得物数仓AI开发痛点多，Harness工程四层分工让研发流水线更可靠！

一、AI Coding 现状与痛点：为什么需要 Harness

得物离线数仓各小组已基本完成 AI Coding 工具的覆盖，主力工具为 Claude Code，辅以数据平台的 IDE 插件，应对重复性工作时效率提升明显。但团队在实际使用中暴露出三类结构性痛点。痛点一：AI 不记得上下文约束，开发过程中反复"失忆"，这是 Claude Code 的 context compact 机制的系统性限制。痛点二：规范执行不稳定，靠记忆兜底的部分最容易出问题，人工和 AI 的规范遵守率都不高。痛点三：大型需求开发中，context 很快被撑满，越到后期 AI 越不可靠。针对这些痛点，Harness 工程的目标是把"执行层"的不稳定因素系统性地消掉。

二、先搞清楚"Harness"是什么

Harness = Claude Code 的宿主运行框架，即 Claude Code 客户端本身这个"工具链容器"。它管理 context window 生命周期，在 LLM 推理循环之外确定性地执行 hooks，协调 subagents 的生命周期，不依赖模型判断，直接执行配置的自动化行为。

三、核心问题：compact 到底丢掉什么？

每次数仓开发 context 接近满时，auto-compact 触发，会把整个对话历史替换为一份摘要，token 缩减到原来的约 12%。数仓场景中，对话中的约束、SKILL 文件内容、自测结果等在 compact 后容易丢失。

四、五层防御体系（从简单到复杂）

第一层：写死进 CLAUDE.md，将当前迭代的关键信息写入，每次 compact 后从磁盘重新注入。第二层：Auto Memory 自动积累，Claude 自动将跨会话发现写入 ~/.claude/projects//memory/MEMORY.md，每次 compact 后重新注入。第三层：hooks 自动验证，是解决"每次写完 SQL 自动检查"的关键机制，包含配置文件位置、settings.json 完整配置、SQL 规范自动检查脚本、危险 DDL 拦截脚本等。第四层：subagents 做上下文隔离，把"高 token 消耗但结果只需要摘要"的操作放到 subagent 的独立 context 中执行。第五层：SKILL 文件改造，把 SKILL 文件的"执行步骤"提炼成 subagent 指令，主 context 只接收结果摘要。

五、可行落地方案：数仓 Harness 架构

整体架构设计的核心逻辑是职责分层，持久化层解决"失忆"问题，Harness 层（Hooks）解决"规范靠记忆"的问题，Subagent 层解决"context 被撑满"的问题。数仓的研发流程可按"对 context 的影响"分成两类，不同步骤以最合适的方式运行。

六、基于 SKILL 规范的数仓工作流设计

数仓 8 步 SKILL 规范天然对应 Harness 的三层机制，核心思路是主对话只读规范结论，实际执行由 subagent 或 hook 完成。各步骤有推荐提示词与工作流，同时对 SKILL 调用方式进行改造，减少主 context 消耗，还设计了精准对话流。

七、落地步骤

步骤一：项目级上下文持久化，在数仓项目目录下创建 .claude/CLAUDE.md。步骤二：配置 hooks 自动验证，创建 .claude/settings.json + hooks/ 目录。步骤三：创建 subagents 隔离高 token 操作，创建三个核心 subagent 文件。

八、Harness 工程能解决的核心问题

数仓 AI 开发当前的本质瓶颈是语义理解，Harness 工程的本质是把"语义"和"规范"从不可靠的 LLM 记忆中迁移到确定性的 hooks + 持久化文件里。它能解决字段口径遗忘导致的计算错误、需求理解偏差导致的返工、SQL 规范执行不一致、大型需求开发中的 context 耗尽四类问题，与传统数仓 AI 开发方式相比有明显优势，让数仓 AI 开发从"对话驱动的一次性辅助"升级为"规则嵌入的流水线自动化"。