企业级 AI 编程王炸:OpenSpec、Superpowers 与 Harness 架构三剑客深度解析

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

一、序章:告别野路子,拥抱企业级 AI 编程

用 AI 写代码(AI 编程)越来越普遍,甚至有些公司已经开始推行全面 AI 化。但大家在实际操作中,往往被以下痛点折磨:

  • 需求理解跑偏:把需求丢给 AI,生成的代码要么南辕北辙,要么漏洞百出。
  • 团队协同灾难:个人用还能勉强把控,一旦团队上了规模,引入多个 AI Agent 协同,直接乱成一锅粥,相互覆写、风格迥异、接口不通。

这并不是你能力不行,也不是大模型不够强,而是你的 AI 编程缺乏“驾驭层工程(Harness Engineering)”的思维。

企业级的 AI 编程,绝不是简单的“人提示词 + 机器写”,而是需要搭建一套“规范 — 纪律 — 协同”的完整三层体系。这恰恰对应了分层架构的核心逻辑:

  • OpenSpec 负责“定方向”:把模糊的需求转化为严格的规范,让所有人(包括 Agent)都在同一频道。
  • Superpowers 负责“定纪律”:用工程化纪律约束 AI,杜绝“野路子”,保障代码质量。
  • Harness 负责“定协同”:作为核心驾驭层,让多 Agent 像顶尖人类团队一样有序配合。

二、黄金搭档 OpenSpec 与 Superpowers 的双剑合璧

很多人在使用 OpenSpec 和 Superpowers 时,只是简单叠加。大错特错!这两者的结合,本质上是“Spec as Code(规范即代码)”与“执行标准化”的完美闭环。

2.1 核心互补:为什么缺一不可?

工具核心定位解决的痛点核心能力赋能
OpenSpec轻量级规范驱动开发 (SDD) 框架需求模糊、AI 幻觉、多 Agent 认知分歧提案管理、规范沉淀(Spec as Code)、变更追踪
Superpowers技能扩展与纪律约束库流程失控、Agent 随心所欲、零测试覆盖强制 TDD(测试驱动)、自动化验证、任务精细拆解

就像传统分层架构中,没有接口定义的业务层会盲目开发一样:OpenSpec 画好“施工图纸”,Superpowers 拿着“施工规范手册”严格干活。

2.2 四大最佳落地场景

不要盲目上工具,好钢要用在刀刃上。以下四个场景,最能发挥这对组合的威力:

  • 中大型功能开发(极力推荐):OpenSpec 定义完整数据模型和接口,Superpowers 执行 TDD 和代码审查。我们团队实测:5天的工作量压缩至3天,返工率几乎为零。
  • 老系统重构 / 增量迭代:明确边界,避免越改越乱;通过回归测试确保现有功能不崩。
  • 团队混合协作:统一认知,无论是人类开发者还是 AI Agent,都按同一套共享规范(Spec)输出。
  • 金融/企业级高可靠项目:强制质量关卡,所有的变更可追溯,所有代码合并前必须经过严格验证。

三、实操演练 5步跑通标准协同闭环

很多同学懂了理论,但不知道怎么落地。为大家整理了一套标准化的协同链路,直接抄作业即可:

1、第一步:需求澄清与提案(OpenSpec 主导)

不要直接让 AI 写代码!先用 OpenSpec 将模糊需求结构化。

# 创建功能提案
/AITutor:new user-auth
# 在提案中明确需求、成功标准与硬性约束(如:必须使用 bcrypt 加密)

2、第二步:规范细化与验证(OpenSpec 主导)

完善数据模型、接口定义和错误码,并验证一致性。

# 完善接口与业务规则规范
/AITutor : refine user-auth
# 强制验证规范的逻辑完整性
/AITutor : validate user-auth

3、第三步:执行计划与任务拆解(Superpowers 主导)

让 AI 基于规范生成开发计划,切分到 2-5 分钟的任务粒度。

# 激活计划技能,拆解步骤
/superpowers:writing-plans --prompt "基于OpenSpec规范,生成认证模块开发计划"

4、第四步:高质量实现(Superpowers 主导 TDD)

这是最核心的工程纪律!强制遵守:先写测试 ➔ 再写代码 ➔ 代码审查。

# 激活测试驱动开发 (TDD) 技能
/superpowers:workflow activate tdd
# 严格按照规范生成测试并实现
/superpowers:tdd generate-test --module user-auth
/superpowers:tdd generate-code --module user-auth

5、第五步:验证与归档(协同完成)

验证产出是否符合规范,最后归档形成版本历史。

# 完成前进行最终一致性校验
/superpowers:verification-before-completion
# 将变更记录归档,沉淀为团队资产
/AITutor : archive user-auth

总结: 这 5 步看似繁琐,但正是这种“慢即是快”的工程纪律,彻底终结了 AI 编程中无休止的 Debug 和返工。

四、终极王炸补齐 Harness 驾驭层拼图

当你的项目从单点开发走向复杂的系统工程时,仅仅有规范和纪律是不够的。你需要解决“多 Agent 谁来做、怎么协同”的问题。此时,Harness 驾驭层正式登场。

4.1 三层拼图,各司其职

在 AI-DLC(AI 开发生命周期)中,这三者构成了无懈可击的分层架构:

架构层级核心组件职责定位现实映射类比
规范层OpenSpec解决“做什么”(锁定目标一致性)施工图纸与验收标准
纪律层Superpowers解决“怎么做”(锁定过程严谨性)工程质量管理手册
驾驭层Harness解决“谁来做”(锁定团队协同力)项目经理与调度中心

4.2 Harness 的核心价值

没有 Harness,你的多 Agent 系统就像一群没有指挥的独奏者,极易发生权限冲突(同时改一个文件)或认知错位。引入 Harness 后,你可以实现:

  • 基于角色的访问控制与分工:架构师 Agent 看全局,后端 Agent 写逻辑,测试 Agent 跑用例,互不越界。
  • 智能任务总调度(Lead-Agent):类似 DeerFlow 2.0 中的 lead_agent,动态读取 OpenSpec 任务列表并精准派发。
  • 安全沙盒与硬约束:提交代码前,Harness 强制触发 Lint 和安全扫描,不合格直接打回,形成闭环反馈回路。

五、AI 落地箴言与避坑指南

结合我们踩过的无数坑,给大家提几点最务实的落地建议:

落地三阶段法则

不要试图一口吃成胖子!

  • 阶段一(基础):先上 OpenSpec。建立“Spec as Code”意识,哪怕手写规范,也比口头描述强百倍。
  • 阶段二(提质):引入 Superpowers 核心技能。重点启用 TDD 和代码验证,把控单点代码质量。
  • 阶段三(起飞):最后上 Harness。等你的规范和纪律深入人心后,再进行多 Agent 协同的驾驭与编排。

血泪避坑提醒

  • Superpowers 技能必须按需加载:不要一次性把所有技能全开!这会引爆 LLM 的上下文窗口,导致 AI 变傻。根据当前任务动态激活才是王道。
  • 坚守“规范先行”:绝不要边写代码边补规范。在动手前,哪怕花 10 分钟写好 OpenSpec,也能为你省下 2 天的返工时间。
  • 精简 AGENTS.md:角色定义要干练,详细的业务逻辑放在 docs/ 里,让 Harness 调度更加轻快。

六、结语

从“Vibe Coding(凭感觉编程)”走向“Agentic Engineering(智能体工程)”,中间差的不仅是模型的迭代,更是一套成熟的工业级基础设施。

OpenSpec 定标准,Superpowers 保纪律,Harness 管团队。

把这套组合拳打好,你的 AI 才不再是一个随时可能翻车的“代码生成器”,而是一支纪律严明、高能产出的顶尖开发团队。掌握这套驾驭层架构思维,你在面对企业 AI 应用落地时候,都能从容不迫,降维打击!

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

用AI学习graphify Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo 阅读详情

相关推荐

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3291

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1452

VXLAN技术详解

VXLAN(虚拟可扩展局域网)是一种Overlay二层虚拟化技术,通过MAC-in-UDP封装在IP网络上构建大规模虚拟二层网络。核心组件包括VTEP(隧道端点)、24位VNI(支持1600万个虚拟网络)和VXLAN网关。相比VLAN,VXLAN具有超大规模扩展、跨三层互联、支持虚拟机无缝迁移等优势,适用于云数据中心多租户隔离、跨数据中心互联等场景。其基于IP路由的封装方式无需改造物理网络,为现代云网络提供了弹性、安全的虚拟化解决方案。

kjkdd的博客 597

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

基于结构的虚拟筛选模型 gnina 从源码编译

所需要的软件安装包: 安装 CUDA 装的时候看着点,第二个要你装驱动的选择,回答N,不装。 sudo sh cuda_10.0.130_410.48_linux.run sudo vim ~/.bashrc 在 ~/.bashrc 文件最后加上 export PATH=/usr/bin:/usr/local/cuda-10.0/bin${PATH} export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:${LD_LIBRARY_PATH} source ~

周迪新的博客 3190

VS2022 中 std::mutex 静态初始化陷阱:一次诡异崩溃的排查记录

VS2022中使用std::mutex时遇到的静态初始化陷阱问题。该问题源于VS2022 17.4版本为std::mutex添加constexpr支持后,全局静态初始化可能导致系统资源未就绪时锁失效或崩溃。文章分析了问题现象、影响范围,并提供了解决方案。最后给出了排查清单和核心建议

qq_34552942的博客 953

横评企业级 AI 编程三剑客:OpenSpec、Superpowers、Harness,谁才是落地之王?

当 AI 编码代理(Coding Agent)从"能写代码"进化到"能自主跑完一个 Feature"之后,企业团队很快发现了一个新的痛点:**模型越强,失控的代价越大**。一个拥有超长上下文的 Agent 可以一口气重构整个模块,但如果它没有"工程师的工作纪律",它也会一口气把测试删掉、把接口改坏、把垃圾代码提交到主干。2026 年,围绕这个痛点,社区里出现了三套风格迥异的答案:OpenSpec(

gitblog_00124的博客 175

《华为项目管理之道》第1章笔记

performance indicator,KPI)纳入个人绩效承诺书,贯彻结果导向的理念,以向员工。客户需求是华为发展的原动力,为客户服务是华为存在的唯一理由。目经理‘用兵’,依靠市场机制‘调兵’”,打破了人员在功能部门的板结,实现了听得。为管理者选拔的必要条件,项目经理成为人人向往的岗位。《华为项目管理之道》,是新出的华为官方的项目管理书,整个书不错。伴随着项目型组织的建立,华为逐步形成了完备的项目管理流程和制度,从而将业务运。为此,通过改革,重新明确了项目经理承担的经营责任,并开始以项。

jackyrongvip的专栏 2128

AI编程王炸组合:顶级三剑客 OpenSpec 定方向,Superpowers定纪律,Harness定协同

AI编程王炸组合:顶级三剑客 OpenSpec 定方向,Superpowers定纪律,Harness定协同

架构师尼恩 1357

自考计算机系统原理(第六章计算机系统概论)-13015

名词解释 I/O 硬件 I/O软件 用户空间I/O软件 内核空间I/O 软件 系统调用处理程序 系统调用服务例程 设备驱动程序 中断服务程序 系统级1/O函数 虚拟文件系统 文件描述符 文件元数据 流缓冲区 索引节点 目录文件 目录项 系统打开文件表 磁盘高速缓存 高速缓存 RAM I / O 控制方式 程序直接控制I/O 就绪状态 中断控制I/O 中断屏蔽字 多重中断 中断嵌套 DMA 方式 DMA 控制器 设备控制器 I/O端口 控制端口 数据端口 状态端口 I/O 地址空间 独立编址方式 统一编址方

qq_23872947的博客 1150

016、自动标注方案实战:用大模型(SAM/Grounding DINO)生成 YOLO 格式伪标签

本文介绍了一种利用大模型自动生成YOLO格式伪标签的实战方案。针对传统人工标注效率低、易出错的问题,作者提出结合Grounding DINO(零样本检测)和SAM(精细分割)的优势:前者快速生成候选框,后者优化边界精度。文章详细阐述了技术选型理由(平衡速度与精度)、环境搭建避坑指南(关键依赖版本)、核心三步流程(检测-分割-格式转换)以及后处理技巧(置信度分级过滤)。实验表明,该方案相比纯人工标注可节省80%时间,且经过SAM优化的边界框精度提升10-15%。特别强调了工程细节:文本描述格式、阈值设定、小目

zzfmlxs的博客 546

技术文章系列整理(持续更新)

本博客有很多关于性能及测试开发的文章。我试着对你可能感兴趣的一些重要文章进行分类。

7DGroup,让技术更有价值! 1万+

国科大学习资料--人工智能原理与算法-2020年期末考试题解析(学长整理)

国科大学习资料–人工智能原理与算法-2020年期末考试题解析 张文生老师主讲 试卷共有6道题,题目不难,希望大家能取得好的成绩。 3.9 传教士和野人问题。三个传教士和三个野人在河的一岸,有一条能载一个人或者两个人的船。请设法使所有人都渡到河的另一岸,要求在任何地方野人数都不能多于传教士的人数。这个问题在AI领域中很有名,是因为它是第一个从分析的观点探讨问题形式化的论文的主题(Amarel,1968)。 a. 请对该问题进行详细形式化,只描述确保该问题求解所必需的特性。画出完整的状态空间图。 b. 应用合适

无名何许人的博客 4789

大模型工程化:从Prompt到Harness,驾驭AI生产力新时代

大模型工程化三大范式:提示词工程、上下文工程与驾驭工程 摘要:随着大模型技术的成熟,行业焦点转向如何实现能力稳定落地。文章系统阐述大模型工程化的三大范式:提示词工程(Prompt Engineering)作为基础,通过标准化指令引导模型输出;上下文工程(Context Engineering)通过信息注入解决知识边界与幻觉问题;驾驭工程(Harness Engineering)构建全链路管控体系。三者呈递进互补关系,共同支撑生产级应用。当前趋势呈现三大特点:自动化Prompt优化、多模态场景融合、体系化管控

m0_63171455的博客 1861

学 Simulink—— 基于储能系统(BESS)并网逆变器的 削峰填谷(Peak Shaving & Valley Filling)功能仿真

本文详细介绍了基于储能系统(BESS)并网逆变器的削峰填谷功能Simulink仿真方法。主要内容包括:1)削峰填谷原理与典型日负荷曲线控制逻辑;2)简化系统拓扑与关键参数设置;3)分步骤建模过程,重点讲解EMS控制逻辑、SOC模型和PQ控制实现;4)典型仿真结果分析及参数调优建议;5)常见问题解决方案和工程扩展方向。通过该仿真可掌握BESS在用户侧储能、虚拟电厂等场景的核心应用,实现电网侧功率按峰谷时段规划、BESS充放电控制及并网逆变器PQ控制。文章还提供了完整的BESS/微网系列课程框架和混合微网系统进

xiaoheshang_123的博客 43

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

graphify构建代码知识库,一行代码搭建属于自己的知识图谱

graphify 是一个将任意文件夹(代码、文档、图片、视频等)转化为可查询知识图谱的工具。它的核心理念是:与其让 AI 逐文件读取,不如先把所有内容构建成一张图,让 AI 按图索骥。 你可以把它理解为一个"代码库地图生成器"。输入一个项目目录,它会分析所有文件,提取概念、关系、调用链,然后用可视化的方式呈现给你。更重要的是,这张图是可以查询的——你可以问"认证模块和数据库之间有什么关系",而不需要自己去 grep 几十个文件。

努力前行,总会成为自己心中的那道光 8548

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

GitNexus 核心引擎深度解析

GitNexus 核心引擎深度解析:GitNexus 是一个将代码库转换为可查询知识图谱的系统,由索引流水线、社区检测和混合搜索三大子系统组成。索引流水线通过9个阶段将代码转换为知识图谱,支持多语言解析和并行处理。社区检测采用Leiden算法进行功能聚类,流程追踪则通过BFS算法从入口点生成执行流程。混合搜索结合关键词和语义搜索,使用RRF算法融合结果。系统优化包括Worker池并行解析、语言感知导入解析、调用关系置信度计算等,实现了高效的代码分析与搜索能力。

2842

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Harness Engineering:2026年最被低估的工程革命

2026年2月,OpenAI的工程师Ryan Lopopolo在官方博客发布了一篇看似平淡的技术文章。文章描述了一个内部实验:一个3人小组,用5个月时间,构建并上线了一个拥有百万行代码的生产级产品。

xx_nm98的博客 1090

Harness Engineering(驾驭工程)核心解析

Harness Engineering(国内常译“驾驭工程/管控工程”)是2026年Agent开发领域爆火的新一代工程化范式,是AI工程化从“提示工程→上下文工程”之后的第三次范式跃迁,核心解决Agent在生产环境中长期可靠运行的核心痛点。

weixin_58753619的博客 1402

Graphify从入门到精通(非常详细),彻底搞懂下一代AI知识库,看这一篇就够了!

Graphify是一款开源命令行工具,由开发者captainkink07在Andrej Karpathy发文后连夜构建。它能将任意文件夹一键转化为持久化知识图谱,支持19种编程语言,与Claude Code深度集成,实现每次查询减少71.5倍token消耗。上线48小时内获得逾6000个GitHub星标,零遥测、无厂商锁定,数据永不离机。

m0_59164520的博客 7515

驾驭未来:零基础读懂“驾驭工程”(Harness Engineering)

在混乱中建立秩序,在复杂中寻找路径。

举世誉之而不加劝,举世非之而不加沮,定乎内外之分,辩乎荣辱之境,斯已矣。 2524

OpenViking 深度解析:字节跳动为 AI Agent 设计的上下文数据库

OpenViking 是字节跳动火山引擎 Viking 团队于 2026 年 1 月开源的上下文数据库(Context Database),专为 AI Agent 设计。。把 Agent 所需的一切——记忆、资源文档、技能说明——统一抽象为"文件",组织在一个虚拟文件系统中,通过专属协议viking://进行寻址和访问。OpenViking 解决的是真实存在的问题,技术思路也有其创新之处——用文件系统范式统一管理 Agent 上下文,L0/L1/L2 分层加载在 token 效率上确实能做到显著优化。

潇汀 2394

一文分清用法Dify-Plugin与SkillS

很多人会把插件(Plugin)和Skill(技能)混为一谈,二者看似都是为应用拓展能力、实现更多功能,核心定位、适用范围、使用方式却有着明确差异。

legend24and8的博客 1852

dify查询接口响应到默认的图表渲染

之后走两条线,一条线流式响应返回数据分析的回复,另一条线走图表生成线,负责生成合适的图表。由于ECharts图表生成插件,支持生成的图表有柱状图,线形图,饼图,那么我们可以设置一个问题分类,然后对于数据分类的结果再做模型数据的抽取。在工作流中新建接收http请求的节点,用以接收http请求体数据。实现的效果:可以根据请求体自定义生成合适的图表数据。数据输入:来自于http请求体的数据。插件:ECharts图表生成插件。

qq_43781332的博客 812

AI(四): 工具 (GitNexus、CLI-Anything、 OMO: Oh-My-Openagent, OMO: oh-my-codex、 OpenSpec、 Superpowers)

GitNexus 是一款能够将代码库转化为可查询知识图谱的智能工具。它的核心能力可以概括为三点:解析 —— 基于 Tree-sitter 深度解析代码,提取函数、类、变量之间的调用与依赖关系建图 —— 将代码结构存入 KuzuDB 图数据库,构建完整的代码知识图谱适配 —— 通过 MCP 协议与 Claude 等 AI 智能体无缝对接,提供结构化代码上下文。

Men-DD 2857
上一篇: 深度拆解:从零构建生产级 Multi-Agent 驾驭层(Harness)全景架构
下一篇: AI 工程师不写代码,如何通过 Harness Engineering 交付复杂工程?
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值