目录
一、本地 AI Coding 的团队级缺口
二、EP-Harness 的定位：团队级 Agent 工作系统
1.分层可组合架构
2.Backend.Execute：统一 Agent 执行契约
三、AI Coding 正在从工具使用走向工程系统
1.Agent 需要理解真实研发现场
2.Prompt 从个人技巧变成团队规程
3.Context 从“复制粘贴材料”变成结构化上下文
4.Harness：让 Agent 真正可执行、可观察、可治理
5.Loop：把重复工作变成可控闭环
四、落地效果
1.决策追溯
2.多 Agent 协作
3.自动化治理
五、后续演进
六、结语
直接在本地使用 AI Coding 工具，短期看，很方便，但团队化之后会暴露出几个缺口。
-
Prompt 没有 Review
代码有 Code Review，prompt 没有。Agent 指令写得好不好、有没有歧义、有没有安全风险、能不能复用，往往只靠个人判断。
-
经验无法沉淀
日志排查步骤、部署检查方式、开发提示词通常只留在个人本地文件里，下一个人还要重新摸索。
-
过程缺少可见性
谁在用哪个 Agent？用了什么模型和 runtime？成功率、耗时、token 花费是多少？没有平台化就很难进入团队管理。
-
研发链路没有闭环
Agent 写完代码不是结束。代码审查、推送、部署、提测、CR 反馈、BUG 回流和日志巡检如果仍靠人手动接力，价值就停在局部提效。
EP-Harness 的核心价值，就是把这些缺口从个人习惯问题变成平台能力。
EP-Harness 可以理解为一个 Managed Agents 平台。它把 Agent 当成团队里的工作成员来管理：Agent 有身份、有任务、有状态、有执行记录、有可见性、有权限边界，也有自己的 instructions、skills、runtime 和历史产出。
技术基座：EP-Harness 是基于开源项目 Multica 的二次开发。Multica 官方定位是 open-source managed agents platform，核心思路是把 coding agents 作为可分配任务、可跟踪进度、可沉淀技能的真实队友来管理；EP-Harness 在这个基座上，进一步贴合公司研发流程和内部系统。
分层可组合架构
从架构上看，Multica 由 server、daemon 和 AI 编程工具三部分协作：server 管理工作区、Issue、成员和任务队列，并承担实时更新；daemon 运行在开发者本机，领取任务并调用本地 AI 编程 CLI；实际的代码执行发生在本地工具链和工作目录中。
在 EP-Harness 里，任务不是散落在聊天窗口里，而是进入 Issue。Issue 可以关联项目、需求、应用分支、工作流、评论、执行日志、文件变更和后续反馈。
-
当 Agent 的任务进入 Issue，团队就可以追踪它。
-
当 Agent 的规则进入 Instructions 和 Workflow，团队就可以审查它。
-
当 Agent 的经验进入 Skills，团队就可以复用它。
-
当 Agent 的执行进入 Runtime 和日志，团队就可以复盘它。
-
当 Agent 的结果进入部署、评审和反馈链路，团队就可以让它持续闭环。
Backend.Execute：统一 Agent 执行契约
EP-Harness 在 server/pkg/agent/agent.go 中以 Backend.Execute(ctx, prompt, ExecOptions) 作为各 Agent Runtime 的统一入口。agent.New 根据 agentType 和 Config 选择具体 Provider Backend；Claude、Codex、OpenCode、ACP 等实现可以保留各自的参数、进程和传输协议，但对上层暴露一致的执行生命周期。
AI Coding 的使用方式正在经历四层变化。它们不是互相替代，而是逐层外扩：从"怎么问"，走向"喂什么材料"，再走向"如何执行和约束"，最终走向"如何持续闭环"。
个人 AI Coding 工具通常解决前两层。EP-Harness 还解决后两层，并把四层能力放进团队研发流程。
Agent 需要理解真实研发现场
通用 AI Coding 工具并不了解公司的研发体系。它不知道需求结构，不知道内部飞书文档权限，不知道应用分支如何创建，不知道代码管理和发布平台的实际流程，也不知道每个团队沉淀过哪些 Skills。
EP-Harness 的价值，就是把这些内部系统接进 Agent 的工作环境里。它要解决的不是"模型有没有能力写代码"，而是"模型能不能在我们的研发流程里正确工作"。
外部工具能给你一个 Agent，EP-Harness 要给团队一个 Agent 可以工作的组织环境。
Prompt 从个人技巧变成团队规程
很多团队刚开始用 AI 时，会把重点放在 prompt 技巧上。但用得久了会发现，更重要的是把 prompt 变成可维护的规程。
Context 从“复制粘贴材料”变成结构化上下文
Agent 做不好，很多时候不是模型不够强，而是上下文不对。需求背景、设计文档、验收标准、关联代码仓库、目标分支、历史讨论、失败记录和内部系统调用方式，不应该靠用户每次手动复制粘贴。
-
Issue：任务目标、评论、状态和历史记录。
-
需求：业务背景、需求文档和迭代信息。
-
项目：业务边界和仓库资源。
-
Workflow：阶段目标和交付要求。
-
Skills：团队沉淀的方法和工具说明。
-
Runtime：真实执行环境。
-
飞书集成：通知、讨论和文档读取能力。
-
运行记录：执行过程、产出和失败信息。
这样 Agent 不再只拿到一段文字描述，而是进入一个由 Issue、项目、文档、分支、评论和运行记录组成的工作现场。
Context Engineering 的重点不是把上下文塞满，而是让正确上下文在正确时机进入 Agent。
Harness：让 Agent 可执行、可观察、可治理
一个裸模型没有工作目录，不会天然知道当前项目怎么测试，也不会自动遵守团队规范，更不会自己接入需求管理、代码管理、发布平台、飞书和日志平台。Harness 的价值，就是在模型外面补齐这些工程能力。
这让 Agent 从"一个能说话的模型"变成"一个可管理的执行单元"。对团队来说，更重要的不是 Agent 某次回答得多漂亮，而是它能否长期稳定地在工程约束里工作。
Loop：把重复工作变成可控闭环
Loop Engineering 不是让 Agent 一直跑，也不是无限自动化。有价值的 Loop，需要包含发现、派发、执行、验证、记录和下一步决策。
-
上游版本更新分析
自动化定时检查外部 release。 判断是否已有分析 Issue。 发现新版本后创建分析任务。 Agent 分析影响、风险、迁移建议和验证项。 需要落地时继续拆成迁移子任务。
-
线上日志巡检
自动化按时间窗口拉取异常。 聚合错误 fingerprint、影响范围和样本。 Agent 分析可能根因。 生成修复建议和验证建议。 必要时创建后续修复 Issue。
这些场景的关键不是"Agent 自动跑了"，而是每一轮都有记录、判断、产出和后续动作。Loop 的价值在闭环，不在循环本身。
决策追溯
需求交付完成后，可依托 Issue 中沉淀的决策记录、实现说明，快速还原当时的实现背景和关键取舍。
多 Agent 协作
案例结论：通过将交付流程拆分为提议、开发、评审、归档等阶段，并引入多 Agent 协作机制，形成从需求澄清、实现落地、质量评审到经验沉淀的闭环，持续提升代码质量。
自动化治理
治理成效：累计自动化修复 100+ 个异常日志问题，异常日志从高频暴露逐步收敛，问题识别、归类和修复效率明显提升。典型高频问题由治理前每 4 小时 2400+ 条，降低到治理后的个位数。
AI Coding 的第一阶段，是个人把 Agent 当工具。下一阶段，是团队把 Agent 当协作成员。当 Agent 开始接触真实需求、真实代码、真实部署和真实反馈时，单纯依赖聊天窗口和本地 prompt 已经不够。团队需要一个平台，把 Agent 的任务、上下文、规则、执行、审查、反馈和度量都组织起来。当这套机制跑起来，Agent 才能从一个个人电脑里的助手，慢慢变成团队研发流程里可管理、可复用、可持续优化的生产力。
