042 · 從固定 harness 走向自適應工程
AI 工程正從固定 harness，走向讓多個 agent 自行演化出協作結構的 adaptive engineering，以應對混亂多變的真實世界。
原標題：Beyond the Harness: A Journey Towards Adaptative Engineering - Rajiv Chandegra, Annicha Labs
重點摘要
- 固定 harness 換來三個好處現行 AI 工程以 Claude Code、Cursor 等既有工具建立 agent 流程，靠事先寫死的角色、順序與工具設定運作，換來可靠、可稽核、可追溯來源的產出，很適合定義清楚的工程問題。
- 可靠是靠壓抑新穎換來的講者指出，固定 harness 的可靠來自壓抑變異；一旦 AI 走出螢幕，進入多 agent、多人、跨機構、觸及實體世界的真實場景，僵固的規則會不斷被打補丁，最後比原本要解決的問題還複雜。
- complicated 與 complex 是兩回事借用管理學者 Russell Ackoff 的「mess」概念，講者把問題分成 complicated（像噴射機，可拆解、分析、規劃、預測）與 complex（像鳥群、市場、組織，部件彼此持續互動調整），後者的整體無法從分析個別部分推得，只能探測、感知、回應。
- 水的濕潤與鳥群的 emergence氧與氫本身不濕，鳥各自只遵守「靠近同伴、別相撞、對齊」三條簡單規則，卻能生出濕潤與鳥群這類無法從個別部件預測的新秩序，這正是 emergence。
- 從 harness engineering 走向 adaptive engineering工程師不再事先寫死角色與順序，而是設計限制、規則與獎懲，讓 agent 之間互動、學習、改變，自行湧現出當下最適合環境的協作結構，工作變成感知並回應這個結構，而不是重新設計它。
- 代價：漂移、單一文化與不可預測講者提醒，湧現若缺乏真正的篩選壓力，容易只是原地打轉（drift）；agent 訓練來源相近會走向單一文化（monoculture）；適應性越高，系統也越難解釋、越不可預測。
時間軸
時碼點下去會跳到影片的那一段。
| 時碼 | 段落 | 重點 |
|---|---|---|
| 00:00 | 開場自我介紹 | 醫師出身的 Rajiv Chandegra 說明 Annicha Labs 聚焦多 agent、多人、跨機構協作，並揭示這場要談從固定 harness 走向 adaptive engineering。 |
| 03:03 | 定義 harness | harness 是讓 stateless 的 LLM 變得有用的外部結構，由 system prompt、agents.md／CLAUDE.md、tool calling 與分化出的專職 agent 組成。 |
| 05:21 | 常見 harness 類型 | 列舉 Claude Code、Codex、Pi、Cursor、LangChain、Hermes、Klein、Goose 等工具，指出它們的差異不只在功能，更在各自的設計哲學。 |
| 07:12 | 固定 harness 的好處 | 用工廠生產線與 Taylorism 類比：角色固定、每站分工明確，換來可靠、可稽核、可追溯的產出。 |
| 08:25 | 可靠換來的代價 | 指出可靠不是白拿的，是靠壓抑變異換來的；determinism 與 emergence 方向相反，這正是真實世界會撞上的矛盾。 |
| 09:58 | 脆性困境 | 模型持續進步會讓固定 harness 迅速過時；每個沒預料到的狀況都要人補丁，最後 harness 變得比要解決的問題還複雜。 |
| 10:58 | 兩種世界觀 | 對照化約論（拆解成獨立部件研究）與過程哲學（世界是流動的模式，像火焰而非水晶），後者才是真實世界的樣貌。 |
| 14:44 | Ackoff 的「mess」 | 引用 Russell Ackoff：管理者面對的從來不是乾淨獨立的問題，而是不斷變動、彼此糾結碰撞的動態情境。 |
| 15:52 | complicated 對照 complex | 用噴射機（可拆解分析預測）對照鳥群、市場、組織（部件持續互動調適），指出把 complex 問題當 complicated 處理是常見的昂貴錯誤。 |
| 17:24 | complex 系統如何產生 emergence | 說明多樣 agent 局部互動、遞迴學習調適，會湧現出任何單一部件都設計不出的新秩序，並收斂到某種穩定的 attractor。 |
| 21:14 | adaptive engineering 登場 | 正式提出核心主張：工程師改為設計限制與遊戲規則，讓 harness 在運行中自行浮現、穩定、調整，而非事先寫死。 |
| 22:58 | 從同質到分化 | 模擬情境：一開始相同的 agent 開始互動、耦合，環境會放大微小差異，逐漸分化出各自的角色與專長，而非由工程師事先指派。 |
| 28:17 | 垂直智慧對照水平智慧 | 以 Hermes（讓單一 agent 更聰明，屬垂直智慧）對照講者主張的水平智慧（多 agent 之間如何協調），並指出 Pi 只在設計階段可調整，還不算運行中自適應。 |
| 33:12 | 失敗模式與代價 | 提醒 adaptive engineering 的風險：湧現可能只是穩定但未必最優的 attractor、缺乏篩選壓力會導致 drift、agent 同源訓練造成 monoculture，適應性越高也越難解釋、越不可預測。 |
值得記的話
名詞與人物
| Annicha Labs | 講者 Rajiv Chandegra 任職的公司，聚焦多 agent、多人、跨機構協作 |
|---|---|
| harness | 讓 stateless 的 LLM 變得可用的外部結構，包含 system prompt、agents.md／CLAUDE.md、tool calling 與角色分工 |
| adaptive engineering | 講者提出的工程典範，讓 harness 在運行中自行浮現、穩定與調整，而非事先寫死 |
| Pi | 講者列舉的 harness 之一，走極簡但高度可擴充路線，可在設計階段調整，但不會在運行中自我重組 |
| Hermes | 講者列舉的自我改進 agent 工具，能從經驗生成技能，但屬於讓單一 agent 變強的垂直智慧 |
| Russell Ackoff | 講者引用其「mess」概念的管理學者，主張管理者面對的是糾結變動的情境，而非獨立問題 |
| emergence | complex 系統中局部互動產生、無法由任何單一部件事先設計出的新秩序 |
| attractor | complex 系統傾向收斂而成的穩定狀態，例如水在室溫下維持穩定的狀態 |
| monoculture | 講者列舉的失敗模式之一：agent 訓練來源相近，導致缺乏真正的多樣性 |
延伸
- 講者提到 LangChain、Klein、Goose 是多 agent 協作的其他 harness 範例，但沒有進一步比較彼此的設計哲學有何不同。
- 講者說「選擇壓力」（selection pressure）是避免 agent 系統陷入原地漂移的關鍵，但沒有具體說明要如何在 adaptive engineering 裡設計出這種壓力。