10万开发者调查证实AI写的代码大部分是垃圾，这个Harness Engineering方法论把产出质量拉高了3倍
Dex Horthy 是 HumanLayer 的创始人，他之前在 AI Engineer 大会上讲的 12 Factor Agents 是全场最火的演讲之一。这次他带来了续集，主题是怎么在真实的、复杂的、十年历史的代码库里让 AI 编码 Agent 真正干活
他的团队三个人，花了八周时间，彻底重构了用 AI 写代码的工作流。效率提升了 2 到 3 倍，而且产出质量高到他们不得不改变整个团队的协作方式。他说这个过程非常痛苦，但回不去了
大多数人用 AI 写代码，写的是垃圾
Dex 开场引用了一组数据：Eigor 调查了 10 万开发者，发现大部分人用 AI 写代码的结果是大量返工。代码量确实上去了，但很多只是在修上周 AI 写出来的烂代码
绿地项目（全新的 Vercel dashboard 之类）效果很好。但如果是一个十年历史的 Java 代码库，AI 基本就废了
这和 Dex 自己的体验完全一致。他第一次用 Claude Code 的时候并没有觉得多惊艳，就觉得"还行，比手写好一点"。直到他们团队摸索出了一套方法，才真正把产出质量拉上来
上下文窗口就是一切
LLM 是无状态的。每次调用的时候，模型能看到的只有当前上下文窗口里的内容。放进去什么 token，就出来什么质量的结果
Dex 把上下文窗口分成了"聪明区"和"笨蛋区"。以 Claude Code 为例，大概在 40% 使用率的时候就开始出现质量下降。如果你的 MCP 工具往上下文里灌了一堆 JSON 和 UUID，那你所有的工作都在笨蛋区里完成，结果不可能好
优化上下文窗口要看四个维度：正确性、完整性、大小、轨迹
轨迹这个维度很有意思。很多人跟 Agent 对话的模式是：下指令，Agent 做错了，骂它，Agent 又做错了，再骂它。模型看到的对话历史就是"做错，被骂，做错，被骂"，它推测出的下一步就是"我最好再做错一次好让人骂我"。所以如果对话走偏了，最好直接开一个新的上下文窗口重来
Research-Plan-Implement：三步压缩法
Dex 团队的核心工作流叫 Research-Plan-Implement（RPI），本质上是一套持续压缩上下文的方法
Research 阶段：搞清楚系统怎么运作。找到相关文件，理解代码流程，把结论压缩成一份研究文档。这份文档就是对代码库真实状态的快照，不是文档里可能过时的描述，是从代码本身提取的事实
Plan 阶段：把研究结论和需求合在一起，列出精确的执行步骤。关键是要包含具体的文件名、行号、代码片段。一份好的计划应该让最笨的模型都能按步骤执行不出错
Implement 阶段：按计划执行，保持上下文小。每一步完成后可以做"有意压缩"（intentional compaction），把当前进展总结成 markdown 文件，新的 Agent 接手时直接从总结开始，不用重新搜索和理解整个代码库
这三个阶段的共同目标是一个：始终待在上下文窗口的聪明区
Sub-agent 是用来控制上下文的，不是用来扮演角色的
很多人用子 Agent 的方式是：一个前端 Agent，一个后端 Agent，一个 QA Agent，一个数据科学 Agent
Dex 说，别这样
子 Agent 的正确用法是控制上下文。比如你要搞清楚一个大型代码库里某个功能怎么运作，可以派一个子 Agent 去做所有的搜索、读文件、理解代码流程的工作。这些操作会消耗大量上下文空间。子 Agent 完成后只返回一条简洁的消息：“你要的文件在这里”。父 Agent 读那一个文件就能直接开工，上下文干干净净
渐进式加载：别把整个代码库的知识塞进去
最常见的做法是在仓库根目录放一个大的 onboarding 文件，写清楚整个项目的架构、约定、关键文件。问题是代码库一大，这个文件要么太长吃掉整个聪明区，要么信息不够 Agent 还是会犯错
Dex 推荐的做法是分层加载。根目录放全局上下文，每个子目录放局部上下文。Agent 工作的时候只加载根上下文加上当前工作区域的局部上下文，其他的不碰。这样上下文小，还有足够的空间做实际工作
还有一个更好的方案：按需压缩上下文。不维护一个可能过时的静态文档，而是每次开始新任务的时候，让 Agent 现场去代码里找，然后压缩成一份当前有效的研究文档。因为代码本身是真相源，文档只会越来越不准
Dex 画了一张图问观众："在代码、函数名、注释和文档之间，哪个的谎话最多？"答案是文档
计划就是杠杆
计划的核心价值是压缩意图。一份好的计划不只是步骤列表，它包含了具体的代码片段，让审阅者能快速判断"这个方向对不对"
Dex 特别强调了"心理对齐"（mental alignment）这个概念。代码审查的真正目的不只是找 bug，是让团队所有人对代码库的变化保持同步理解。当 AI 每周产出的代码量是以前的 2 到 3 倍，传统的逐行审查已经跟不上了
他们的做法是审查计划而非审查代码。团队 leader 可以通过读计划来了解系统在怎么演进，在计划阶段就能发现方向性的问题。Mitchell 还把他的 Agent 对话线程直接附在 Pull Request 里，让审查者能看到完整的推理过程，不只是一堆绿色的新增代码
一条坏的 research 结论（对系统的错误理解）会导致整个计划偏离，进而产生几百行错误代码。所以人的精力应该集中在链条最上游：确保 research 是对的，确保 plan 是对的
实战验证：30 万行 Rust 代码库的一次性修复
Dex 拿了一个真实案例做验证。他的朋友 Vibv 是 Boundary ML 的 CEO，有一个 30 万行的 Rust 代码库（BAML 编程语言项目）。Dex 用 RPI 方法论尝试一次性修复一个问题
先做了几轮 research，扔掉了质量不好的，重新做。然后分别用有 research 和没 research 的方式生成了计划，对比效果。周一晚上做完，周二早上 CTO 看了 PR 说"看起来没问题，下个版本合进去"
后来他们又花了一个周六 7 小时，往 BAML 提交了 35000 行代码（部分是 codegen），Vibv 估计这相当于 1 到 2 周的正常工作量
但也有失败的案例。他们尝试从 Parquet Java 中移除 Hadoop 依赖，RPI 方法论到了某个点就不够用了，最后不得不回到白板前用人脑思考整体架构
不要外包思考
这是 Dex 反复强调的一句话：AI 不能替代思考，它只能放大你已经做过的思考，或者放大你没做过的思考
不是所有任务都需要完整的 RPI 流程。改个按钮颜色，直接跟 Agent 说就行。做一个小功能，写个简单计划就够。跨多个仓库的中型功能，做一次 research 再写计划。只有最复杂的问题才需要完整的多轮 research 加详细计划
怎么判断需要多少 context engineering？没有公式，靠经验。你会做错很多次，有时候准备过度，有时候准备不足。Dex 的建议是选一个工具然后大量练习，不要在 Claude、Codex、Cursor 之间反复切换试图找到最优解
Spec-driven 开发已经语义扩散了
Dex 提到了 Martin Fowler 在 2006 年说过的概念：语义扩散（semantic diffusion）。一个好的术语被提出来之后，所有人都开始用它表达不同的意思，最终这个词变得毫无意义
"Agent"经历过这个过程，从一个人到一个微服务到一个聊天机器人到一个工作流。现在 “spec-driven development” 也在经历同样的事。有人说它是写更好的 prompt，有人说是产品需求文档，有人说是可验证的反馈循环，有人说只是在写代码的时候用一堆 markdown 文件
Dex 说真正重要的不是叫什么名字，是背后的原理：压缩上下文，管理上下文窗口，待在聪明区
下一步是团队变革
Dex 认为 AI 编码工具本身会被商品化，所有人都会学会怎么用。真正难的是怎么让团队和开发流程适应一个 99% 代码由 AI 产出的世界
现在正在出现一个裂痕：资深工程师不用 AI，因为觉得提升不大。中级工程师大量使用，因为能填补技能缺口，但同时也产出了一些低质量代码。然后资深工程师越来越烦，因为每周都在清理 Cursor 生产出来的烂代码
这不是 AI 的错，也不是中级工程师的错。这是文化变革的问题，需要从团队顶层推动
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～