harness-engineering Documentation

Technical Documentation: deusyu/harness-engineering

ℹ️ Provenance: Hybrid Fusion: deusyu/harness-engineering (README + 2 In-Tree Chapters) · CodeWiki Reference · Recency: Active (< 180 days)

1. Project Overview & Quickstart (deusyu/harness-engineering) Copy Chapter

中文 | English

Harness Engineering 学习指南

一个从概念理解到独立实践的 Harness Engineering 深度学习档案

前言 Copy Chapter

这是一个不断生长的学习项目。Harness Engineering（驭缰工程）是 OpenAI 在 2026 年 2 月提出的工程范式：工程师不再写代码，而是设计环境、明确意图、构建反馈回路，让 AI 智能体可靠地完成工作。

人类掌舵，智能体执行。

本仓库记录了从阅读原文、拆解概念、形成思考、动手实践到输出作品的完整学习过程。希望对同样关注 AI 工程化的朋友有所帮助。

来源：OpenAI — Harness Engineering: Harnessing Codex in an Agent-First World

注意： 以下经验分享并非普遍适用，请在具体实践中结合场景，辩证采纳。

⚡ 一句话理解 Copy Chapter

传统工程：人类写代码 → 机器执行代码
Harness Engineering：人类设计约束 → 智能体写代码 → 机器执行代码

核心转变：工程师的产出从代码变成了约束系统——AGENTS.md、架构规则、自定义 linter、反馈回路。

🧭 六大核心概念 Copy Chapter

1. 仓库即记录系统 — 不在仓库里的东西，对智能体不存在

Slack 讨论、Google Docs、脑子里的知识 = 对智能体不可见。一切决策、规范、计划都必须以版本化工件提交到仓库。

→ 详见 concepts/01-repo-as-source-of-truth.md

2. 地图而非手册 — AGENTS.md 是目录页，不是百科全书

~100 行的入口文件，指向更深层的文档。渐进式披露：智能体从小入口点开始，被指导下一步该看什么。巨型指令文件的三个死因：挤占上下文、无法维护、无法机械验证。

→ 详见 concepts/00-overview.md

3. 机械化执行 — 文档会腐烂，lint 规则不会

自定义 linter + 结构测试 = 不变量的守护者。lint 错误信息里内嵌修复指令，智能体可以自我纠正。在中央层面强制执行边界，在本地层面允许自主权。

→ 详见 concepts/02-mechanical-enforcement.md

4. 智能体可读性 — 优先为智能体的推理能力优化

选"无聊"技术（API 稳定、训练集覆盖好）。有时重新实现子集比包装不透明的上游行为更划算。让应用可以按 git worktree 启动。

→ 详见 concepts/04-agent-readability.md

5. 吞吐量改变合并理念 — 纠错成本低，等待成本高

PR 生命周期很短。测试偶发失败通过后续重跑解决。在智能体吞吐量远超人类注意力的系统中，这通常是正确的选择。

→ 详见 concepts/05-throughput-changes-merge.md

6. 熵管理 = 垃圾回收 — 技术债是高息贷款

智能体会复现仓库中已有的模式——包括坏模式。将"黄金规则"编码进仓库，定期后台任务扫描偏差、更新质量评分、发起重构 PR。

→ 详见 concepts/03-entropy-and-garbage-collection.md

🔑 关键数据点 Copy Chapter

📂 仓库结构 Copy Chapter

harness-engineering/
├── README.md              ← 你在这里
├── AGENTS.md              ← 仓库导航入口（给智能体看的）
│
├── concepts/              # Phase 1：概念笔记（8 篇）
│   ├── 00-overview.md     #   六大核心概念总览
│   ├── 01-repo-as-...     #   仓库即记录系统
│   ├── 02-mechanical-...  #   机械化执行
│   ├── 03-entropy-...     #   熵管理与垃圾回收
│   ├── 04-agent-...       #   智能体可读性
│   ├── 05-throughput-...  #   吞吐量改变合并理念
│   ├── 06-harness-...     #   Harness 精确定义（Fowler 控制论扩展）
│   └── 07-spec-as-product.md #   约束即产品（Symphony 延伸）
│
├── thinking/              # Phase 2：独立思考与质疑（11 篇）
├── practice/              # Phase 3：小项目实验（1 个 Ralph Demo）
├── feedback/              # Phase 4：踩坑与迭代心得（1 篇）
├── works/                 # Phase 5：可展示的作品（34 篇翻译 + 1 篇原创 + 2 篇外部中文收录）
├── tools/                 # 工具具像化：降低 6 维复杂度的杠杆库
├── prompts/               # 验证有效的提示词积累
└── references/            # 外部资源索引（74 篇文章深度摘要）

每个子目录都有自己的 AGENTS.md，说明该目录的用途和写作约定。这本身就是原文「渐进式披露」的实践。

🚀 学习路线 Copy Chapter

• Phase 1：理解核心概念 — 8 篇概念笔记，覆盖 OpenAI 六大概念 + Fowler 控制论扩展 + Symphony 约束即产品
• Phase 2：形成自己的观点 — 11 篇独立思考（持续中）
• Phase 3：选一个小项目实践 — Ralph Demo 完成（321 秒，$0.31）
• Phase 4：记录反馈迭代 — 1 篇（持续中）
• Phase 5：输出可展示的作品 — 34 篇专业翻译 + 1 篇原创综合分析 + 2 篇外部中文收录

📚 研究资料库 Copy Chapter

跨三条知识脉络 74 篇文章 + 2 篇延伸阅读：

详见 references/articles.md — 每篇文章含核心论点、关键数据、跨文章关联的深度摘要。

📖 翻译作品 Copy Chapter

34 篇核心文章的中文翻译（点击展开）

🔗 相关项目与资源 Copy Chapter

原始来源 Copy Section

Ralph 系列 — Harness Engineering 的实战框架 Copy Section

「Ralph Wiggum 循环」是 Harness Engineering 的核心实现模式：让智能体在循环中自主工作直到任务完成。

Ralph 六条信条（与 Harness Engineering 的映射） Copy Section

社区与延伸 Copy Section

🛠️ 开发须知 Copy Chapter

仓库自带一致性检查脚本 scripts/check-consistency.sh，守护数量与保真类漂移，覆盖十三层校验：

• C1-C2 — references/articles.md 文章数 + 下游 4 处引用（README × 2 badges、prompts/deep-research-tracker.md 头部、references/AGENTS.md 概览）
• C3 — concepts/ / thinking/ / feedback/ 三个目录的 *.md 实际数与 README "X 篇" 声明一致
• C4 — works/*-translation.md 文件数与各处翻译计数声明一致（badges、表格摘要、Phase 5 注释、AGENTS 快照、表格行数）
• C5 — README 结构树的 concepts/ 子树列出每一个 concepts/*.md 文件
• C6 — references/articles.md 末尾"不计入 N 篇"的 N 与 C1 权威值一致
• C7 — 三脉络（脉络一/二/三）的 per-track 计数在 4 处下游声明（READMEs 资料库表 × 2、references/AGENTS.md 三脉络小标题、prompts/deep-research-tracker.md 三脉络明细）保持一致
• C8 — 翻译流水线本地守卫：当 translate/<...>/sources/<slug>/source-full.md 已抓取，对应 01-analysis.md 不得再声称"仅摘要页 / 建议补抓全文"。translate/ 已 gitignore，故 CI 与干净 clone 上自动 SKIP，仅在本地有过程稿时触发
• C9 — concepts/ / thinking/ / feedback/ 正文不得把文库计数（"N 篇文章 / N 篇翻译 / N 大概念"）当活事实裸写——这类数字在 C2/C7 声明位之外会悄悄腐烂。历史性提法必须带"写作时点 / 当时 / 此前 / 首批 / 首轮 / 截至 / 快照"限定词，否则去掉数字、改链 references/articles.md
• C10 — 图片保真（纯本地、零网络）：每篇译文 frontmatter 必须声明 sourceFigureCount，正文嵌图数须 ≥ 声明数，且本地嵌图路径必须真实存在（null = 原文不可得、未审计 → SKIP）
• C11 — markdown 表格形状：受检文件里每行表格的单元格数须与表头一致
• C12 — references/articles.md 每个编号条目必须带 作者： 与 日期： 字段
• C13 — 零插图声明须留痕。C10 只能证伪"多报"，sourceFigureCount: 0 在本地永远无法被证伪——2026-07-27 就是这个洞放行了一个假 0（原文实有 4 张图）。因此声明 0 的译文必须同时带 sourceFigureAudit，值里要有 YYYY-MM-DD 核对日期，写清怎么核对、结论是什么

首次 clone 后启用 pre-commit hook：

git config core.hooksPath .githooks

启用后，每次 commit 涉及 README、AGENTS.md、references/articles.md、references/AGENTS.md、prompts/deep-research-tracker.md、或 concepts/ / thinking/ / feedback/ / works/ 中的 *.md 时会自动跑检查；不涉及则不打扰。

手动跑： bash scripts/check-consistency.sh

CI 兜底： 即使本地未启用 hook，GitHub Actions（.github/workflows/consistency.yml）会在每次 push / PR 时跑同一脚本（不做路径过滤，保证分支保护的必需检查总能得到上报）。本地 hook 是开发期反馈，CI 才是真正的合并门。

详情见根 AGENTS.md 的"机械化检查"段。

🪞 仓库即 harness（自我指涉） Copy Chapter

这个仓库开始策展自己了。

收录外部调研不再靠手感——它走一条固化成 skill 的流水线 curate-research：评审由并行 agent 自动完成（反馈回路），scripts/check-consistency.sh 的 C1–C13 守着计数与保真不漂移（机械护栏），而"收不收进来"始终是一道人类闸门（人类掌舵、智能体执行）。

于是约束本身成了产品——正是本仓库 concepts/07-spec-as-product.md 讲的东西，只不过这次的实验对象是仓库自己。

🤝 参与贡献 Copy Chapter

欢迎通过 Issue 和 PR 参与：

• 补充概念笔记（concepts/ 中还有待补充的概念）
• 分享你的独立思考（thinking/）
• 贡献实践案例（practice/）
• 推荐相关资源（references/）

📞 联系方式 Copy Chapter

Star History Copy Chapter

如果这个项目对您有帮助，请考虑为其点亮一颗 Star ⭐！

💛 赞助支持 Copy Chapter

如果这份学习档案为你节省了时间，欢迎赞助我的开源工作——你的支持让它持续更新、保持免费与开放。

📄 License Copy Chapter

MIT

2. In-Tree Documentation Chapters (deusyu/harness-engineering) Copy Chapter

File: README.md Copy Chapter

中文 | English

Harness Engineering 学习指南

一个从概念理解到独立实践的 Harness Engineering 深度学习档案

前言 Copy Chapter

这是一个不断生长的学习项目。Harness Engineering（驭缰工程）是 OpenAI 在 2026 年 2 月提出的工程范式：工程师不再写代码，而是设计环境、明确意图、构建反馈回路，让 AI 智能体可靠地完成工作。

人类掌舵，智能体执行。

本仓库记录了从阅读原文、拆解概念、形成思考、动手实践到输出作品的完整学习过程。希望对同样关注 AI 工程化的朋友有所帮助。

来源：OpenAI — Harness Engineering: Harnessing Codex in an Agent-First World

注意： 以下经验分享并非普遍适用，请在具体实践中结合场景，辩证采纳。

⚡ 一句话理解 Copy Chapter

传统工程：人类写代码 → 机器执行代码
Harness Engineering：人类设计约束 → 智能体写代码 → 机器执行代码

核心转变：工程师的产出从代码变成了约束系统——AGENTS.md、架构规则、自定义 linter、反馈回路。

🧭 六大核心概念 Copy Chapter

1. 仓库即记录系统 — 不在仓库里的东西，对智能体不存在

Slack 讨论、Google Docs、脑子里的知识 = 对智能体不可见。一切决策、规范、计划都必须以版本化工件提交到仓库。

→ 详见 concepts/01-repo-as-source-of-truth.md

2. 地图而非手册 — AGENTS.md 是目录页，不是百科全书

~100 行的入口文件，指向更深层的文档。渐进式披露：智能体从小入口点开始，被指导下一步该看什么。巨型指令文件的三个死因：挤占上下文、无法维护、无法机械验证。

→ 详见 concepts/00-overview.md

3. 机械化执行 — 文档会腐烂，lint 规则不会

自定义 linter + 结构测试 = 不变量的守护者。lint 错误信息里内嵌修复指令，智能体可以自我纠正。在中央层面强制执行边界，在本地层面允许自主权。

→ 详见 concepts/02-mechanical-enforcement.md

4. 智能体可读性 — 优先为智能体的推理能力优化

选"无聊"技术（API 稳定、训练集覆盖好）。有时重新实现子集比包装不透明的上游行为更划算。让应用可以按 git worktree 启动。

→ 详见 concepts/04-agent-readability.md

5. 吞吐量改变合并理念 — 纠错成本低，等待成本高

PR 生命周期很短。测试偶发失败通过后续重跑解决。在智能体吞吐量远超人类注意力的系统中，这通常是正确的选择。

→ 详见 concepts/05-throughput-changes-merge.md

6. 熵管理 = 垃圾回收 — 技术债是高息贷款

智能体会复现仓库中已有的模式——包括坏模式。将"黄金规则"编码进仓库，定期后台任务扫描偏差、更新质量评分、发起重构 PR。

→ 详见 concepts/03-entropy-and-garbage-collection.md

🔑 关键数据点 Copy Chapter

📂 仓库结构 Copy Chapter

harness-engineering/
├── README.md              ← 你在这里
├── AGENTS.md              ← 仓库导航入口（给智能体看的）
│
├── concepts/              # Phase 1：概念笔记（8 篇）
│   ├── 00-overview.md     #   六大核心概念总览
│   ├── 01-repo-as-...     #   仓库即记录系统
│   ├── 02-mechanical-...  #   机械化执行
│   ├── 03-entropy-...     #   熵管理与垃圾回收
│   ├── 04-agent-...       #   智能体可读性
│   ├── 05-throughput-...  #   吞吐量改变合并理念
│   ├── 06-harness-...     #   Harness 精确定义（Fowler 控制论扩展）
│   └── 07-spec-as-product.md #   约束即产品（Symphony 延伸）
│
├── thinking/              # Phase 2：独立思考与质疑（11 篇）
├── practice/              # Phase 3：小项目实验（1 个 Ralph Demo）
├── feedback/              # Phase 4：踩坑与迭代心得（1 篇）
├── works/                 # Phase 5：可展示的作品（34 篇翻译 + 1 篇原创 + 2 篇外部中文收录）
├── tools/                 # 工具具像化：降低 6 维复杂度的杠杆库
├── prompts/               # 验证有效的提示词积累
└── references/            # 外部资源索引（74 篇文章深度摘要）

每个子目录都有自己的 AGENTS.md，说明该目录的用途和写作约定。这本身就是原文「渐进式披露」的实践。

🚀 学习路线 Copy Chapter

• Phase 1：理解核心概念 — 8 篇概念笔记，覆盖 OpenAI 六大概念 + Fowler 控制论扩展 + Symphony 约束即产品
• Phase 2：形成自己的观点 — 11 篇独立思考（持续中）
• Phase 3：选一个小项目实践 — Ralph Demo 完成（321 秒，$0.31）
• Phase 4：记录反馈迭代 — 1 篇（持续中）
• Phase 5：输出可展示的作品 — 34 篇专业翻译 + 1 篇原创综合分析 + 2 篇外部中文收录

📚 研究资料库 Copy Chapter

跨三条知识脉络 74 篇文章 + 2 篇延伸阅读：

详见 references/articles.md — 每篇文章含核心论点、关键数据、跨文章关联的深度摘要。

📖 翻译作品 Copy Chapter

34 篇核心文章的中文翻译（点击展开）

🔗 相关项目与资源 Copy Chapter

原始来源 Copy Section

Ralph 系列 — Harness Engineering 的实战框架 Copy Section

「Ralph Wiggum 循环」是 Harness Engineering 的核心实现模式：让智能体在循环中自主工作直到任务完成。

Ralph 六条信条（与 Harness Engineering 的映射） Copy Section

社区与延伸 Copy Section

🛠️ 开发须知 Copy Chapter

仓库自带一致性检查脚本 scripts/check-consistency.sh，守护数量与保真类漂移，覆盖十三层校验：

• C1-C2 — references/articles.md 文章数 + 下游 4 处引用（README × 2 badges、prompts/deep-research-tracker.md 头部、references/AGENTS.md 概览）
• C3 — concepts/ / thinking/ / feedback/ 三个目录的 *.md 实际数与 README "X 篇" 声明一致
• C4 — works/*-translation.md 文件数与各处翻译计数声明一致（badges、表格摘要、Phase 5 注释、AGENTS 快照、表格行数）
• C5 — README 结构树的 concepts/ 子树列出每一个 concepts/*.md 文件
• C6 — references/articles.md 末尾"不计入 N 篇"的 N 与 C1 权威值一致
• C7 — 三脉络（脉络一/二/三）的 per-track 计数在 4 处下游声明（READMEs 资料库表 × 2、references/AGENTS.md 三脉络小标题、prompts/deep-research-tracker.md 三脉络明细）保持一致
• C8 — 翻译流水线本地守卫：当 translate/<...>/sources/<slug>/source-full.md 已抓取，对应 01-analysis.md 不得再声称"仅摘要页 / 建议补抓全文"。translate/ 已 gitignore，故 CI 与干净 clone 上自动 SKIP，仅在本地有过程稿时触发
• C9 — concepts/ / thinking/ / feedback/ 正文不得把文库计数（"N 篇文章 / N 篇翻译 / N 大概念"）当活事实裸写——这类数字在 C2/C7 声明位之外会悄悄腐烂。历史性提法必须带"写作时点 / 当时 / 此前 / 首批 / 首轮 / 截至 / 快照"限定词，否则去掉数字、改链 references/articles.md
• C10 — 图片保真（纯本地、零网络）：每篇译文 frontmatter 必须声明 sourceFigureCount，正文嵌图数须 ≥ 声明数，且本地嵌图路径必须真实存在（null = 原文不可得、未审计 → SKIP）
• C11 — markdown 表格形状：受检文件里每行表格的单元格数须与表头一致
• C12 — references/articles.md 每个编号条目必须带 作者： 与 日期： 字段
• C13 — 零插图声明须留痕。C10 只能证伪"多报"，sourceFigureCount: 0 在本地永远无法被证伪——2026-07-27 就是这个洞放行了一个假 0（原文实有 4 张图）。因此声明 0 的译文必须同时带 sourceFigureAudit，值里要有 YYYY-MM-DD 核对日期，写清怎么核对、结论是什么

首次 clone 后启用 pre-commit hook：

git config core.hooksPath .githooks

启用后，每次 commit 涉及 README、AGENTS.md、references/articles.md、references/AGENTS.md、prompts/deep-research-tracker.md、或 concepts/ / thinking/ / feedback/ / works/ 中的 *.md 时会自动跑检查；不涉及则不打扰。

手动跑： bash scripts/check-consistency.sh

CI 兜底： 即使本地未启用 hook，GitHub Actions（.github/workflows/consistency.yml）会在每次 push / PR 时跑同一脚本（不做路径过滤，保证分支保护的必需检查总能得到上报）。本地 hook 是开发期反馈，CI 才是真正的合并门。

详情见根 AGENTS.md 的"机械化检查"段。

🪞 仓库即 harness（自我指涉） Copy Chapter

这个仓库开始策展自己了。

收录外部调研不再靠手感——它走一条固化成 skill 的流水线 curate-research：评审由并行 agent 自动完成（反馈回路），scripts/check-consistency.sh 的 C1–C13 守着计数与保真不漂移（机械护栏），而"收不收进来"始终是一道人类闸门（人类掌舵、智能体执行）。

于是约束本身成了产品——正是本仓库 concepts/07-spec-as-product.md 讲的东西，只不过这次的实验对象是仓库自己。

🤝 参与贡献 Copy Chapter

欢迎通过 Issue 和 PR 参与：

• 补充概念笔记（concepts/ 中还有待补充的概念）
• 分享你的独立思考（thinking/）
• 贡献实践案例（practice/）
• 推荐相关资源（references/）

📞 联系方式 Copy Chapter

Star History Copy Chapter

如果这个项目对您有帮助，请考虑为其点亮一颗 Star ⭐！

💛 赞助支持 Copy Chapter

如果这份学习档案为你节省了时间，欢迎赞助我的开源工作——你的支持让它持续更新、保持免费与开放。

📄 License Copy Chapter

MIT

File: practice/01-ralph-demo/README.md Copy Chapter

实验 01：用 Ralph Orchestrator 跑一个完整的编排循环

验证概念：帽子系统、背压门控、迭代循环、持久记忆
日期：2026-03-31
耗时：321 秒 | 费用：$0.31 | 迭代：4 次

目标 Copy Chapter

用 Ralph Orchestrator（Harness Engineering 的开源实现）从零完成一个编码任务，观察编排循环的实际运行过程。

环境 Copy Chapter

• Ralph Orchestrator v2.8.1（npm install @ralph-orchestrator/ralph-cli）
• 后端：Claude Code（claude-opus-4-6）
• Hat collection：builtin:code-assist

步骤 Copy Chapter

1. 安装 Ralph Copy Section

npm install @ralph-orchestrator/ralph-cli

2. 初始化项目 Copy Section

mkdir -p /tmp/ralph-demo && cd /tmp/ralph-demo
ralph init --backend claude

生成 ralph.yml，核心配置：

cli:
  backend: "claude"
event_loop:
  prompt_file: "PROMPT.md"
  completion_promise: "LOOP_COMPLETE"
  max_iterations: 100

3. 编写任务描述 Copy Section

人类唯一的产出——PROMPT.md：

# Task: Build a CLI word counter

Create a simple Python CLI tool called `wc.py` that:
1. Accepts a filename as argument
2. Counts lines, words, and characters
3. Prints the result in a formatted table

Include a test file `test_wc.py` using pytest.

When all tests pass, output LOOP_COMPLETE.

4. 启动编排循环 Copy Section

ralph run -c ralph.yml -H builtin:code-assist

循环过程 Copy Chapter

Ralph 自动完成了 4 轮迭代，每轮戴不同的"帽子"：

产出 Copy Chapter

wc.py（49 行） Copy Section

#!/usr/bin/env python3
"""CLI word counter — counts lines, words, and characters in a file."""

import sys

def count(text: str) -> tuple[int, int, int]:
    lines = text.count("\n")
    words = len(text.split())
    chars = len(text)
    return lines, words, chars

def format_table(filename: str, lines: int, words: int, chars: int) -> str:
    col_w = max(len(str(v)) for v in (lines, words, chars, "Lines", "Words", "Chars"))
    sep = "+" + "-" * (col_w + 2) + "+" + "-" * (col_w + 2) + "+"
    row = lambda label, val: f"| {label:<{col_w}} | {val:>{col_w}} |"
    return "\n".join([
        f"File: {filename}",
        sep,
        row("Lines", lines),
        row("Words", words),
        row("Chars", chars),
        sep,
    ])

def main() -> int:
    if len(sys.argv) < 2:
        print("Usage: wc.py <filename>", file=sys.stderr)
        return 1
    filename = sys.argv[1]
    try:
        with open(filename) as f:
            text = f.read()
    except FileNotFoundError:
        print(f"Error: file not found: {filename}", file=sys.stderr)
        return 1
    lines, words, chars = count(text)
    print(format_table(filename, lines, words, chars))
    return 0

if __name__ == "__main__":
    sys.exit(main())

test_wc.py（7 个测试） Copy Section

CLI 运行效果 Copy Section

$ python3 wc.py wc.py
File: wc.py
+-------+-------+
| Lines |    49 |
| Words |   166 |
| Chars |  1339 |
+-------+-------+

scratchpad.md（跨迭代的持久记忆） Copy Chapter

Ralph 在 .ralph/agent/scratchpad.md 中记录了每轮迭代的决策和结果，供后续迭代读取：

## Iteration 1 — Planner: Initial Decomposition
Objective: Build CLI word counter (wc.py + test_wc.py).
Plan: 2 steps. Step 1 covers both implementation and tests. Step 2 is manual verification.

## Iteration 2 — Builder: Implement wc.py + test_wc.py
- Wrote test_wc.py first (TDD)
- Fixed test char count (24 not 23)
- All 7 tests pass. Emitting review.ready.

## Iteration 3 — Critic: Fresh-Eyes Review
- 7/7 pytest tests pass (re-verified independently)
- All CLI paths verified
- Verdict: PASSED

## Iteration 4 — Finalizer: Whole-Prompt Gate
- All objective requirements met
- Verdict: LOOP_COMPLETE

映射到 Harness Engineering 核心概念 Copy Chapter

归档文件 Copy Chapter

实验原始运行在 /tmp/ralph-demo（ephemeral 路径）。为践行"仓库即记录系统"，产物已落盘到本目录：PROMPT.md、ralph.yml、wc.py、test_wc.py（复原件）。各文件来源与复验方式见 AGENTS.md；工具本身的主张与失效场景见 tools/harnesses/ralph-orchestrator.md。

--- METRICS ---

• Files Extracted: 3
• Estimated Token Budget: ~7442 tokens
• Recency Window: Active (< 180 days)
• Canonical Reference: https://codewiki.google/github.com/deusyu/harness-engineering