Skip to content

AI-Native Agent 2026：從 Harness Engineering 到 Skill Engineering 的變革

Sep 5, 20261 min
Home›tech
TL;DR2026 年 AI Native Agent 時代的核心變化：從 Harness Engineering 到 Skill Engineering，工程師角色從執行者轉向評判者，三個階段演進與五大關鍵技能。
#ai-native#agent#harness-engineering#skill-engineering#2026#coding-agent
Table of Contents
  1. TL;DR
  2. 情境
  3. 從 Harness Engineering 到 Skill Engineering
    1. 核心方程式的演進
    2. Harness Engineering 的三層架構
    3. Skill Engineering 的興起
    4. 會議共識：四大轉變
  4. 影響與坑
    1. 14 個常見坑（直接源自 Caesar Chi 文章）
    2. 關鍵 KPI 轉變
    3. 工具大比拼 (2026)
  5. 未來展望
    1. 三層架構定論
    2. 12-24 個月預測
    3. 行動建議
  6. 參考資料

TL;DR

2026 年，AI Native Agent 經歷了從「Prompt Engineering」→「Context Engineering」→「Harness Engineering」→「Skill Engineering」的飛躍。核心方程式 Agent = Model + Harness 變成 Agent = Model + Skills + Harness + Governance。工程師從「實作者」轉向「評判者」與「體系構建者」——不再是手寫 Code，而是定義意圖、建構環境、驗證結果與治理技能生態系統。

情境

2026 年 9 月，Andrew Ng 發表 AI Engineering Skills Map 中關於 Coding Agents 的文章；Caesar Chi 將業界經驗與會議心得整理成《AI-Native Agent 時代的 2026 年身為管理者應該知道的事情》；Tessl 在 AI Native DevCon London 2026 發表了 Context Development Lifecycle (CDLC) 框架。眾多文章與會議同時期發表，勾畫出 AI Native Agent 時代的藍圖：工程不再只是「Human 寫 Code，AI 幫忙」，而是「Human 定義 Intent、Architecture、Constraints 與 Acceptance Criteria，Agent 負責 Execution，而系統負責 Verification」。

回到過去：

2024: Human writes code, AI assists
        ↓
2025: Human prompts, Agent edits code
        ↓
2026: Human specifies intent, Agents execute in parallel, Verifiers inspect output, Humans make judgment
        ↓
Next: Human manages an engineering system that continuously produces software

從 Harness Engineering 到 Skill Engineering

核心方程式的演進

時期核心公式關鍵焦點
2023-2024Agent ≈ ModelPrompt Engineering - 透過 Prompt 調教 Model
2024-2025Agent = Model + ContextContext Engineering - 管理上下文情報
2026Agent = Model + HarnessHarness Engineering - 建構決定性框架約束 Model
2026 末期Agent = Model + Skills + Harness + GovernanceSkill Engineering - 技能與治理成為第一類別

關鍵洞察：Harness Engineering 是 2026 年的轉折點。它不再僅僅是「讓 Model 可靠」，而是「將 Model 變成 useful 且 actionable」。

Harness Engineering 的三層架構

Human Judgment
    ↓
Agent Execution
    ↓
Deterministic Backbone
  • Human Judgment：Intent、Judgment、Architecture、Trade-offs、Risk、Trust
  • Agent Execution：Search、Analysis、Implementation、Testing、Iteration、Documentation、Monitoring
  • Deterministic Backbone：Constraints、State、Permissions、Validation、Audit、Verification

Skill Engineering 的興起

在 Tessl 的 AI Native DevCon London 2026 會議中，Guy Podjarny 宣告：「Skills are the New Code.

Skill = context with a defined boundary: named, versioned, testable, installable

這與庫的邏輯一致——經過 20 年演進的庫最佳實踐，現在套用到 AI 技能上。技能不再是模糊的 Prompt，而是：

  • Named：有明確名稱
  • Versioned：有版本控制
  • Testable：有測試規格
  • Installable：可以像安裝庫一樣安裝

會議共識：四大轉變

  1. 從 Context Engineering 到 Skill Engineering

    • Context：模糊、冗長、難以重用
    • Skill：有界定、可版本、可測試、可安裝

  2. 從 SDLC 到 CDLC

    • SDLC (Software Development Life Cycle)：人類處於迴避位置，將 SDLC 交給 Agent
    • CDLC (Context Development Lifecycle)：人類應該身處其中，專注於上下文、技能與治理

  3. 技能治理變成企業層面關鍵

    • 在規模層面：知道哪些技能被使用、是否安全、歸屬誰所有

  4. 人類留在 CDLC，Agent 承接 SDLC

    • 人類專注於上下文開發週期
    • Agent 負責軟體開發週期

影響與坑

14 個常見坑（直接源自 Caesar Chi 文章）

問題後果
Spec 不完整快速做錯
Context 太多Agent attention 被污染
Context 太少Agent 猜 architecture
沒有 verifierAgent 自稱完成
Test coverage 假象錯誤被測試共同合理化
Agent 自己 review 自己Confirmation bias
Parallel agents 改同一區域Merge chaos
太多 MCP tools工具選擇混亂
權限太大Blast radius 過大
Production secrets 暴露Security incident
無 network policyData exfiltration risk
長時間 unattendedError compounding
每次 Session 從零重複犯錯
所有 learnings 寫進 ContextContext bloat
AI code growth 無治理Agent-generated debt

關鍵 KPI 轉變

  • 不該測：Token maximization（Token 數最大化）
  • 該測：
    • Verified outcomes / Human hour
    • Verified PRs / Human Review Hour
    • Business Value / Human Attention

Human attention 會變成最貴的 compute

工具大比拼 (2026)

工具突出方向
Claude CodeTerminal-first、context、skills、hooks、subagents、MCP
CodexMulti-agent command center、cloud/local、skills、automation
CursorIDE + cloud agents + automations + artifacts + enterprise orchestration
OpenCodeOpen harness、agent configuration、primary/subagent、permissions

哲學：不要把 Organizational Knowledge 綁死在某一個 Agent 裡。理想架構是 Knowledge 共享，Model/Harness 可以換，但 Specs、Verification、Process 應該保留。

未來展望

三層架構定論

Human Judgment
    ↓
Agent Execution  
    ↓
Deterministic Backbone

每一層都直接對應商務流程、商業目標，而非單一任務執行。

12-24 個月預測

  1. 技能標準化：技能像庫一樣擁有標準化介面、版本管理與測試
  2. 治理體系：企業級技能治理、安全審計、使用追蹤
  3. 跨領域應用：不僅限軟體工程，還延伸至法律、金融、製造等領域
  4. 工具鏈成熟：Harness Engineering、Skill Engineering 工具與平台的出現
  5. 角色轉型：工程師從「實作者」轉向「技能體系架構師」與「審查者」

行動建議

立即行動：

  1. 為關鍵項目建立行為規格（Behavior Spec）
  2. 實施證據-based 驗證流程而非信任 completion
  3. 將 AGENTS.md 重構為漸進式披露結構

中期規劃：

  1. 導入 Skills 系統取代重複的 Prompt
  2. 開發 Context Engineering 最佳實踐
  3. 建立 Harness Engineering 能力

長期願景：

  1. 從 L2 升級至 L3/L4 Agent 協作
  2. 組織構建 Institutional Memory
  3. 開發適合的 KPI 體系（Verified outcomes / Human hour）

參考資料

  1. AI-Native Agent 時代的 2026 年身為管理者應該知道的事情 — Caesar Chi (2026-09-05)

    • source link
    • 涵蓋 agent 演進、14 個坑、KPI 轉變、工具比較

  2. Harness Engineering: A guide to building better AI coding agents — Faros.ai (2026-05-22)

  3. Harness engineering: leveraging Codex in an agent-first world — OpenAI (2026-02-11)

    • source link
    • 實驗：5 個月、0 行手寫 code、10 倍速度提升

  4. Code as Agent Harness: Toward Executable, Verifiable, and Stateful Agent Systems — arXiv (2026)

  5. The State of the AI Coding Stack: Agent Skills, Harnesses, and Enablement at AI Native DevCon London 2026 — Tessl (2026-06-02)

  6. The March article on opencode — quidproquo (2026-03-31)

    • source link
    • 站內文章：Opencode 與 Coding Agent 的介紹

  7. From Prompt to Harness: Three Evolutions of AI Engineering — quidproquo (2026-03-28)

    • source link
    • 站內文章：Harness Engineering 的三次演化

Related

Antigravity CLI: Google Replaces a 100K-Star Open-Source Tool with a Closed-Source Go Binary1 minMuse Code: Meta's First Coding Agent, Trading Training Rights for a 20x Discount1 minDeepSeek Harness (dsh): A Coding Agent Framework That Takes Everything-is-a-Plugin All the Way1 min