几个月前，当 Coding Agent 的 CLI

TL;DR：[https://github.com/phodal/routa](https://github.com/phodal/routa)，Harness Monitor 在 `crates/harness-monitor` 目录下。

今天下午，我在 Routa 的看板里点开一张已经进 Done 的卡：[Sub-issue] 为 GATE-first 专家提示注入单次 trace 状态摘要。

最近这段时间里，我做了一件比“让 AI 帮我写文章”更麻烦的事：不是继续打磨 Prompt，而是先让它系统分析我过去十年的文章，再把这些分析结果整理成一个可以被反复加载的写作

过去大半年里，我一直在帮不同规模的团队落地 AI Coding。从最早的一两个人试点，到十几个人的团队尝试让 AI

在最新的 Routa Desktop 中，我们引入了 Harness 工程可视化系统。它并不是一个展示“AI 写了多少代码”的界面，也不是为了给生成式开发增加一层炫目的仪表盘，

当 AI 开始真正参与软件交付时，团队面对的核心问题已经悄悄变化了。过去我们关心的是代码写得够不够快、自动化够不够多，而现在，越来越多团队首先要回答的是另一个问题：当生成速度不断提高之后，系统靠什么抵抗持续上升的代码熵。

过去一个多月里，我在创建 Routa 项目时，做了一个很激进的决定：让 AI 来驱动这个项目，把我的 idea 变成 issue，再把 issue 推进成可运行的代码。

这套机制最早来自 Routa 项目内部的 fitness 实践。我们最初把它以 `routa-fitness`

过去一年，我们习惯用“AI 编码 2.0”来描述这一波技术跃迁：从代码补全走向 Agent 驱动，从同步交互走向异步执行，从一次性生成走向“生成—验证—回滚”的闭环。在那个阶段，一个共识逐渐清晰：AI 不再只是辅助，而开始参与执行。但如果只停留在这里，我们其实低估了变化的深度，因为真正发生转移的，并不是“谁在写代码”，而是——**谁在负责软件交付这件事本身。**

Harness Engineering 之所以在过去几个月迅速成为一个热门话题，很大程度上是因为越来越多团队意识到：AI Coding 的问题，从来不只是模型能力问题。上下文工程、提示词策略、多 Agent 协作都很重要，但这些讨论大多仍然停留在“生成侧”。一旦 AI Agent 真正进入软件交付流程，问题的重心就会迅速转移。

> 摘要：当 Agent 开始结队工作时，真正的挑战就不再是“它们能不能写代码”，而是“我们能不能管理它们”。Routa Kanban

PS：今天拿到几天前申请的 Codex Pro 开源贡献者的半年体验卡，试着用 Codex Security 分析了一下我的一些项目。让 AI 分析了生成的报告，

生成式 AI 正在迅速进入软件开发流程。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。 然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。 这种视角很容易低估 AI 对软件工程的真正影响。 在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。软件开发正在逐渐从 **“人使用工具”** 的模式，转变为 **“人与 AI 协作”** 的模式。 为了理解这种变化，我们可以借鉴 **Agile Fluency Model** 的思想，将 AI 编程看作一种能力演进，而不是一次性的技术 adoption。这种能力演进，可以称为 **AI Coding Fluency**。 # AI Coding Fluency 模型 AI Coding Fluency 描述的是团队在使用 AI 进行软件开发时逐渐形成的一组能力。这些能力不仅包括 AI 工具的使用方式，还包括人机协作模式、工程系统支持、质量治理以及上下文管理。 随着团队能力的提升，AI 在开发流程中的角色也会逐渐发生变化。从最初的辅助工具，到能够执行复杂任务的智能体，开发者与 AI 之间的分工不断演进。 下表展示了一个典型的 AI Coding Fluency 演进模型。 | Fluency Level (流畅度) | Human-AI Collaboration (人机协作) | SDLC Coverage (生命周期覆盖度) | AI Engineering Harness (工程化支撑) | Governance & Quality (质量与治理) | Context Engineering (上下文工程) | |-----------------------------------|-------------------------------|-----------------------------------|------------------------------------------|-------------------------------------|----------------------------------------| | **Awareness

生成式 AI 正在快速进入软件开发的核心流程。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复

PS：就着最近的研究，我想大概写一篇今年的趋势

尽管我们可以用最好的模型完成所有的事情，但是约束才是我决定写这篇文章的一个出发点：约束越多，问题就越好玩。

> Routa 是一个 **“工程化的多 Agent 协作框架”**：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠

最近，我们在 AutoDev 中集成了 ACP 协议，使用它进一步优化 AutoDev 的跨平台渲染架构，在提升 AutoDev 的同时，也兼容了其它智能体。由于，ACP