Apakah Harness Engineering? Panduan Lengkap Melaksanakan Rangka Kerja AI Agent dalam Syarikat | Pandangan CEO

Kandungan

1. Apabila Jurutera AI Paling Terkenal Menarik Balik Kata-katanya Sendiri
2. Daripada Prompt Engineering kepada Harness Engineering: Tiga Peringkat Evolusi
3. "Model yang Cukup Hebat Sudah Memadai; Rangka Kerja Hanyalah Keseronokan Jurutera"
4. Impak Perniagaan Harness Engineering: Angka Sebenar daripada Rakuten dan TELUS
5. Bagaimana OakMega Melaksanakan Rangka Kerja AI Agent: Lebih 100 Agent Beroperasi
6. Soalan Lazim

Harness Engineering ialah disiplin kejuruteraan sistem yang mereka bentuk sempadan tugas, kebenaran alat dan seni bina kolaborasi untuk AI Agent, supaya ia dapat melaksanakan tugas berbilang langkah secara autonomi dalam rangka kerja yang terkawal. Ia bukan tentang memilih model yang lebih hebat, tetapi tentang mereka bentuk sempadan sistem yang lebih baik. Dalam artikel ini, saya terangkan perbezaan Harness Engineering dengan Prompt Engineering, hasil yang telah dicapai oleh syarikat sebenar, dan bagaimana OakMega menggunakan rangka kerja AI Agent ini untuk menjadikan pasukan kami lima kali lebih cekap.

Apabila Jurutera AI Paling Terkenal Menarik Balik Kata-katanya Sendiri

Andrej Karpathy ialah bekas ketua AI di Tesla dan salah seorang ahli pengasas OpenAI. Pada Februari 2025, beliau mencipta satu istilah: vibe coding. Ideanya mudah: jangan terlalu banyak berfikir, serahkan keperluan anda kepada AI, biarkan ia berjalan, dan terima sahaja hasilnya asalkan ia "terasa betul". Istilah ini cepat tersebar dalam komuniti jurutera dan menjadi simbol budaya: AI kini cukup berkuasa, halangan sudah tiada, dan sesiapa sahaja boleh menulis kod. Kurang setahun kemudian, Karpathy sendiri mencadangkan istilah baharu, iaitu "agentic engineering", sebagai ganti vibe coding. Alasannya mudah: sesuatu yang sekadar "terasa betul" tidak boleh dibawa ke persekitaran pengeluaran.¹

Apa yang menarik perhatian saya dalam kisah ini bukanlah perubahan pendiriannya, tetapi betapa cepat beliau berubah dan ke arah mana beliau menunjuk. Persoalannya tidak pernah tentang sama ada AI cukup berkuasa. Persoalannya ialah, apabila AI benar-benar mampu menyiapkan kerja, bolehkah anda memastikan ia melakukan perkara yang betul, dalam sempadan yang betul, dan mengesannya apabila ia gagal? Itulah yang kini dibincangkan oleh semua orang sebagai Harness Engineering.

Prompt Engineering, Context Engineering dan Harness Engineering: Tiga Peringkat Evolusi

Ramai orang menyangka bahawa bekerja dengan AI hanya bermaksud belajar menulis prompt yang baik. Pada tahun 2023, itu memang benar. Prompt Engineering ialah kemahiran teras: semakin tepat soalan anda, semakin baik jawapan AI. Namun logik ini cepat menemui hadnya. Anda perlu mengulangi latar belakang dalam setiap perbualan, AI tiada ingatan dan tiada konteks, dan sehebat mana pun anda, anda hanya mengoptimumkan satu titik. Kemudian muncul Context Engineering. Jurutera mula mereka bentuk system prompt dan membekalkan dokumen latar belakang supaya AI dapat bekerja dengan konteks yang mencukupi. Itu satu kemajuan, tetapi masih pasif: manusia mereka bentuk konteks, dan AI bertindak balas dalam konteks tersebut. Harness Engineering ialah tahap seterusnya. Idea terasnya ialah anda bukan lagi sekadar mereka bentuk input AI, tetapi mereka bentuk rangka kerja sistem yang membolehkan AI beroperasi secara autonomi, terkawal dan berskala, termasuk lapisan orkestrasi agent, sempadan bagi panggilan alat, pembahagian tugas antara sub-agent, dan lapisan sambungan kepada sistem luaran. Seperti kata Kyle Corbitt, pengasas bersama HumanLayer: "Ini bukan masalah model. Ini masalah konfigurasi."²

Pada tahun 2026, pasaran agentic AI berkembang pada kadar pertumbuhan tahunan kompaun sebanyak 40.5%, daripada US$9.1 bilion tahun ini kepada unjuran US$139 bilion menjelang 2034.³ Pertanyaan tentang sistem berbilang agent yang direkodkan oleh Gartner meningkat 1,445% dari S1 2024 hingga S2 2025.⁴ Seluruh industri sedang melalui penstrukturan semula secara sistemik.

"Model yang Cukup Hebat Sudah Memadai; Rangka Kerja Hanyalah Keseronokan Jurutera"

Namun, saya masih mendengar ramai eksekutif berkata: "Kami sudah membeli model terbaik. Biarlah jurutera uruskan konfigurasinya." Di sebalik logik ini terdapat andaian yang tidak dinyatakan: had keupayaan AI menentukan segala-galanya, dan rangka kerja kejuruteraan hanyalah nilai tambahan. Saya faham naluri ini. Memilih model paling hebat terasa seperti membeli pisau terbaik, dan bahan sarungnya seolah-olah bukan keutamaan. Logik ini tidak sepenuhnya salah. Jika penggunaan AI anda terhad kepada meringkaskan laporan dan menulis draf e-mel, anda memang tidak memerlukan harness. Satu akaun ChatGPT sudah memadai.

Impak Perniagaan Harness Engineering: Angka Sebenar daripada Rakuten dan TELUS

Masalahnya, kebanyakan syarikat hari ini mahukan lebih daripada ringkasan laporan yang dijana AI. Mereka mahu AI Agent yang menjalankan aliran kerja secara automatik, mengendalikan data pelanggan, berkolaborasi merentas sistem, dan menyiapkan tugas berbilang langkah tanpa pengawasan. Menurut laporan Anthropic, Agentic Coding Trends Report 2026, agent kini mampu menyiapkan 20 tindakan secara autonomi sebelum memerlukan campur tangan manusia, meningkat daripada 10 enam bulan lalu.⁵ Keupayaan meningkat dua kali ganda, begitu juga risikonya. Realitinya: 97% syarikat sedang meneroka agentic AI, tetapi hanya 36% mempunyai tadbir urus AI berpusat, dan hanya 12% menggunakan platform berpusat untuk mengawal penularan AI.⁶ Model AI gagal dalam persekitaran pengeluaran kira-kira 60% daripada masa (Forrester).⁷ Jika anda membeli pisau tanpa mereka bentuk sarungnya, orang anda sendiri yang akan tercedera.

Sebaliknya, syarikat yang mereka bentuk harness dengan betul mencatatkan angka yang sama sekali berbeza. Rakuten menggunakan harness berbilang agent untuk memproses 12.5 juta baris kod dalam 7 jam, memendekkan kitaran penghantaran produknya daripada 24 hari kepada 5 hari, iaitu pengurangan sebanyak 79%.⁸ TELUS menghubungkan 57,000 pekerja kepada aliran kerja AI, menjimatkan sejumlah 500,000 jam kejuruteraan dan menghasilkan lebih 13,000 penyelesaian AI tersuai.⁹ Persamaan kedua-dua kes ini bukanlah model yang paling hebat, tetapi rangka kerja yang membolehkan AI beroperasi secara autonomi dalam had yang terkawal. Jurangnya bukan pada model. Jurangnya pada harness.

Bagaimana OakMega Melaksanakan Rangka Kerja AI Agent: Lebih 100 Agent Beroperasi

Di OakMega, kami bukan sekadar bercakap tentang Harness Engineering. Kami benar-benar menggunakannya. Kami telah melaksanakan Claude Code di seluruh syarikat, dan kini lebih 100 agent beroperasi serentak merentas pasukan operasi, jualan, pemasaran, kejayaan pelanggan dan produk kami. Setiap agent mempunyai sempadan tugas, kebenaran alat dan seni bina kolaborasi yang jelas, serta titik semak human-in-the-loop supaya keputusan kritikal masih dibuat oleh manusia. Kami tidak sekadar menampal alat AI pada aliran kerja sedia ada. Kami mereka bentuk, dari asas, satu sistem yang membolehkan AI menyiapkan tugas dengan sendirinya. Jabatan yang menggunakan aliran kerja Claude Code menjadi lima kali lebih cekap.

Saya percaya bahawa mulai 2026, garis pemisah sebenar dalam keupayaan AI syarikat bukan lagi "Adakah anda menggunakan AI?", tetapi "Bolehkah pasukan anda mereka bentuk rangka kerja kejuruteraan yang mengawal AI?" Sebelum anda bertanya "Alat AI mana yang patut kami beli?", tanyalah dahulu "Bolehkah kami mereka bentuk sistem yang membolehkan AI beroperasi dengan cara yang boleh kami percayai?" Kembali kepada Karpathy: beliau tidak pernah mengatakan vibe coding itu salah. Apa yang beliau katakan ialah, jika anda benar-benar mahu AI melakukan kerja dalam persekitaran pengeluaran, perasaan sahaja tidak mencukupi. Anda memerlukan kejuruteraan.

Ingin tahu bagaimana OakMega menggunakan harness engineering dan agent dalam senario tertentu? Tinggalkan komen dan beritahu saya kegunaan mana yang paling ingin anda ketahui.

Saya ingin mendengar pandangan anda di ruangan komen.

👉 Hubungi Kami

Soalan Lazim

S1: Apakah Harness Engineering?

Harness Engineering ialah disiplin kejuruteraan sistem yang mereka bentuk sempadan tugas, kebenaran alat dan seni bina kolaborasi untuk AI Agent, supaya AI dapat melaksanakan tugas berbilang langkah secara autonomi dalam rangka kerja yang terkawal. Ia tidak mengoptimumkan kualiti input bagi satu perbualan (itu Prompt Engineering). Sebaliknya, ia mereka bentuk sistem keseluruhan yang memastikan AI berjalan dengan stabil dalam jangka panjang, termasuk seni bina kolaborasi agent, sempadan alat dan titik semak pengawasan manusia.

S2: Apakah perbezaan antara Harness Engineering dan Prompt Engineering?

Prompt Engineering mengoptimumkan kualiti input bagi satu perbualan AI. Harness Engineering pula mereka bentuk rangka kerja sistem yang membolehkan AI Agent beroperasi dalam jangka panjang secara autonomi dan terkawal, termasuk pembahagian tugas, sempadan alat dan mekanisme pengawasan. Kedua-duanya berfungsi pada tahap berbeza: yang pertama ialah taktik, yang kedua ialah seni bina.

S3: Adakah Harness Engineering sesuai untuk perniagaan kecil dan sederhana (PKS)?

Jika penggunaan AI anda terhad kepada tugas sekali (ringkasan, draf), anda mungkin tidak memerlukan reka bentuk harness yang lengkap. Tetapi sebaik sahaja anda mahu AI menjalankan aliran kerja merentas sistem atau tugas berbilang langkah secara automatik, reka bentuk harness menjadi pelaburan yang wajib, bukan pilihan.

S4: Apakah asas teknikal yang diperlukan untuk melaksanakan Harness Engineering?

Anda tidak perlu membina model AI sendiri, tetapi anda memerlukan kemahiran integrasi API, pemikiran seni bina sistem, dan pemahaman asas tentang rangka kerja AI Agent seperti Claude Code. Paling penting, organisasi mesti bersedia mereka bentuk semula aliran kerjanya, bukan sekadar menambah alat AI di atas proses sedia ada.

S5: Mengapakah inisiatif Harness Engineering dalam syarikat sering gagal?

Punca kegagalan paling biasa ialah menambah alat AI pada aliran kerja sedia ada tanpa mereka bentuknya semula. Punca kedua ialah ketiadaan tadbir urus AI berpusat. Data menunjukkan hanya 12% syarikat mempunyai platform berpusat untuk mengawal penularan AI, menyebabkan agent beroperasi dalam persekitaran yang tidak terkawal, dengan kadar kegagalan dalam persekitaran pengeluaran setinggi 60% (Forrester).

S6: Apakah yang perlu diberi perhatian oleh syarikat di Taiwan apabila melaksanakan rangka kerja AI Agent?

Titik buta yang biasa bagi syarikat di Taiwan semasa melaksanakan agentic AI ialah "mentaliti perolehan": mereka memilih model tetapi tidak membina reka bentuk sistem di sekelilingnya. Saya mencadangkan tiga perkara dinilai terlebih dahulu: sama ada aliran kerja semasa anda sesuai untuk automasi agent, sama ada pasukan anda mempunyai kemahiran integrasi API, dan sama ada anda mempunyai mekanisme pengawasan human-in-the-loop yang direka bentuk dengan jelas.

Rujukan

1. Karpathy, A. (2025). "Software Is Changing (Again)". X (formerly Twitter). https://x.com/karpathy
2. Turing College. (2025). "Vibe Coding vs. Agentic Engineering". https://www.turingcollege.com/blog/agentic-engineering-vs-vibe-coding
3. HumanLayer. (2025). "Skill Issue: Harness Engineering for Coding Agents". https://www.humanlayer.dev/blog/skill-issue-harness-engineering-for-coding-agents
4. SpaceO Technologies. (2026). "Agentic AI Frameworks 2026". https://www.spaceo.ai/blog/agentic-ai-frameworks/
5. Deloitte. (2026). "Unlocking exponential value with AI agent orchestration". https://www.deloitte.com/us/en/insights/industry/technology/technology-media-and-telecom-predictions/2026/ai-agent-orchestration.html
6. Anthropic. (2026). "Agentic Coding Trends Report 2026". https://resources.anthropic.com/2026-agentic-coding-trends-report
7. TechHQ. (2026). "Agentic AI Governance Is the CIO's Most Urgent Blind Spot". https://techhq.com/news/agentic-ai-governance-enterprise-gap/
8. Composio. (2026). "Why AI Agent Pilots Fail in Production". https://composio.dev/blog/why-ai-agent-pilots-fail-2026-integration-roadmap
9. Anthropic. (2026). "Rakuten accelerates development with Claude Code". https://claude.com/customers/rakuten
10. Anthropic. (2026). "TELUS: AI Coding Trends Report 2026". https://resources.anthropic.com/2026-agentic-coding-trends-report