架构：本地轻量预处理 + Dify 纯编排 + 云端 AI API 核心约束： ✅ 原视频不上传（10GB → 100MB，缩减 99%） ✅ 除 Dify 自身外无任何本地模型部署 ✅ 本地仅跑传统图像处理算法（无 AI 模型、无 GPU） ✅ 每个知识点关联视频时间戳 + PPT 截图 OCR 一、整体架构 1.1 三层分离设计 ┌─────────────────────────────────────────────────────────────┐ │ 【Layer 1: 本地预处理器】 你的电脑 / 内网服务器…
主题 很多人第一次用 AI 写代码都会经历同一条曲线：一开始惊艳，几周后挫败。模型本身没变笨，问题出在你让它干的事越来越复杂了——从"补一个函数"变成"改一个模块"再变成"在一个持续演进的工程里做一整个需求"。 当任务跨越多个文件、多个阶段、多次迭代，仅靠提示词和个人记忆已经接不住。这时候需要的不是更强的模型，而是一套让 AI 稳定、可约束、可校验地干活的工程系统——这就是 Harness Engineering。 本文面向刚开始做 AI Coding、已经感到"单纯聊天不够用"的开发者，讲清三件事： Harness 到底在解决什么问题 它由哪些零件组成、为什么是这几件 从零开始应该按什么顺序搭，不要一次搭齐 不讨论具体 IDE 或某家 Agent 产品的操作，这里讲的是方法论。 核心内容 一、Harness 在解决什么问题 把大语言模型想成一个聪明但健忘、擅长临场发挥的新同事。他一次对话内表现很好，但有三件事他做不好： 记不住项目长期约定——上周你定的命名规则，这周可能又违反了 没有稳定的完成标准——他说"做完了"不等于真的做完 面对复杂任务会自己给自己打分——既当运动员又当裁判 单靠聊天，每次遇到问题就补一句"注意不要 XXX"，你会发现规则越堆越多，AI 却越来越不听。原因是：自然语言约束本质上是"软约束"，模型可以忽略、绕过、或做解释性执行。 Harness Engineering 的核心论点是： 不要试图把 AI 变聪明，而要给它搭一个不允许偷懒的工作环境。把能判定的规则变成脚本，把复杂任务拆成固定角色，把流程沉淀成可维护的工程资产。 一句话总结——Harness 不让 AI…