课程简介
当团队引入 AI 编程工具后，往往会经历这样的困惑：
> "大家都在用 Copilot，为什么效率提升不明显？"
> "AI 生成的代码质量参差不齐，Review 成本反而更高了。"
> "优秀的 Prompt 经验只存在于个人脑子里，无法沉淀为团队能力。"
Harness 是一套 AI 编程工程化约束框架，解决的核心问题是：如何将 AI 的创造力纳入工程化的轨道，使其产出可预测、可审计、可复现。
目标收益
培训对象
有一定编程基础的开发者
希望从"AI辅助补全"进阶到"AI驱动工程化"的工程师
需要建立团队 AI 编程规范的技术负责人
研发效能 / DevOps / 工程效率团队成员
课程大纲
|
第一天：个人提效 — 从 Vibe Coding 到工程化 Spec Coding 模块一：AI 编程范式变革 |
1、行业洞察：AI 编程三阶段演进 2、Vibe Coding vs Spec Coding 对比 3、角色重构：从 Coder 到 Commander： -Spec 编写能力（精确描述"要什么"） -AI 工具编排能力（高效利用 AI 完成工作） -质量验证能力（评审和把控 AI 产出） 4、工具全景图（2026）： -Claude Code — 项目级理解、复杂推理、多文件协同 -Cursor / Windsurf — AI 原生 IDE、Composer 多文件编辑 -GitHub Copilot — 代码补全、Workspace、Agent Mode -Cline / Aider — 开源 Agent、终端工作流 -MCP 生态 — Model Context Protocol、工具集成 5、核心论点：工具自由，方法论统一。无论用哪个工具，Harness 方法论都适用。 |
| 模块二：Spec Coding 方法论与工具实战 |
Spec Coding 四大工程原则： 1.Spec First（规格先行）：需求 → Spec 设计 → AI 评审 → 完善 → AI 生成代码 2.Living Documents（活文档）：Spec 与代码同步演进、版本化管理 3.Traceability（需求可追踪）：FEAT → FR → API → TEST 全链路 ID 追踪 4.Validation（验收内嵌）：Given/When/Then 验收标准写在 Spec 中 黄金工作流： Vibe（探索）→ Spec（规格化）→ AI（生成）→ Review（审查）→ Commit（提交） 关键决策点：什么时候该 Vibe（原型验证），什么时候必须 Spec（生产代码）。 Traceability 实战 — ID 体系： Prompt 工程五大要素： 5.上下文清晰 — 项目背景、技术栈 6.规格明确 — 输入输出、约束条件 7.示例引导 — 期望的代码风格 8.分步指令 — 复杂任务拆解 9.验证标准 — 完成判据 现场演示：同一个需求，Vibe Prompt vs Spec Prompt 的输出差异。 |
| 模块三：Harness 工程体系 — 模板库实操 |
1、为什么需要模板库： -AI 需要结构化输入才能稳定输出 -团队需要统一的 Spec 格式才能协作 -模板 = 团队经验的沉淀和标准化 2、oh_my_harness 开源模板库概览： -开源地址：github.com/renzhichao/oh_my_harness -8 份模板，约 6,500 行结构化规范，中英双语 -[PLACEHOLDER] 占位符 + 引导填写 -可直接作为 AI Prompt 输入 3、四文档流水线： -Stage 1: GAP Analysis — Executive Summary / Architecture Comparison / Option Analysis / Risk Assessment / Success Criteria -Stage 2: Requirements — Functional Requirements (FR-ID) / Non-Functional Requirements / Acceptance Criteria (Given/When/Then) / Testing Requirements -Stage 3: FIP（功能实施计划） — Architecture Design (Mermaid) / API Design Table / Security Design / Risk Register / Implementation Plan / Testing Strategy -Stage 4: Task List — Phase 分解 / 每任务 Status-Priority-Time-Dependencies / 关键路径分析 / 阶段检查点 4、四份工程约束文档 5、模板间引用关系 6、动手练习：使用模板编写 Spec（30分钟）： 练习场景（三选一）： 1. 用户账户管理 API（轻量入门） 2. 数据监控告警系统（中等难度） 3. 文件上传与处理服务（完整流水线） 步骤：选择场景 → 使用 oh_my_harness 模板编写 Requirements Spec → 小组交叉 Review |
| 模块四：AI 驱动的端到端代码生成实践 |
1、结构化 Prompt 模板库实战： ## Context 技术栈：{框架、数据库、中间件} 项目架构：{微服务 / 单体 / Serverless} ## Spec 功能：{功能名称} 输入规格：{JSON Schema 或参数描述} 输出规格：{响应格式} 验收标准：{AC-001, AC-002...} ## Requirements - 遵循{团队编码规范} - 包含错误处理和日志 - 编写单元测试（覆盖率 > 80%） 2、综合实战：端到端开发一个功能（60分钟）： 3、实战任务：优惠券系统 4、需求描述： -用户可以领取满减优惠券 -优惠券有有效期、使用门槛 -订单结算时自动应用最优优惠券 5、实战流程： 10.需求分析（10分钟）— 编写需求规格 Spec，识别边界条件 11.设计阶段（15分钟）— 数据模型设计 + API 接口设计 12.代码实现（25分钟）— AI 生成数据模型 / API 接口 / 业务逻辑 13.测试验证（10分钟）— AI 生成单元测试 + 集成测试 6、现场编码演示 + 学员同步实践。 |
|
第二天：组织协同 — 从 Spec Coding 到 Agentic SDLC 模块五：企业级 AI Coding 工程实践 |
1、从个体到组织的鸿沟： 2、企业级三大挑战： 一致性管理：Prompt 不一致、上下文混乱、知识腐化 可审计可回溯：AI 生成的代码必须可追溯、可审计 架构依赖：不同部署环境的配置管理 3、解决方案：组织级 Spec 库 + Spec 驱动 Code Review： 4、工具映射： -Claude Code → CLAUDE.md（项目级规范） -Cursor → .cursorrules（项目级规则） -Copilot → .github/copilot-instructions.md 5、企业级落地案例： 案例一：蔚来通义灵码企业级落地 -企业版 Prompt 云端托管 + 组织级约束 -确保工程实践一致性 -获 2025 年度蔚来十佳案例 案例二：阿联酋银行 Sweep Coding 实践 -2 人团队，2 个月，1300+ commits / 200万+ 行代码 -严格的结构化 Spec 输入 + 分层验证体系 -验证了 Harness 方法论在金融级场景的有效性 6、Regression 预防三层体系： -L1 代码层面：类型系统 + 单元测试 + Code Review -L2 架构层面：模块化设计 + API 版本管理 + Feature Flags -L3 流程层面：变更先更新 Spec → FIP 影响分析 → Regression 检查清单 |
| 模块六：从 Skills 到 Workflow — Agentic SDLC 落地 |
1、什么是 Agentic SDLC： -AI Agent 驱动的软件开发生命周期 -核心理念："AI 为主，人在环"（Human-in-the-Loop） -从单点工具到智能工作流 2、SDLC 全链路 Agent 体系： 3、Skills → Workflow 编排： 当前状态（碎片化）： -开发者 A 用 Cursor 写代码 -开发者 B 用 Copilot 补全 -开发者 C 用 Cline 做 Agent 目标状态（Workflow）： -统一的 Spec 输入格式（Harness 模板） -标准化的 AI 调用接口 -可编排的 Workflow 引擎 -统一的质量门禁 架构依赖与切面注入（Facet）： Agent Core Skills（环境无关） + Facet: K8s 部署配置 + Facet: 数据库连接配置 + Facet: 监控和日志配置 = 完整的可执行 Workflow 4、核心思路：Agent 的核心 Skills 是环境无关的，通过切面注入环境依赖。不同部署环境（K8s / Azure / Serverless）的配置作为 Facet 动态注入。 5、MCP（Model Context Protocol）生态： 标准化 AI 工具与外部系统的连接 可集成的工具：数据库查询 / Git 操作 / API 测试 / 文档生成 / JIRA 集成 6、渐进式演进路线图： Level 1: Spec Coding（本次培训核心） 开发者编写 Spec → AI 生成代码 → 人工 Review 提效：3-5倍 Level 2: Sweep Coding（中期目标） 开发者编写 Spec → AI 自动批量执行 → 人工抽检 提效：5-10倍 Level 3: Agentic SDLC（长期愿景） AI Agent 全链路驱动 → 人在关键节点 Review 提效：10倍+ 7、现场演示：从 Spec 到 Agent Workflow： 编写 Requirements Spec 基于 Spec 用 AI 生成代码 用 Spec 的 Given/When/Then 生成测试 演示 Spec 驱动的 Code Review 流程 |
| 模块七：存量系统 Spec 整理优化 — 从混沌到规范 |
1、为什么存量系统更需要 Spec： -大量存量代码缺乏文档，知识只存在于"老员工脑子里" -AI 工具对无文档的系统难以有效介入 — 没有上下文就没有好输出 -给存量系统补 Spec 不是"额外负担"，而是释放 AI 效能的前提条件 2、Spec 成熟度模型 3、AI 辅助逆向工程：4步从代码到 Spec Step 1: AI 分析项目结构 → 架构概览 Spec Step 2: AI 分析核心接口 → API Spec Step 3: AI 分析业务逻辑 → Requirements Spec Step 4: 人工校准 — 与实际业务对照，修正 AI 推断 4、AI 生成的 Spec 草稿准确率通常 70-80%，人工校准是最关键的环节。 5、优先级矩阵：按"业务重要性 × 变更频率"排序，核心且活跃变更的系统最优先。 |
| 模块八：综合实战演练 |
分组实战（双轨制）： 按职能分组（4-5人/组），每组选择一条赛道： 赛道 A：新功能 Spec-Driven 开发 场景 Spec 锻炼重点 A1. 搜索增强功能 API Spec + 搜索逻辑 Spec A2. 规则引擎 规则引擎 Spec + 复杂逻辑 Spec 赛道 B：存量系统 Spec 补全 场景 方法 Spec 锻炼重点 B1. 选择一个存量微服务 AI 逆向分析 架构 Spec + API Spec 补全 B2. 选择一个缺乏文档的核心接口 AI 代码分析 Requirements Spec 逆向生成 实战时间安排（75分钟）： 赛道 A：需求分析 + Spec 编写（25分钟）→ FIP 设计 + AI 代码生成（25分钟）→ 测试 + 成果展示准备（25分钟） 赛道 B：AI 分析项目结构（15分钟）→ AI 逆向生成 Spec 草稿（25分钟）→ 人工校准（20分钟）→ 整理成果 + 展示准备（15分钟） 评分维度： -Spec 完整度与准确度（30%） -AI 协作效率（Prompt 质量、迭代轮数）（30%） -工程实践规范性（20%） -实用价值（20%） 各组展示（每组 8-10 分钟）：Spec 展示 + 功能演示/Spec 校准结果 + 问题与收获 讲师综合点评：Spec 质量 + AI 协作效率 + 工程实践规范 |
|
第一天：个人提效 — 从 Vibe Coding 到工程化 Spec Coding 模块一：AI 编程范式变革 1、行业洞察：AI 编程三阶段演进 2、Vibe Coding vs Spec Coding 对比 3、角色重构：从 Coder 到 Commander： -Spec 编写能力（精确描述"要什么"） -AI 工具编排能力（高效利用 AI 完成工作） -质量验证能力（评审和把控 AI 产出） 4、工具全景图（2026）： -Claude Code — 项目级理解、复杂推理、多文件协同 -Cursor / Windsurf — AI 原生 IDE、Composer 多文件编辑 -GitHub Copilot — 代码补全、Workspace、Agent Mode -Cline / Aider — 开源 Agent、终端工作流 -MCP 生态 — Model Context Protocol、工具集成 5、核心论点：工具自由，方法论统一。无论用哪个工具，Harness 方法论都适用。 |
|
模块二：Spec Coding 方法论与工具实战 Spec Coding 四大工程原则： 1.Spec First（规格先行）：需求 → Spec 设计 → AI 评审 → 完善 → AI 生成代码 2.Living Documents（活文档）：Spec 与代码同步演进、版本化管理 3.Traceability（需求可追踪）：FEAT → FR → API → TEST 全链路 ID 追踪 4.Validation（验收内嵌）：Given/When/Then 验收标准写在 Spec 中 黄金工作流： Vibe（探索）→ Spec（规格化）→ AI（生成）→ Review（审查）→ Commit（提交） 关键决策点：什么时候该 Vibe（原型验证），什么时候必须 Spec（生产代码）。 Traceability 实战 — ID 体系： Prompt 工程五大要素： 5.上下文清晰 — 项目背景、技术栈 6.规格明确 — 输入输出、约束条件 7.示例引导 — 期望的代码风格 8.分步指令 — 复杂任务拆解 9.验证标准 — 完成判据 现场演示：同一个需求，Vibe Prompt vs Spec Prompt 的输出差异。 |
|
模块三：Harness 工程体系 — 模板库实操 1、为什么需要模板库： -AI 需要结构化输入才能稳定输出 -团队需要统一的 Spec 格式才能协作 -模板 = 团队经验的沉淀和标准化 2、oh_my_harness 开源模板库概览： -开源地址：github.com/renzhichao/oh_my_harness -8 份模板，约 6,500 行结构化规范，中英双语 -[PLACEHOLDER] 占位符 + 引导填写 -可直接作为 AI Prompt 输入 3、四文档流水线： -Stage 1: GAP Analysis — Executive Summary / Architecture Comparison / Option Analysis / Risk Assessment / Success Criteria -Stage 2: Requirements — Functional Requirements (FR-ID) / Non-Functional Requirements / Acceptance Criteria (Given/When/Then) / Testing Requirements -Stage 3: FIP（功能实施计划） — Architecture Design (Mermaid) / API Design Table / Security Design / Risk Register / Implementation Plan / Testing Strategy -Stage 4: Task List — Phase 分解 / 每任务 Status-Priority-Time-Dependencies / 关键路径分析 / 阶段检查点 4、四份工程约束文档 5、模板间引用关系 6、动手练习：使用模板编写 Spec（30分钟）： 练习场景（三选一）： 1. 用户账户管理 API（轻量入门） 2. 数据监控告警系统（中等难度） 3. 文件上传与处理服务（完整流水线） 步骤：选择场景 → 使用 oh_my_harness 模板编写 Requirements Spec → 小组交叉 Review |
|
模块四：AI 驱动的端到端代码生成实践 1、结构化 Prompt 模板库实战： ## Context 技术栈：{框架、数据库、中间件} 项目架构：{微服务 / 单体 / Serverless} ## Spec 功能：{功能名称} 输入规格：{JSON Schema 或参数描述} 输出规格：{响应格式} 验收标准：{AC-001, AC-002...} ## Requirements - 遵循{团队编码规范} - 包含错误处理和日志 - 编写单元测试（覆盖率 > 80%） 2、综合实战：端到端开发一个功能（60分钟）： 3、实战任务：优惠券系统 4、需求描述： -用户可以领取满减优惠券 -优惠券有有效期、使用门槛 -订单结算时自动应用最优优惠券 5、实战流程： 10.需求分析（10分钟）— 编写需求规格 Spec，识别边界条件 11.设计阶段（15分钟）— 数据模型设计 + API 接口设计 12.代码实现（25分钟）— AI 生成数据模型 / API 接口 / 业务逻辑 13.测试验证（10分钟）— AI 生成单元测试 + 集成测试 6、现场编码演示 + 学员同步实践。 |
|
第二天：组织协同 — 从 Spec Coding 到 Agentic SDLC 模块五：企业级 AI Coding 工程实践 1、从个体到组织的鸿沟： 2、企业级三大挑战： 一致性管理：Prompt 不一致、上下文混乱、知识腐化 可审计可回溯：AI 生成的代码必须可追溯、可审计 架构依赖：不同部署环境的配置管理 3、解决方案：组织级 Spec 库 + Spec 驱动 Code Review： 4、工具映射： -Claude Code → CLAUDE.md（项目级规范） -Cursor → .cursorrules（项目级规则） -Copilot → .github/copilot-instructions.md 5、企业级落地案例： 案例一：蔚来通义灵码企业级落地 -企业版 Prompt 云端托管 + 组织级约束 -确保工程实践一致性 -获 2025 年度蔚来十佳案例 案例二：阿联酋银行 Sweep Coding 实践 -2 人团队，2 个月，1300+ commits / 200万+ 行代码 -严格的结构化 Spec 输入 + 分层验证体系 -验证了 Harness 方法论在金融级场景的有效性 6、Regression 预防三层体系： -L1 代码层面：类型系统 + 单元测试 + Code Review -L2 架构层面：模块化设计 + API 版本管理 + Feature Flags -L3 流程层面：变更先更新 Spec → FIP 影响分析 → Regression 检查清单 |
|
模块六：从 Skills 到 Workflow — Agentic SDLC 落地 1、什么是 Agentic SDLC： -AI Agent 驱动的软件开发生命周期 -核心理念："AI 为主，人在环"（Human-in-the-Loop） -从单点工具到智能工作流 2、SDLC 全链路 Agent 体系： 3、Skills → Workflow 编排： 当前状态（碎片化）： -开发者 A 用 Cursor 写代码 -开发者 B 用 Copilot 补全 -开发者 C 用 Cline 做 Agent 目标状态（Workflow）： -统一的 Spec 输入格式（Harness 模板） -标准化的 AI 调用接口 -可编排的 Workflow 引擎 -统一的质量门禁 架构依赖与切面注入（Facet）： Agent Core Skills（环境无关） + Facet: K8s 部署配置 + Facet: 数据库连接配置 + Facet: 监控和日志配置 = 完整的可执行 Workflow 4、核心思路：Agent 的核心 Skills 是环境无关的，通过切面注入环境依赖。不同部署环境（K8s / Azure / Serverless）的配置作为 Facet 动态注入。 5、MCP（Model Context Protocol）生态： 标准化 AI 工具与外部系统的连接 可集成的工具：数据库查询 / Git 操作 / API 测试 / 文档生成 / JIRA 集成 6、渐进式演进路线图： Level 1: Spec Coding（本次培训核心） 开发者编写 Spec → AI 生成代码 → 人工 Review 提效：3-5倍 Level 2: Sweep Coding（中期目标） 开发者编写 Spec → AI 自动批量执行 → 人工抽检 提效：5-10倍 Level 3: Agentic SDLC（长期愿景） AI Agent 全链路驱动 → 人在关键节点 Review 提效：10倍+ 7、现场演示：从 Spec 到 Agent Workflow： 编写 Requirements Spec 基于 Spec 用 AI 生成代码 用 Spec 的 Given/When/Then 生成测试 演示 Spec 驱动的 Code Review 流程 |
|
模块七：存量系统 Spec 整理优化 — 从混沌到规范 1、为什么存量系统更需要 Spec： -大量存量代码缺乏文档，知识只存在于"老员工脑子里" -AI 工具对无文档的系统难以有效介入 — 没有上下文就没有好输出 -给存量系统补 Spec 不是"额外负担"，而是释放 AI 效能的前提条件 2、Spec 成熟度模型 3、AI 辅助逆向工程：4步从代码到 Spec Step 1: AI 分析项目结构 → 架构概览 Spec Step 2: AI 分析核心接口 → API Spec Step 3: AI 分析业务逻辑 → Requirements Spec Step 4: 人工校准 — 与实际业务对照，修正 AI 推断 4、AI 生成的 Spec 草稿准确率通常 70-80%，人工校准是最关键的环节。 5、优先级矩阵：按"业务重要性 × 变更频率"排序，核心且活跃变更的系统最优先。 |
|
模块八：综合实战演练 分组实战（双轨制）： 按职能分组（4-5人/组），每组选择一条赛道： 赛道 A：新功能 Spec-Driven 开发 场景 Spec 锻炼重点 A1. 搜索增强功能 API Spec + 搜索逻辑 Spec A2. 规则引擎 规则引擎 Spec + 复杂逻辑 Spec 赛道 B：存量系统 Spec 补全 场景 方法 Spec 锻炼重点 B1. 选择一个存量微服务 AI 逆向分析 架构 Spec + API Spec 补全 B2. 选择一个缺乏文档的核心接口 AI 代码分析 Requirements Spec 逆向生成 实战时间安排（75分钟）： 赛道 A：需求分析 + Spec 编写（25分钟）→ FIP 设计 + AI 代码生成（25分钟）→ 测试 + 成果展示准备（25分钟） 赛道 B：AI 分析项目结构（15分钟）→ AI 逆向生成 Spec 草稿（25分钟）→ 人工校准（20分钟）→ 整理成果 + 展示准备（15分钟） 评分维度： -Spec 完整度与准确度（30%） -AI 协作效率（Prompt 质量、迭代轮数）（30%） -工程实践规范性（20%） -实用价值（20%） 各组展示（每组 8-10 分钟）：Spec 展示 + 功能演示/Spec 校准结果 + 问题与收获 讲师综合点评：Spec 质量 + AI 协作效率 + 工程实践规范 |
近期公开课推荐
