跳转至

Harness 实践：将任何文字编辑成精美的文章

Ch01.850 Harness 实践：将任何文字编辑成精美的文章

📊 Level ⭐⭐ | 7.6KB | entities/harness-实践将任何文字编辑成精美的文章.md

Harness 实践：将任何文字编辑成精美的文章

来源: code秘密花园 | 发布日期: 2026-06-18 | 原文: https://mp.weixin.qq.com/s/t0-HbOj-Z2_RcZZJRPpM9A

本文是 Harness Engineering 系列中关于「Beautiful Article」Skill 的深度实践。核心贡献在于提出了 Reacticle 组件协议——一套让 AI 可控地生成长文 HTML 的语义化 React 组件契约，以及一套可迁移的 8 阶段 Harness 骨架。

摘要

code秘密花园（ConardLi）延续视频 Skill 的 Harness 骨架，为「将任意文字编辑成精美网页文章」构建了 Beautiful Article Skill。核心创新是 Reacticle 组件协议，将文章排版从 AI 的自由生成转变为受约束的组件组合，同时通过 11 套主题系统（Tufte、Sottsass、Bayer 等）实现视觉多样性。该实践验证了「好的 Harness 是可以迁移的」这一核心命题。

核心要点

  • Reacticle 协议：React + Article 的组件契约，提供 Article / Hero / Lead / Section / Subsection / Table / Quote / CodeBlock 等语义组件，AI 只负责「组合」，结构和排版由库保证。
  • Raw 逃生舱：在组件约束之外提供 Raw 组件，允许任意 HTML/SVG/CSS/React，但必须消费主题 token，兼顾自由度与稳定性。
  • 11 套编辑级主题：每套主题包含 CSS token 包 + AI 可读的 Markdown profile（配色风格、代码高亮、Raw 惯用法、反模式说明）。
  • 8 Phase 执行流程：从素材摄入 → 编辑规划 → 首屏开发 → 完整生成 → 多 Agent 并行开发 → 三视角终审 → 最小切片修复 → 交付，其中卡 3 个强制人工检查点。
  • Harness 可迁移性验证：视频 Skill 的 6 大核心组件（上下文管理、工具系统、执行编排、状态与记忆、评估与观测、约束与恢复）被完整复用，证明好的 Harness 骨架可以横跨不同生产场景。

深度分析

组件协议作为 AI 输出控制的核心模式

Reacticle 的本质是对 AI 输出空间施加「结构性约束」。与传统的 prompt 约束不同，组件协议将约束从文本层提升到结构层——AI 不需要知道「h2 还是 h3」「div 还是 section」，只需要选择语义组件。这种约束的强度远高于 prompt 指令，因为组件的 Props 类型和嵌套规则是代码级的硬边界，类似于通过定义小型组件词汇表让 AI 在受限空间中发挥创造力。

主题 token 系统：AI 时代的「设计规范即代码」

11 套主题每套都有一份 AI 可读的 Markdown profile，这是一个值得推广的模式。传统设计规范面向人类设计师，而主题 profile 面向 AI：它告诉 AI「这个主题追求数据墨水比，不要用渐变、不要用阴影」。这意味着设计规范的受众从「人」扩展到了「AI 协作体」。当 AI 能理解并遵循设计原则时，视觉输出的可控性大幅提升。

渐进加载上下文 vs 全量注入

Beautiful Article Skill 不会在启动时把所有规范一次性塞给 Agent，而是在每个 Phase 只加载该阶段需要的文档。这是 Harness Engineering 中上下文管理的关键实践：Phase 1 只加载素材抽取规则，Phase 2 加载文章类型和主题选择，Phase 4/5 才加载组件协议。渐进加载让模型注意力不被稀释，也减少了长会话中的「规则漂移」。

最小切片修复与文件化记忆

当终审发现问题时，Skill 不是让 AI 重写整篇文章，而是定位到具体 Section 进行「最小切片修复」——修改只影响被指出的部分，不扰动已完成的其他内容。配套的 review log 文件不仅给人类看，更给 Agent 看，形成 Skill 自进化的反馈飞轮。这与视频 Skill 中的「分节点质检」机制同构，验证了跨场景复用的可行性。

多 Agent 并行与模型选型

Phase 5 支持单 Agent 顺序和多 Agent 并行两种模式，后者对模型能力要求极高——需要准确理解 SubAgent 边界，避免「两个 Agent 改同一个文件」或「忘了合并某个 Section」。文章选择 MiniMax M3 作为执行模型，因其在长上下文理解和复杂指令遵循上表现突出，尤其在多 Agent 调度场景「比较稳」。这暗示了一个趋势：Harness 架构与模型能力需要联合优化。

实践启示

  1. 组件协议 > Prompt 约束：当需要稳定控制 AI 输出格式时，定义一套组件协议比写长篇 prompt 指令更可靠。组件是代码级硬约束，prompt 是文本级软约束。类似的思路可推广到任何结构化输出场景（报告生成、邮件撰写、数据可视化）。
  2. 主题 token 是设计规范的新载体：将设计原则写成 AI 可读的 Markdown profile，让 AI 理解「为什么这样设计」而不仅仅是「用哪个 CSS class」，是 AI 原生设计系统的新方向。
  3. Harness 骨架可跨场景迁移：视频 → 文章的技能迁移证明，一旦抽象出通用 Harness 骨架（阶段编排、文件化记忆、强制检查点、独立质检），它可以被复用到完全不同的内容生产场景，显著降低新 Skill 的开发成本。
  4. 渐进加载比全量注入更有效：不要在会话开始时把所有上下文灌给 AI。分阶段按需加载，让模型在每个阶段只关注当前需要的文档，能显著提升长任务的一致性和完成质量。
  5. 最小切片修复降低返工成本：当 AI 产出需要修正时，定位到具体模块进行最小修复，而不是重来一遍，能大幅降低 token 消耗和时间成本。这种「外科手术式」修复模式是 Harness Engineering 中约束与恢复机制的核心设计。

相关实体

→ 原文存档