如何构建企业级 Claude Code Harness 体系

为什么需要 Harness Engineering

Claude Code 原生是一个强大的 AI 对话工具，但直接使用存在几个问题：

1. 上下文丢失：每次新会话都从零开始，需要重新解释项目背景
2. 操作重复：相同的工作流每次手动描述，效率低下
3. 质量不稳定：没有标准化的流程，输出质量取决于 prompt 质量
4. 知识孤岛：会话之间的经验无法传递

Harness Engineering 就是解决这些问题的系统化方法——把 AI 对话能力封装为可复用、可管理、可扩展的工程基础设施。

架构设计

三层体系

Commands：标准化操作

Commands 是最直接的交互层。每个 command 是一个 markdown 文件，定义了完整的 prompt、输入输出规范和约束条件。

按领域组织：

• 文档处理 (8)：draft、review、fix-refs、fix-heading、md2word、review-deep、edit-docx、fix-numbering
• 项目管理 (7)：ship、deploy、audit、promote、groom、health、tidy
• 系统工具 (5)：scan、recap、handoff、context、harness

设计原则：

• 单一职责：每个 command 做一件事
• 可组合：groom = pull + audit + fix + review + ship
• 幂等性：重复执行不会产生副作用

Skills：智能激活

Skills 比 commands 更高级——它们带有触发条件，在匹配场景时自动激活。

# 示例：bid skill
name: 标书撰写
trigger: "当处理 ~/Work/bids/ 下的标书项目时"
phases: [解析招标文件, 搭建章节框架, 盘点参考资料, 四阶段写作]

关键 skills：

• context：项目上下文注入（识别项目类型，加载相关配置）
• migrate：Python/Streamlit → Tauri 迁移（自动分析计算逻辑，生成 Rust + React 代码）
• harness：配置脚手架生成（根据项目性质自动生成 CLAUDE.md + skills）

Hooks：生命周期自动化

Hooks 在特定事件触发时自动执行：

• startup：检测 HANDOFF.md，自动加载上次会话的上下文
• session-reflect：会话结束时分析本次工作，生成摘要，发送 macOS 通知
• pre-commit：代码提交前的质量检查

Memory：跨会话记忆

结构化的记忆系统，分为四种类型：

每条记忆是独立的 md 文件，MEMORY.md 作为索引。系统自动检测过期记忆并清理。

MCP 集成

通过 Model Context Protocol 连接外部系统：

• cclog：512+ 历史会话的搜索与分析
• gmail：邮件读写（用于 briefing 系统）

工程化实践

Skill 分发

所有 skills 集中在 cc-configs 仓库管理，通过 sync 机制一键分发到所有项目：

# 检查所有项目的 skill 配置状态
python3 ~/Dev/devtools/scripts/tools/skill_sync.py status

# 同步到指定项目
python3 ~/Dev/devtools/scripts/tools/skill_sync.py sync hydro-toolkit

会话管理

cclog MCP 提供完整的会话生命周期管理：

• search_sessions：按关键词搜索历史会话
• get_session_detail：获取会话完整上下文
• get_daily_digest：生成每日工作摘要

Dashboard 监控

dashboard.tianli.cyou 可视化展示：

• 所有 repo 的 skill 配置状态
• 最近的任务和进度
• 系统健康状况

效果

这套体系让我一个人能够：

• 管理 29 个 GitHub 仓库
• 维护 24 个线上服务
• 每天产出高质量的技术文档
• 在水利、DevTools、AI 三个领域并行工作

核心价值不是"会用 AI"，而是"把 AI 做成了生产级工具链"。