课程介绍

大模型技术正在推动软件研发从“人写代码、工具辅助”快速走向“AI 自主编码、人类驾驭”。对金融科技，尤其是期货与衍生品交易软件领域而言，如何在低延迟、高稳定、强合规的约束下，把 AI Coding 真正落到研发全流程，是当下最紧迫的课题。

本课程聚焦“研发效能 + 工程化驾驭”两条主线：一方面从战略高度帮助管理层看清 AI 原生软件的变局、工具选型与团队能力转型；另一方面结合 2026 年最新提出的 Harness Engineering 方法论（Agent = Model + Harness），系统讲解如何为 AI Coding 建立 Guides（前馈控制）与 Sensors（反馈控制）双支柱，让 AI 编码从“能跑”升级为“能用于生产”。

课程特点

战略到落地：既看清 AI 原生软件变局，也掌握 AI Coding 在金融科技场景的可执行方法。

方法论升级：引入 Mitchell Hashimoto “Agent = Model + Harness” 与 Martin Fowler / Thoughtworks “Guides-Sensors 分类体系”，国内首批系统化引入 Harness Engineering 的企业培训。

行业贴身：围绕行情、交易、风控、量化、客户服务等易盛核心产品线设计演练与案例。

双闭环演练：每个模块配套工作坊，两天课结束可直接形成团队的 AI Coding Harness 行动方案。

课程产出

团队 AI Coding Harness 架构设计模板、Guides/Sensors 清单与落地检查表、2 个月行动计划。

课程大纲

Day 1　战略认知与 AI Coding 效能突围

模块一：战略认知——AI 原生时代的软件变局（半天）

目标：统一管理层与研发骨干对大模型能力的认知，理解软件形态与研发方式的根本性变化。

1. 大模型技术演进与产业格局

·           从 DeepSeek V3.2、Qwen 3.5 到 Claude 4.6、GPT-5：主流模型能力跃迁及对金融科技与软件行业的影响。

·           2025–2026 技术新趋势：国产大模型崛起、Agentic Coding、长上下文窗口、多模态推理对金融业务流的冲击。

·           全球 AI Token 消耗量从 2024 年初到 2026 年 3 月暴增 1800 倍背后的信号：为什么“能玩”与“能用于生产”之间存在剪刀差。

2. 定义“AI 原生软件”

·           本质区别：从传统企业级软件的“功能堆砌”到智能体的“自主决策”与“能力涌现”。

·           架构特点：以智能体（Agent）作为核心交互与执行单元的新软件形态。

·           金融科技专场：AI 能给传统行情、交易、风控、量化、CRM 系统带来哪些变化；对极速交易等低延迟场景的边界与适配。

3. 企业转型路径图

·           阶段一：AI 辅助研发（全员 AI Coding 转型）。

·           阶段二：业务智能化（既有系统赋能 + 新业务新模式）。

·           阶段三：全域 AI 原生重构。

4. 工作坊：易盛产品线的 AI 原生机会识别

·           结合交易、行情、风控、量化、客户服务场景，分组研讨识别 AI 原生机会点与风险点，形成 2×2 价值/风险矩阵。

模块二：效能突围——重构软件研发全流程（半天）

目标：掌握利用 AI 提升团队人效的方法论，建立“人机共生”的研发管理体系。

1. 研发效能提升的工具与策略

·           主流 AI 编程工具选型：Claude Code、Cursor、Trae、OpenClaw 等及其对开发环境的改变。

·           C/C++ 低延迟代码场景下的特殊适配。

·           从 Coding 到 Review：AI 在代码解释、单测生成、Bug 修复中的角色，以及对交易系统等高可靠场景的 Review 加固。

·           既有系统 vs. 新项目的提效差异分析；AI 加速老系统交接与轮岗，破解核心交易/行情系统“强人员绑定”。

2. 管理新范式：R.I.P.E.R. Five 开发流程

·           Research（澄清）→ Innovate（方案）→ Plan（计划）→ Execution（执行）→ Review（审查）。

·           三类软件的 AI 介入策略：AI 自主开发类（内部工具、报表）、人机协同类（CRM、客服、量化策略研究）、人工值守类（撮合/极速交易/资金清算等核心链路）。

·           沙盘推演：围绕行情解析、订单路由、风控规则、量化回测等真实模块进行流程演练。

3. AI 时代的研发团队能力模型

·           程序员从“代码撰写者”转向“架构师 + 提示词工程师 + 代码审查员”的能力要求变化。

·           新岗位定义：智能体开发工程师（FDE、Skill 封装工程师）与技术平台工程师（新技术导入、私有化模型部署）。

·           团队能力评估框架：识别团队成员的 AI 能力短板与培养路径。

4. Day 1 收尾工作坊

·           R.I.P.E.R. Five 流程沙盘：分组选取易盛实际项目模块，完成从 Research 到 Review 的完整流程设计。

Day 2　Harness Engineering：让 AI Coding 可靠交付

模块三：Harness Engineering 核心概念与架构（半天）

目标：建立“驾驭工程”的系统认知，理解 Harness 的组成要素与设计原则。

1. 为什么需要 Harness Engineering？

·           “能玩”与“能用于生产”的剪刀差：超过 70% 的企业 LLM PoC 走不到生产——缺的不是更好的模型，而是“驾驭”模型的工程能力。

·           三代 AI 工程范式的演进：2022-2024 Prompt Engineering（怎么问）→ 2025 Context Engineering（看到什么）→ 2026 Harness Engineering（怎么运转）。

·           里程碑事件：2026 年 2 月 Mitchell Hashimoto 提出 Agent = Model + Harness；OpenAI Codex 团队发布“3 人 5 个月 100 万行生产代码、零人工编码”实战报告。

2. Agent = Model + Harness：重新理解 AI Agent

·           核心洞见：模型提供推理能力（日益商品化），Harness 提供规则、约束、数据上下文和验证机制——让模型从“灵光一现”变为“可靠交付”。

·           Harness 定义：包裹在模型之外的完整基础设施——工具编排、状态管理、错误恢复、可观测性、多会话协调。

3. Guides 与 Sensors：驾驭工程的两大支柱

·           Guides（前馈控制/指南）：在 Agent 行动之前收窄行动空间，提供结构化知识——系统提示词、CLAUDE.md / AGENTS.md、约束文档与架构规则。

·           Sensors（反馈控制/传感器）：在 Agent 行动之后观察与验证——Evals、输出解析器、自动化测试、代码审查。

·           两种执行类型：计算型（Linter、类型检查、结构化测试；毫秒~秒级、确定性）与推理型（LLM-as-Judge、AI 代码审查；较慢、更贵、非确定性）。

4. 研讨：用 Guides/Sensors 框架复盘自身 AI Coding 痛点

·           分组梳理团队近期在 AI Coding 实践中遇到的“不可靠”问题，归类为前馈可预防 vs. 反馈需纠正两类，形成问题地图。

模块四：AI Coding Harness 工程实战与落地路径（半天）

目标：以 AI Coding 场景为切入点，掌握 Harness 各组件的具体工程实现，并形成团队落地路径。

1. Guides 实战：如何在 Agent 行动前建立约束

·           CLAUDE.md / AGENTS.md——项目级驾驭规范：为 Agent 提供持久化的项目上下文（代码规范、工作流约定、架构约束）。

·           好的 vs. 差的规范文件对比；Prompt as Code：规范文件纳入版本控制，像管理代码一样管理 Agent 指令。

·           Hooks——Agent 生命周期事件钩子：文件保存自动格式化、提交前自动检查、工具调用前权限校验。

·           核心习惯：“每当 Agent 犯一次错，就在环境中工程化一个永久修复”（Mitchell Hashimoto）。

2. Sensors 实战：如何在 Agent 行动后验证和纠偏

·           Linter 与类型检查（计算型 Sensor）：LLM 生成代码的常见错误模式与 Linter 规则定制；静态强制执行结构化日志、命名规范、文件大小、平台特定可靠性要求。

·           自动化测试：单测 + 集成测试作为 Agent 自测手段；Commit 级审查 + 里程碑级 Review 的双层质量保障机制。

·           LLM-as-Judge（推理型 Sensor）：用一个模型审查另一个模型的输出；AI + 人工双重 Code Review 的实操流程与适用边界。

·           可观测性：OpenLLMetry 等工具基于 OpenTelemetry 的 LLM 调用与 Agent 步骤追踪；与 Grafana / Datadog 的集成。

3. 实操演练:现场搭建一套 AI Coding Harness

·           选取学员真实项目（如一个易盛内部工具或行情解析模块），现场完成：

· 编写 CLAUDE.md 规范文件 / 配置提交前 Hooks / 配置 Linter 规则 / 运行 Agent 观察控制效果。

· 对比演示：有 Harness vs. 无 Harness 的 Agent 输出质量差异。

4. 团队 Harness 成熟度与落地路径

·           成熟度评估：Level 0 裸奔 → Level 1 基础约束 → Level 2 系统化 Harness → Level 3 自演进 Harness。

·           近期（1 个月）：为当前 AI Coding 实践建立基础 Harness——CLAUDE.md + Hooks + Linter。

·           中期（2–3 个月）：将 Harness 思维扩展到更多研发场景，工具层标准化、可观测性建设。

·           远期（4–6 个月）：建立组织级 Harness 工程能力——模板库、最佳实践沉淀、Harness Engineer 岗位定义。

5. 收尾工作坊：两天课成果整合

·          各组输出：本团队的 R.I.P.E.R. Five 流程图 + AI Coding Harness 架构设计 + 2 个月行动计划，讲师点评。