告别"氛围编程"：基于 Harness 治理和 SDD 的团队级 AI 研发范式演进与实践
- 来源：微信公众号（阿里技术）
- 原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTU0NTQ0MA==&mid=2247559876&idx=1&sn=d36019602fa9c07b1595a5f3f25c169a
- 作者：王树新（高德大模型应用平台）
- 日期：2026-05-07
核心观点
文章基于阿里高德团队在 Qoder 平台上的 AI 编程实践，揭示了"出码率提升≠真正提效"的悖论，并提出 SDD（规范驱动开发）+ Harness Engineering 的解法。
三大核心问题
1. 自由发挥问题：AI 生成代码天马行空，业务理解不足、规范缺失，与现有架构不兼容 2. 效率降低问题：指令不够清晰时，多轮对话反复拉扯，不如自己写 3. 关键信息丢失问题：多轮对话中 AI "忘记"重要约束，任务粒度过大时顾此失彼
出码率 80-90% 但提效不明显的三个原因
1. 研发是全链路过程，编码只是其中一环，优化单个环节整体提效有限 2. 存量应用中 Vibe Coding 风险极高——隐式依赖、历史包袱、AI 生成的代码可能与现有系统完全不兼容 3. 大型项目超出单次 AI 对话能力边界
SDD（规范驱动开发）
核心思想：规范不再是散文式的 PRD，而是结构化的"意图代码"，成为唯一真实来源。
工作流四阶段：
- Specify：定义结构化规范（用户故事、验收标准、系统约束）
- Plan：AI 将规范"编译"成技术方案和任务拆解
- Implement：AI Agent 逐个执行任务，自动生成代码
- Validate：根据规范自动生成测试用例并执行
Harness Engineering（驾驭工程）
四大支柱： 1. 上下文工程：结构化信息投喂，维护"单一事实来源" 2. 架构约束：通过物理手段强制 AI 遵守规则（如 UI 层禁止直接访问数据库） 3. 反馈回路与熵管理：Agent 写代码→自动测试→失败→自我修正，将人类经验固化为规则 4. 人类监督：从"写代码的人"变为"审核员"和"环境设计师"
全流程自动化
基于 Qoder 平台的四步实践： 1. 设计知识库（项目层/技术层/资产层三层结构） 2. Quest Spec 模式处理需求 PRD（HITL 人在回路） 3. 专家团模式（Experts Mode）执行任务 4. 通过 MCP 工具完成部署
总结
从"氛围编程"到"规范驱动、工程治理"的范式转变：开发者从被动的代码编写者变为主动的需求定义者、规范审核者、结果验证者。