Друзья, всем привет. Немного потерялся в разработке =) Сейчас делаю 5 проектов одновременно благодаря своему СДВГ и AI-агентам. Параллельно веду курсы для начинающих и разработчиков - кто хочет в следующий батч, пишите в директ. Ещё делаю один очень не приятный процесс для суда. А ещё прошёл в Яндекс как поставщик знаний до 2028 года включительно. Через конкурс, конечно же.

Короче, на посты совсем не осталось времени. Точнее, на их нормальную доработку напильником. Но всё же хочу сделать небольшой + спойлер сразу следющим постом.

Я занимаюсь разработкой с AI-агентами уже достаточно долго по современным меркам. И за это время видел несколько итераций эволюции инструментов и всего обвеса вокруг AI-разработки.

🔹Было примерно так:

• Сначала была чистая модель. Ты отправляешь текст - получаешь текст. Единицы понимали, что реально происходит, как с этим работать и почему модель ошибается.
• Потом появился ChatGPT, и все начали говорить про prompt engineering. Это был этап, когда казалось, что всё решается правильной формулировкой запроса. Но со временем prompt engineering перестал быть отдельной магией и стал базовой частью следующего уровня - context engineering.
• Дальше появились агенты, tools, RAG, memory и оркестраторы. Агенты стали multi-turn, tool-using и long-running. Они начали не просто отвечать, а выполнять цепочки действий: искать, читать, писать код, запускать проверки, обращаться к API, сохранять состояние и продолжать работу через несколько шагов.

🔹И вот тут стало понятно, что важен уже не только промпт. Важно всё, что модель видит на каждом шаге: история, память, документы, tool outputs, инструкции, ограничения, состояние задачи, текущий план, ошибки, результаты тестов.

Так появился context engineering. Но и он постепенно стал частью более широкого слоя - agent/orchestration engineering.

А сейчас мы заходим в следующий слой - harness engineering.

Если совсем коротко: Agent = Model + Harness.

🔹Модель - это только reasoning/generation engine. Harness - это всё, что не является самой моделью, но делает её пригодной для реальной работы:

• system prompts
• tools
• MCP
• sandbox/filesystem/browser
• orchestration logic
• hooks/middleware
• memory
• state
• compaction
• continuation
• lint checks
• tests
• evals
• guardrails
• observability
• recovery loops
• human approval gates

🔹То есть harness - это не просто ещё один промпт и не просто оркестратор. Harness engineering - это проектирование всей среды, в которой агент работает, ошибается, проверяет себя, восстанавливается и доводит задачу до результата.

И вот здесь начинается самое интересное. Потому что настоящий AI-agent workflow - это не написал промпт и получил магию. Это итеративное и последовательное проектирвоани и производство результата.

🔹Агент делает шаг. Проверяет. Получает ошибку. Исправляет. Снова проверяет. Сохраняет состояние. Переходит к следующему шагу. Оставляет трассировку. Делает результат воспроизводимым. И при этом весь процесс лежит на поверхности где каждая итерация контролируема, наблюдаема и может быть инкапсулирована.

Ничего не напоминает? Правильно. Agile в SDLC. Только теперь у нас появляется AI-native версия этого подхода.

Не просто разработчик пишет задачи, коммитит код и гоняет тесты. А агент работает внутри инженерного harness: с правилами, ограничениями, инструментами, проверками, памятью, контекстом и циклами обратной связи.

И, на мой взгляд, именно это сейчас становится главным отличием от я просто пользуюсь AI и я строю production-grade процессы с AI-агентами.

🔹Если по слоям:

• Prompt engineering был про то, как попросить модель.
• Context engineering - про то, что дать модели в голову прямо сейчас.
• Orchestration - про то, какой шаг выполнить дальше.
• Harness engineering - про то, в какой инженерной среде агент живёт, работает, ошибается, проверяется и доводит задачу до результата.

В следующих постах пишу про BIMAD, SPARC, SDD/SPEC, RIPER, FPF ADI подходы и методологии чтобы построить ваш собственный AI-PDLC. И то как @forgeplan дает это и умеет все это сразу + пишет документацию как это нужно.