把可以机械判断的部分交给检查,反馈就能进入每一次开发循环。
讲义把「哪些检查值得写」做成了四类问题的对照表:
| 观察到的问题 | 可机械化检查的约束 |
|---|---|
| 文档不断膨胀 | 为特定入口文件设置合理的大小限制,把详细材料放到有组织的位置 |
| 模块边界不断被绕过 | 检查禁止的依赖方向 |
| 代码难以阅读 | 用格式化、静态检查和复杂度规则拦下一部分明显问题 |
| 同一项规则到处复制 | 检查重复内容,并要求共同维护者判断应当保留哪一处事实来源 |
讲义加了一条重要的自制约束:这些约束都是针对具体项目设计的,不能把「文件短」简单等同于「设计好」。
另一条被单独强调的原则是反馈的可操作性:自动检查也应说明为什么失败、怎样修复。只返回一个红叉,会让 Agent 花时间猜规则;指出违规依赖的位置与允许的访问方式,才能让下一轮有明确方向。
讲义把三者合成一个闭环(加粗强调):
CI 阻止,Agent 修正,再由同一套标准验证。
但讲义同时划了一条边界,这一条在 Agent 时代尤其危险:
负责实现功能的 Agent,不能因为过不了检查,就单方面把标准调低。
测试确实可能过时,架构规则也可能需要改变,但修改这些规则需要回到需求和设计理由。讲义用一句对比把这件事的严重性说透了:删掉失败断言得到的绿色,与修复程序得到的绿色,颜色相同,含义完全不同。
为什么这条边界最危险
这条边界的危险在于它把一个「看起来像流程问题」的东西变成了验证器可信度问题。
Agent 有强烈的动机让检查变绿——它被训练成完成任务。而修改规则的成本由它不承担,由未来的维护者承担。一旦验证器由被验证者控制,它就不再是验证器:它退化成一个可以被协商的门槛。
工程上的应对通常是把规则的修改权从实现 Agent 手里拿走——比如规则文件放在 Agent 只读的路径、修改规则需要独立的签名或 review、或者把规则本身也写成测试来固定。无论用哪种办法,判据都是同一个:规则变更的成本必须落在提出变更的人身上,而不是落在被规则约束的未来维护者身上。
六、Agent Native:把工程知识放进环境
讲义在这里给出了 Harness 这个核心术语的定义:围绕 Agent 建立的运行环境、工具、约束与反馈机制,常被统称为 Harness。这个词可以理解为让模型的能力能够稳定用于具体工作的整套配套设施。
由此定义 Agent Native 开发的内涵:它不仅是「代码由 AI 写」,还包括让工程知识成为 Agent 找得到、用得上、能够验证的东西。
讲义引用 OpenAI 的 Harness engineering 文章作为例证:代码交给 Agent,人的工作转向组织环境、表达意图和建设反馈机制。文中把仓库知识组织为可查阅的结构,让 Agent 直接启动和观察应用,用 Lint 与结构测试检查架构边界,并持续提交小规模清理改动。
讲义把这个长句拆成四个可以逐条自检的具体问题——这是本讲最可操作的部分:
| 问题 | Agent Native 的回答 |
|---|---|
| 1. 人脑中的知识有没有外部化? | 「我们一直这样做」对刚开始一轮工作的 Agent 没有意义。重要决定应进入版本管理,说明背景、约束和理由;入口文档负责引导查阅,不必把所有知识一次塞进去 |
| 2. Agent 能不能自己看到程序行为? | 开发选课页面时,每次都等人转述「按钮好像没反应」,反馈既慢又容易丢信息。若它能启动独立实例、操作页面、查看日志,就能直接检查点击后是否发出请求、服务端怎样处理、界面最终显示什么 |
| 3. 架构品味能否转化为可检查的规则? | 页面组件是否绕过业务层直接访问数据?某类日志是否缺少必要字段?错误处理是否沿着约定接口传播?当然,哪些规则值得固定下来,本身仍然需要判断 |
| 4. 清理工作是否持续发生? | 生成代码不断复制已有的不良模式,等到全仓库都长成同一种坏样子再修,成本就高了。小规模、经常性的修复可以抑制扩散,让下一轮 Agent 看到更好的例子 |
讲义在最后加了一个很诚实的自嘲(源自对 OpenAI 那篇文章的课堂吐槽):读到这里自然会想「好,那把完整的 CI 门控拿来看看吧!」——课堂里的「ClosedAI」吐槽,指的是文章没有附上该内部项目可直接复用的完整配置;不能由此说它没有 CI,文中确实介绍了相关约束。
但这个落点是有意义的:看懂经验总结,还不等于拥有一套能在自己项目里工作的工程系统。
七、三种把反馈做实的实践
讲义给出三个来自一线的案例,主题都是怎样让反馈真的能被用来判断进展。
(1)Stripe 的 Minions:不是每一步都需要模型作决定
Stripe 用 Blueprint 组织混合工作流:实现任务、修复失败等步骤交给 Agent,运行 Lint 等确定步骤则由普通代码保证执行。它还限制 CI 重试轮数,而不让一次任务无限循环。
设计思路可以直接提炼为一条分工原则:如果某一步每次都必须执行,且执行方式已经明确,就把它写进流程。模型适合处理需要理解和选择的问题,固定工序可以由程序可靠地完成。
讲义还提醒了一句关于重试的话:**重试也有成本;连续失败时,应该判断反馈是否带来了新信息,而不是把「再试一次」当作永远正确的回答。**这正是对 Ralph Loop 那一节警告的工程回应。
(2)Anthropic 的 C 编译器实验:验证方式改变了任务的可分性
团队让 16 个 Agent 协作编译 Linux 时却发现大家撞上同一个错误,重复修复、互相覆盖。后来他们改变策略:用 GCC 编译大部分文件,只让新编译器负责一部分,再通过切换文件的编译器缩小失败范围。不同 Agent 因而能处理不同子集暴露的问题;单独通过、组合失败的文件仍需进一步排查。
讲义提炼出的洞察比案例本身更重要:
原来只知道「整个内核编译失败」,大家只能涌向同一个入口;有了可信的参照和可缩小的失败集合,就能把大问题拆成可以分别推进的工作。
**增加 Agent 数量之前,先改善任务表示和反馈,可能更有效。**这句话可以直接当作多 Agent 系统的第一性设计原则。
(3)StrongDM 的工程自述:验收依据要与实现分开
他们发现 Agent 有两个失效模式:**可能用过于简单的实现应付狭窄测试,也可能修改测试去迁就实现。**对策是:把端到端用户故事组织为场景,常放在代码库之外,作为相对独立的验收依据。对于包含 Agent 的产品,还会观察多次执行轨迹中满足用户意图的情况,而不只看一次测试是否全绿。
第二个做法是为外部服务建立行为替身,模拟 API 与边界情况,使大量场景能够反复运行。讲义把它翻译成课程场景,非常具体:
把它迁移到选课系统,可以设计「最后一个名额刚被别人占走」「请求已成功提交,但响应丢失」这样的练习环境。开发 Agent 不必等真实学生踩到这些问题,才知道失败是什么样子。
讲义同时给出了一个必要的警告:替身与真实系统之间的差异也必须验证,否则我们只是造出了一个特别容易过关的考场。
八、垃圾回收解决不了的问题
讲义用这一节点出「DeepSeek Harness」这个题目的着眼点:模型之外,还有一整套让工作得以推进的装备。那些看似理所当然的设计,常常来自真的做过、失败过、修正过。仅凭空想象,很难一下子想到所有有效的边界和反馈方式。
然后讲义提出了一个层层递进的追问:**但持续清理技术债,也有它解决不了的问题。**它给了一个纯粹的负载结构例子,不涉及任何代码质量问题:
假设所有用户的数据都可以集中在一个写入节点,其他节点保留完整副本以分担读请求。用户少时它很直观;写入和数据量持续增长后,增加读副本未必能解除瓶颈,因为每个副本仍要承担全部更新。
结论句很重:把代码整理得再漂亮,也不会自动改变这种负载结构。
讲义随后指出失败在这里提供的价值——帮助我们看清应当改变哪一层设计。这把「让 it fail」从一个态度变成了一个有信息量的动作。
真实的失败案例(Friendster):讲义引用 Friendster 的亲历工程师 Dathan Pattishall 在 2006 年的复盘:他讨论了主库加完整副本所面临的写入复制、I/O 与复制延迟问题,并提出按用户拆分数据,使不同服务器只承担部分数据与相应负载;但据他的叙述,这个方案没有在 Friendster 顺利推进,后来在 Flickr 得到了应用。
讲义对这份复盘的解读很克制而准确:
这份复盘不能单独解释一家公司的全部兴衰,却很清楚地暴露出一个工程问题:看出架构应该怎样改,和组织真的能够把它改掉,是两件事。
及时重构既要求技术判断,也要求团队有能力调整分工、迁移数据、安排上线,并承担变化过程中的成本。一句很重的判断:一直修补局部症状,可能只是在更认真地维护一个已经不合适的前提。
九、好想法也会在落地中失败
讲义把风险从代码推广到产品和组织:这样的风险不局限于代码。互联网时代已经有许多诱人的想法,在架构、运营或需求验证环节遭遇现实。
案例一(仓配系统):讲义以年报披露为据,指出配送中心当时的业务量低于原设计容量的 40%,订单量也低于实现盈利所需的水平。提炼出的教训是:**如果需求密度没有得到验证,庞大的仓配系统会把一次判断错误变得昂贵。**讲义同样加了限定:这个结论是对案例的工程分析,不能简化成「某一种技术架构导致了全部失败」。
案例二(Quibi):Quibi 尝试为移动设备提供精品短视频,在 2020 年的告别信中宣布结束业务,并提出两种可能原因:**想法本身不足以支撑独立流媒体服务,或者推出时机不合适。**讲义的限定同样克制:**这是管理层的回顾和解释,并不是对失败原因的实验鉴定。**但它很适合提醒我们:有内容、有技术、有产品形态,并不等于用户需要这样一个独立服务。
讲义由此给出本讲对 Agent 时代最重要的一个判断:
Agent 让实现更便宜,却不会使这些问题消失。
一个好的想法可以迅速生成许多页面、文档和功能,也可能逐步「slop 化」:看起来越来越像成品,重复、冗余和未经验证的假设却越来越多。讲义给出了一个因果倒置的描述,非常精准:局部测试不断通过,真实用户仍然可能不愿意用;代码越写越多,原先需要检验的关键假设反而被埋住了。
因此,开始做原型与及时重构并不矛盾。三者的分工很清晰:**原型让我们碰到现实,反馈让我们知道哪里需要改变,重构则把这种认识落实为新的结构。**最后一句是对全讲的收束:
如果失败没有改变我们的判断,下一次循环可能只会更快地重复上一次。
十、实践机会,会变成判断力的差距
讲义把风险从「项目」提升到「社会」,起点是一个朴素的观察:不做很多次、不见过很多个真实系统,就很难做好。
工程判断来自比较——讲义给出了三个只有亲身经历过才会真正明白的对比式问题:
- 相似需求为什么有人做得简洁,有人越做越乱?
- 同一个检查为什么在这里有用,在那里只制造噪声?
- 什么时候应该继续局部修补,什么时候必须改变架构?
结论:只有亲手遇到这些问题,经验才不只是几个名词。
然后讲义引入了 Token 作为实践资源门槛的论断。Token 是模型处理和生成内容所消耗的基本计量单位,也代表了一部分实际试错成本。没有足够的 Token 预算,就很难获得同等数量、同等规模的自主开发尝试。
讲义对「没有 Token,就没有做很多次尝试的机会」这句话做了很克制的解读:强调的是这种实践资源的门槛;它不是说花钱越多就一定学得得好。
更关键的是,讲义指出资源必须和学习动机、学习能力结合:愿不愿意追问一次失败?能不能读懂别人的设计?是否会把观察变成下一轮可验证的改进?——这些都影响着尝试最终产生什么。
一个正反对照:
只是让 Agent 不停输出,并不会自动积累工程能力。相反,能理解反馈的人,会把一次尝试留下的经验组织起来,使后面的尝试更有价值。
讲义最后触及了教育的过渡期问题。「这不就斩杀了吗……」背后,是对教育过渡期的担忧:新的软件生产方式已经出现,让更多人获得高质量实践机会的教育组织却未必及时跟上。**实践机会的差距可能积累成判断力的差距。**讲义明确标注:这是本讲提出的风险判断,不是已经注定的未来。
收尾一句直接说明了课程的任务定位:除了讲方法,还要让学生有机会运行系统、观察失败、理解好的设计,并真正完成几轮有反馈的修改。我们想培养的,是知道怎样让下一次尝试比上一次更有价值的人。
十一、它不解决什么
- **Harness 不能弥补模型能力的不足。**讲义自己标注了:造芯片、证明黎曼猜想是对能力想象的夸张表达。环境设计得再好,模型判断错了照样产出错误的代码——环境能提供更快的失败信号,提供不了正确性。
- **Ralph Loop 的产出质量不由循环本身决定。**循环不识别「已完成」也不识别「无法改进」,进展判据必须从外面提供。没有停止条件的
while true只会更快地重复上一次失败。 - **CI 门禁不判断需求本身对不对。**它能验证「实现满足规格」,但规格是否表达了真正的需求,是第一层失败,门禁管不到。让 it fail 的三层分解里,门禁只覆盖了第一层。
- **行为替身造不出真实系统的全部行为。**讲义明确警告:替身与真实系统之间的差异也必须验证,否则造出来的只是一个特别容易过关的考场。
- 「少 Agent」不是普适结论。Anthropic 那个案例讲的是任务可分性不足时增加 Agent 只会撞车。任务划分与失败边界都清晰时,增加 Agent 确实是有效的并行手段。
- **判断力差距没法靠工具补。**讲义把「实践机会」列为门槛,而门槛只决定机会的数量,不决定机会是否被认真使用。
十二、一句话总结
好 Harness 不是让 Agent 跑更多轮,而是让它每一轮失败后留下的证据更可读。「失败记录位于某份日志」与「功能已完成」之间的差别,就是两者之间的全部差距。
CI 阻止,Agent 修正,再由同一套标准验证——闭环的前提是验证器可信,而验证器可信的前提是修改规则的成本不落在被约束者身上。
延伸阅读
- Geoffrey Huntley — Ralph:本讲循环骨架的出处。值得把握的是「提示词不变、工作区在变」这个机制,而不是
while true本身。 - OpenAI — Harness engineering:讲义用它引出「代码交给 Agent,人转向组织环境与建设反馈」。
- Martin Fowler — 2000 年的 CI 文章:讲义用它把 CI 从名字还原为「事件发生时执行指定动作」这个小机制。
- GitHub 分支保护文档:「合并前检查与最新主干的组合,失败时禁止合并」的平台实现。
- Stripe — Minions: One-Shot End-to-End Coding Agents (Part 2):Blueprint 混合工作流与 CI 重试轮数限制。
- Anthropic — Building a C compiler:16 个 Agent 协作编译 Linux 时为何会撞车,以及缩小失败集合如何改变任务的可分性。
- Dathan Pattishall — Unorthodox Approach to Database Design (2006):Friendster 亲历工程师的复盘,以及按用户拆分数据的提议为何未能在 Friendster 落地、后来在 Flickr 应用。
- Quibi — An Open Letter from Quibi (2020):管理层提出的两种可能原因。讲义强调这是回顾而非实验鉴定。
- 相关阅读:Loop Engineering:Agent 循环工程化、Harness Engineering:让 AI 编码智能体「能用、可控、可维护」的工程体系、版本管理该把什么当作基本对象、软件质量保障:错误如何传播与暴露(第 11 讲「软件质量保障 (1)」——CI 红灯要能亮,先得有值得亮的东西)。