Harness Engineering：從 Claude Code 原始碼看 AI Coding Agent 的工程實踐

Claude Code 原始碼洩漏催生了新概念 Harness Engineering——探討 IDE/CLI 層如何馴服 LLM。

社群整理的分層架構：

• LLM 層：Machine Learning / Model Training / Pre-training / Model Setting
• IDE/CLI 層：Harness Engineering / Context Engineering / Prompter / Vibe Coding
• Chat 層：Canvas Vibe Coding / 一般使用者

Harness Engineering 關注的是 IDE/CLI 這一層：怎麼設計 prompt 分層、安全審核、記憶系統、上下文壓縮等機制，讓 LLM 在開發場景中穩定可控地工作。洩漏事件讓社群第一次能對照實際產品的工程實踐來研究這些設計。