Archon:AI编程的Harness之道

大家好，我是左手。今天给大家介绍号称是全网第一个开源的用于AI编码的harness构建器Archon。

Harness：从概念到AI编程

"Harness"这个词在工程领域意味着"约束"或"驾驭"。在AI编程语境下，它指的是为AI Agent建立的结构化框架，让AI的创造力被引导到可控的范围内。

类比一下：

• CI/CD Pipeline
   是代码部署的 Harness：定义Build→Test→Deploy的流程，确保每一次部署都遵循相同的质量门禁
• Dockerfile
   是应用交付的 Harness：环境、依赖、配置全部被固化，构建结果可复现
• Archon
   则是AI编程的Harness：规划→实现→验证→审查→PR，每一步都被明确定义和约束

这背后的哲学思考是：AI应该负责"怎么做"，但"做什么"和"做到什么程度"应该由人类定义。

核心架构：节点与DAG

Archon的工作流由节点（Node）构成，节点分两类：

Deterministic Node（确定性节点）：执行bash脚本、运行测试、Git操作。这些节点的输出完全可预测，不依赖AI的"发挥"。

AI Node（AI节点）：执行Prompt，让AI做代码生成、架构设计、审查等需要创造力的工作。

关键创新在于节点可以组合成DAG（有向无环图）。这不是简单的线性流程，而是一个能够表达依赖关系、循环条件、人机交互的复杂图结构。

看这个典型工作流：

plan→implement→run-tests→review→approve→create-pr

其中implement是一个循环节点，会持续执行直到ALL_TASKS_COMPLETE。这意味着AI会反复实现、验证、迭代，直到所有子任务完成。这比传统的"执行一步等确认"模式效率高得多。

Git Worktree：隔离即确定性

Archon的另一个关键设计是Git Worktree隔离。

每次工作流运行，它都会创建一个独立的Git worktree。这意味着你可以同时启动5个不同的修复任务，它们在完全隔离的分支上并行执行，互不干扰。

传统的AI编程模式有一个根本问题：当多个任务同时处理时，AI可能会意外修改相同的文件，导致状态混乱。Worktree隔离从根本上解决了这个问题——每个任务有自己独立的文件系统视角。

任务完成后，Archon会自动创建PR。整个过程是确定性的：相同的输入、相同的工作流、相同的输出质量。

循环节点：让AI真正自主

Archon的loop节点设计值得深入分析。

传统的AI工作流通常是：

AI执行 → 人类确认 → AI执行 → 人类确认 → ...

这种模式的问题在于：人类变成了瓶颈，每一次确认都打断了AI的工作节奏。

Archon的loop节点允许：

loop {  prompt: "实现下一个任务并验证"  until: ALL_TASKS_COMPLETE  // 或 APPROVED、或其他退出条件  fresh_context: true        // 每次迭代使用新的上下文}

AI会持续工作直到条件满足。fresh_context: true意味着每次迭代都是相对独立的"会话"，不会因为上下文膨胀而性能下降。

这让AI能够真正自主完成复杂的多步骤任务，而不是像拧牙膏一样一步步等确认。

人机协作：审批节点

纯AI自动化有一个信任问题：我们如何确保AI生成的代码质量？

Archon通过interactive: true配置节点暂停等待人工审批：

approve:prompt:"展示变更供审查，解决任何反馈"until:APPROVEDinteractive:true

这是一个Gate（关卡）设计：AI完成所有工作后，人类检查结果，决定是否继续。没有"AI自动合并导致生产事故"的风险。

结合循环节点的设计，AI可以：1. 自主完成所有实现2. 在人工审批节点暂停3. 如果需要修改，AI继续迭代4. 最终由人类决定是否合并

这比"每一步都要确认"高效得多，又比"完全撒手"安全得多。

工作流的版本控制

Archon的工作流定义在.archon/workflows/目录下，是YAML文件，可以提交到Git。

这意味着：- 工作流可以被版本化- 团队成员使用完全相同的开发流程- 工作流定义成为项目规范的一部分- 新成员可以通过阅读工作流理解团队的开发方式

这解决了一个根本问题：AI编程工具的"行为规范"终于可以被显式表达和审核了。

技术实现：微服务架构

从源码看，Archon采用典型的微服务架构：

• Platform Adapters
  ：Web UI、CLI、Telegram、Slack、Discord、GitHub Webhooks
• Orchestrator
  ：消息路由、上下文管理
• Command Handler
  ：处理斜杠命令
• Workflow Executor
  ：执行YAML定义的工作流
• AI Assistant Clients
  ：Claude Code、Codex等

数据层使用SQLite或PostgreSQL，7张核心表覆盖代码库、会话、任务、工作流运行、隔离环境、消息、工作流事件。

这种架构设计让Archon既能在本地轻量运行，也能水平扩展到团队协作场景。

预置工作流生态

Archon自带17个精心设计的默认工作流：

• archon-fix-github-issue
  ：Issue分类→调查→实现→验证→PR
• archon-idea-to-pr
  ：想法→规划→实现→5个并行审查→PR
• archon-refactor-safely
  ：带类型检查钩子的安全重构
• archon-smart-pr-review
  ：复杂度分类→定向审查→综合结论

这些工作流是YAML文件，可以直接复制修改。定义的规范可以成为团队的开发宪法。

意义：AI编程的工程化

Archon的出现反映了一个更深层的趋势：AI编程正在从"实验"走向"工程"。

当我们讨论AI编程时，往往关注的是"AI能做什么"。但工程化的真正挑战是"如何让AI始终如一地做好某件事"。

这需要：- 过程约束：定义清楚要做什么、做到什么程度- 结果验证：自动化测试、质量门禁- 版本控制：每一次执行可追溯、可回滚- 团队协作：多人使用相同的工作流和标准

Harness正是这种工程化思维的体现。它不是限制AI的能力，而是将AI的能力框定在可靠的范围内。

就像CI/CD没有阻止开发者写代码，反而让部署变得更可靠一样，Archon这样的工作流引擎不会限制AI的能力，而是让AI编程从"看心情"变成"可信赖"。

结语

Archon的核心价值可以用一句话概括：把软件开发流程编码成确定性的工作流，让AI的创造力用在正确的地方，把重复和验证交给自动化。

如果你在使用Claude Code或其他AI编程工具，Archon提供了一种将AI编程"工程化"的可能。工作流定义可以版本化、团队共享、持续迭代——这或许是AI编程走向成熟的第一步。

项目地址：https://github.com/coleam00/Archon

官方文档：https://archon.diy/