← 返回学习中心 · Agent 工程OiOi Academy
AGENT 理论 · 14

团队共享 Harness:HQ 实战

@VibeMarketer_ 以 HQ 产品为例:把团队散落的模型/skills/自动化做成公司级共享 harness。

原作者 @VibeMarketer_ 来源 X 发布 2026-08-10
🏢

开篇:团队的 AI 是散装的

大多数团队今天的样子:模型、skills、自动化散落在各自工具、私聊、个人配置里。每个人都要重新教 AI 业务上下文;一个人给 Claude 讲最新战略,另一个让 Codex 翻旧文件夹,第三个人凭记忆重建一个好用的工作流——每段对话里都是一个略有不同的公司版本。

原文配图:团队共享 harness 题图
原文配图:团队共享 harness 题图
记住:The model supplies intelligence. The harness supplies the company. 模型提供智能,harness 提供"公司"。同一个模型在两家公司手感完全不同,差的就是这层工作环境。
高中生类比
就像公司刚成立时大家用个人微信聊工作,文件散在各自手机里;后来上了企业微信+共享网盘+审批流——HQ 就是给 AI 用的那套"企业微信+网盘":模型还是那些模型,但公司上下文、规则、能力从此有了统一的家。

作者用 HQ(hqforwork.com,底层可接 Claude Code / Codex / Cursor 或开源模型;开源 quickstart 一条命令:npx create-hq,github.com/indigoai-us/hq-core)搭了这层共享 harness。这门课按他的实战路径展开:每周情报 worker 切入 → 记忆 → 策略 → worker → 评审 → /hq-sync 复利。

原文配图:harness 概念图
原文配图:harness 概念图
🎯

先拿一个真实工作流验证

以下来自 @VibeMarketer_。一个好用的 harness 回答五个问题:AI 知道什么?怎么找到相关上下文?必须遵守哪些规则?能执行哪些重复工作?每次运行如何让下一次更好?长 system prompt 能回答其中几个,但公司级 harness 让答案结构化、持久、对所有人可用。

避坑
别一上来就建模全公司。那样只会得到"几周整理好的上下文",却证明不了 harness 让任何一件工作变好。先用一个高频、边界清、依赖公司上下文、人类能快速评判的工作流验证 harness。

作者选的切入点是"每周一的公司情报简报 worker":输入近 7 天会议/项目状态/决策/风险,输出决策/进展/风险/下周承诺/来源清单。先定义契约再建 worker:

输入:近 7 天会议、当前项目状态、决策/承诺/开放问题、风险与阻塞。流程:检索相关来源 → 核验每条事实 claim → 摆出矛盾与缺失信息 → 合成公司级变化。输出:已做决策、分项目进展、风险与阻塞、下周承诺、来源清单。边界:只出草稿,分发前必须人工审。如果一个流程每次被人跑还总在变,就先别共享——流程先可重复,再变基础设施。

记住:选工作流的四个性质:经常发生、边界清晰、依赖公司上下文、人类能快速判断结果好坏。
🧠

给 AI 配公司级记忆

以下来自 @VibeMarketer_。装好 HQ、建好公司 workspace 后,只加跑通简报需要的上下文:

HQ/companies/your-company/
  company-brief.md      # 公司是做什么的、怎么赚钱、当下重点
  knowledge/            # 决策与 playbook
  sources/              # 会议
  signals/  people/  projects/
  policies/weekly-intelligence.md
  workers/weekly-intelligence

company-brief 讲业务与重点;projects 存当前状态;knowledge 存"为什么选这条路";sources 里的会议情报捕捉那些没进正式文档的承诺、风险、问题与决策。

记住:给 agent 一个小而稳定的入口,深度上下文按需取。HQ 的 charter 就是一张地图,告诉 agent 知识/政策/项目/worker 分别住哪。别把全公司塞进每个 prompt——那样没等开工,上下文窗口先花光了。
📏

把公司判断变成政策

以下来自 @VibeMarketer_。知识告诉 worker 发生了什么,政策告诉它公司希望怎么处理。给情报简报写第一份政策(companies/your-company/policies/weekly-intelligence.md):

  1. 每条事实 claim 都配来源;
  2. 矛盾证据必须摆出来,不许悄悄消解;
  3. 风险按来源原文的紧急度报告;
  4. 缺失/过期/不确定的信息要标注;
  5. 不许带 secrets,不许跨公司上下文;
  6. 分发前停下来等人工批准。

控制有三层:instruction(让 agent 按偏好做)→ policy(规则跨会话、跨人持久)→ hook/机械检查(失败代价高时硬拦截)。"cite your sources"可以从 policy 起步,"never send without approval"值得做到动作边界上强制执行。

记住:别试图描述所有行为,只编码那些"应该活过每一代模型、每一位同事、每一个项目"的少数不变量。第一份政策要短到让人愿意维护。
👷

把流程打包成共享 worker

以下来自 @VibeMarketer_。跑 /newworker,给它一个足够窄的活。"通用公司分析师"听起来有用,但难测试、易误用;weekly-intelligence 有清晰输入、输出与停止条件。

原文配图:worker 概念图
原文配图:worker 概念图

允许的来源:company brief、近 7 天会议、当前项目、决策与承诺。流程:确认统计窗口 → 检索允许的来源 → 提取决策/进展/风险/承诺 → 对照源材料核验 claim → 标出矛盾、缺口、过期信息 → 按格式写简报。必须输出:执行摘要、已做决策、项目动态、风险与阻塞、下周承诺、未解决问题、来源清单。绝不:编造缺失事实、读别家公司的上下文、泄露 secrets、发送或发布简报。完成标准:每条 claim 都有来源支撑或标了不确定,草稿可交人工审。

记住:公司知识提供事实,政策提供判断,worker 提供可重复的步骤。一个 prompt 产出一份好简报;一个 worker 让下周五的另一位同事也能用上这套方法。
🔍

纠错要在正确的层:分层诊断

以下来自 @VibeMarketer_。第一次跑通不等于基础设施建成。跑 worker、审简报,然后把每个纠错诊断到正确的层:

原文配图:纠错分层诊断
原文配图:纠错分层诊断
症状 修哪一层
缺事实 补 company knowledge
上下文错 修 routing 与资源描述
重复犯错 修 worker skill
不安全行为 修 policy / hook
交付弱 修 output contract
信息过期 做 knowledge gardening(知识园艺)

比如 worker 漏了个决策是因为会议根本没被记录——重写 prompt 修不好这个系统,要修的是知识采集路径;如果它总把风险埋在次要更新下面,就磨利 output contract;如果有人让它跳过审批直接分发,就加固 policy 和动作门。

记住:有用的问题永远是:是环境的哪个部件允许了这次犯错?修那层,然后用同一个例子重跑。纠错要活得比暴露它的那次输出更久——这就是人的判断在复利。
高中生类比
就像餐厅出品不稳定:是菜谱(knowledge)没写清、传菜路线(routing)错了、厨师手法(worker skill)要练、还是食品安全红线(policy/hook)没守住?对症下药,而不是把整本菜谱重写一遍。
🔄

复利循环:/hq-sync 让团队越用越聪明

以下来自 @VibeMarketer_。简报、政策、worker 都经评审存活后,跑 /hq-sync——这就是 HQ 的"AI 多人协作"时刻:

  • 销售把异议处理沉淀成 skill,支持把升级规则编码下来,运营改进一份报告,工程加一道评审门;
  • 每条贡献过评审就合入 Main,成为团队共享 harness 的一部分;
  • 下一位同事继承公司已验证的上下文、规则、skills、workers 和自动化,不需要原来的聊天记录和 prompt;
  • 在他趁手的 AI 工具里打开 HQ,从更好的起点继续。
原文配图:复利循环
原文配图:复利循环
记住:完整演进链:Memory → context → policy → worker → review → team default。模型会一直换,公司的记忆、规则和最佳实践不该跟着重置。
避坑
共享带来更高要求:一条弱指令现在会影响所有人,所以把 Main 当生产环境——每条贡献先评审、政策保持窄、worker 用真实例子测、用 /harness-audit 检查上下文效率/质量门/持久化/搜索/安全。租户隔离与权限不能被 sync 打破。
词

术语翻卡:点卡片看解释

共享 harness
shared harness
公司级的 AI 工作环境:记忆、规则、skills、worker 对全团队结构化、持久、可用。
HQ
HQ
hqforwork.com 的团队共享 harness 产品,底层可接 Claude Code / Codex / Cursor 等。
Worker
worker
被打包成可复用方法的工作流:输入/流程/输出/边界清晰,/newworker 创建。
Policy 三层
instruction / policy / hook
偏好→跨会话持久规则→高代价失败的硬拦截,控制强度逐级上升。
/hq-sync
/hq-sync
把个人改进合入团队 Main 的复利动作,过评审才合入。
Knowledge gardening
knowledge gardening
知识园艺:定期清理过期信息,保持公司记忆新鲜。
测

自测一下:点问题展开参考答案

因为团队的模型/skills/自动化散落在个人工具和私聊里,每人都要重教 AI 业务上下文,每段对话都是一个略有不同的公司版本。模型提供智能,harness 提供"公司"。

先建模全公司只会得到整理好的上下文,证明不了任何改进。四个性质:经常发生、边界清晰、依赖公司上下文、人类能快速评判结果。作者选的是每周一的公司情报简报 worker。

核心问题:"是环境的哪个部件允许了这次犯错?"修那层。例:漏决策是因为会议没被记录→修知识采集路径,不是重写 prompt;总把风险埋在下面→磨利 output contract。

个人把改进(skill/规则/worker)提交,过评审合入 Main,成为团队新起点;下一个人直接继承。Main 影响所有人,所以每条贡献先评审、政策保持窄、worker 用真实例子测,并用 /harness-audit 检查。