AI做原型易,改原型难——Harness在原型调整skill中的应用
利用AI生成产品原型已十分高效,但在对现有原型进行修改时,往往会出现反复调整却无法生效的问题。从创建时的“无中生有”到修改时的“精益求精”,AI面临着截然不同的约束条件。修改工作要求AI在已有结构上进行精准操作,不能破坏既有逻辑,这暴露了AI底层行为模式中缺乏全局验证机制的缺陷。本文通过复盘一次历经5轮才解决的典型Bug,探讨了如何利用Harness思想构建强制流程与硬约束,将AI改原型从“开盲盒”转变为可预期的协作过程。
01典型案例复盘:为何AI总说“已完成”?
在一个关于弹窗功能修改的案例中,需求是解决切换频率时旧配置区域不消失的Bug。AI在连续四轮修复中,分别尝试了调整CSS样式、补充HTML隐藏属性、清除内联样式以及排查浏览器缓存,且每次都自信地反馈“已完成”或“已修复”,但问题始终未能解决。直到第五轮,通过全源码搜索才发现根本原因:页面中存在两个同名函数,后定义的旧版本函数在页面加载时覆盖了修复后的新版本,导致之前的所有修改从未真正执行。
- NaN年月
- NaN年月
- NaN年月
- 查看全部进展
AI将失败原因归结为三点:执行上只关注修改本身而未关注是否生效;流程上缺乏“修改后验证”环节,遇到问题只能瞎猜;设计上排查清单中缺失“源码同名定义”检查项。这表明问题不在于单次修复,而在于AI缺乏严谨的行为约束,必须引入流程化管理。
02解决路径:技能拆解与流程迭代
为解决AI“太随性”的问题,最初尝试建立5个独立技能进行约束:需求分析、代码审查、修复建议、建议检查、自检验证。然而实践发现,受限于AI工具的特性,它无法严格执行技能调用顺序,经常跳过其认为“不需要”的环节。随后尝试创建“原型调整”统领技能,区分简单与复杂调整,但再次发现AI对于“简单”的定义缺乏判断力,导致看似简单的操作引发更多次级错误。
| 迭代方案 | 核心逻辑 | 存在问题 |
|---|---|---|
| 多技能并行 | 建立需求分析、代码审查、修复建议等5个独立技能 | AI无法按序主动调用,常跳过环节 |
| 统领技能分流 | 区分简单与复杂调整,简单只调用审查与验证 | AI缺乏判断力,简单调整引发多轮返工 |
AI原型调整流程的迭代试错
03最终方案:4步强制流程与全局硬约束
经过反复验证,最终确定无论调整难易,所有修改必须走完整流程。去除了冗余的“需求分析”环节,将所有技能合并为一个“原型调整”技能,确立了强制性的四步流程。同时,在全局记忆中写入两条硬性规则:凡改HTML必须加载技能,改完必须验证,否则属于违规。这实现了从“靠自觉”到“靠系统”的转变。
- Step 1 审查
通读现有页面代码,列出所有可能受影响的地方,防止改了A坏了B。 - Step 2 方案
列出完整修改计划,标注每项修改的影响范围,避免随意修改。 - Step 3 评估
利用检查清单自我评估方案,确认逻辑、语法、影响范围及需求匹配度。 - Step 4 执行 + 验证
执行修改并确认生效后才能交付,防止AI盲目汇报“已完成”。
04经验总结
人机协作模式转变
传统模式
将AI视为许愿机
- 依赖AI的自我判断能力
- 反复进行无效沟通与返工
- 结果不可控,类似“开盲盒”
Harness模式
设计人机执行标准
- 人工定义流程和验收标准
- 用系统规则替代AI自觉
- 结果可预期,实现“能工智人”
采用这套流程后,弹窗层级错乱、样式混用、标签未闭合等典型错误频率大幅降低。这一实践本质上是Harness Engineering的缩影:AI负责执行,人负责定义流程与验收。通过给AI“套上马鞍”,不仅适用于改代码,也适用于写文档、数据分析等任何需要多步骤完成的任务,实现了真正意义上的人机高效协作。
当前文章无评论,是时候发表评论了