OpenAI用AI写了100万行代码烂芒

TL;DR（极简版）：

OpenAI 已经做到：

AI 自己写、测、改代码，人类一行不写

核心不是 AI 变强，而是方法变了：

人负责定规则，AI 负责执行

关键只有一句话：

不会写规则的人，会被会写规则的人淘汰

以前：你写代码

现在：你定义“什么是好代码”

OpenAI 有一个团队的顶级程序员基本不写代码。

这是 OpenAI 工程师 Ryan Lopopolo 在今年二月发的一篇工程博客里记录的真实经历。三名工程师，从空仓库开始，五个月时间，一百万行代码，1500 个 PR，产品已经有真实用户在日常使用。整个过程，人类没有手动写过一行代码。

这套方法论有个名字，叫 Harness Engineering——驾驭式工程。

1784年的一个工人，和2026年的一个工程师

1784年，英国某座工厂里，有个工人每天的工作就是站在蒸汽机旁边，盯着转速，手动调节阀门。转快了拧小，转慢了拧大。一整天，就干这一件事。

后来詹姆斯·瓦特发明了离心调速器——一个会随转速自动张开或收拢的飞球装置，直接接在阀门上。转速高了，飞球张开，阀门自动收小；转速低了，飞球收拢，阀门自动开大。机器自己管自己，不再需要人盯着。

那个工人没有消失，但他的工作彻底变了。他不再转阀门。他开始设计调速器。

两百多年后，2026年的 OpenAI，一个三人工程团队用五个月时间，让 AI 写了一百万行代码，发布了一个有真实用户的产品。整个过程，人类没有手动写过一行代码。

这两件事，本质上是同一件事。

Norbert Wiener 在1948年给它起了个名字：控制论（Cybernetics），来自古希腊语 κυβερνήτης，意思是"舵手"。你不再转阀门，你来掌舵。Kubernetes 这个名字，也来自同一个词根。

OpenAI 把这套做法叫做 Harness Engineering——驾驭式工程。

先说清楚，这不是"AI 辅助编程"的升级版

很多人听到"AI 写代码"会条件反射地联想到 Copilot，联想到 Tab 键自动补全，联想到"省点打字力气"。

这是两件性质完全不同的事。

AI 辅助编程，人类还是主角。你决定写什么、怎么写，AI 帮你快一点。

推荐阅读：斯坦福CS146S：AI辅助、多智能体、AI原生，一次说清楚三者关系仅仅离上篇多agent和ai原生概念的文章发布过去 12 天，技术路线就已经发展出新的脉络。有一句话怎么说：”躺平的速度约等于ai进化的速度，过段时间再学“不无道理。harness 概念是 7 天前发的，我在脑子里面基本上每天都有30-60min在想这个概念，或者在看别的博主都解释、内部培训文档，卷疯了。

驾驭式工程，AI 智能体是主角。人类退到幕后，扮演架构师、规则制定者和裁判员。AI 自己决定怎么实现、自己跑测试、自己提 PR、自己回应审查意见、自己合并代码。

更关键的区别在于：AI 能力不是瓶颈，环境设计才是。

绝大多数人抱怨"AI 老是做错事，不理解我们的代码库"——这个诊断几乎都是错的。不是 AI 没有能力，而是你没有把它需要的知识外化出来。它不会通过"感受团队气氛"来学习规范，你不写下来，它就永远不知道。

这是驾驭式工程最反直觉的地方：问题不在 AI，在你自己有没有把判断力变成机器可读的东西。

真正的工作，发生在这五个地方

1、关闭高层的反馈回路

代码库其实一直有反馈回路，只是层次太低。

编译器负责语法，测试套件负责行为，Linter 负责风格——这些都是真实的控制系统，但它们只能检查"可以机械验证的属性"：能不能编译？测试过不过？格式对不对？

更高层的问题——这个改动符不符合系统的整体架构？这个抽象三个月后会不会变成麻烦？——从来没有传感器，也没有执行器。只有人类能在这个层面做判断，也只有人类能动手修。

LLM 同时改变了这两端。它可以在人类曾经独占的层面上感知问题，也可以在同一层面上执行修复——重构一个模块，重新设计一个不一致的接口，围绕真正重要的契约重写测试套件。反馈回路第一次可以在真正重要的决策层面闭合。

这是整个驾驭式工程的理论基础。其余的一切，都是在回答同一个问题：怎么把这个回路调好。

2、把判断力变成机器可读的东西

这是最难的部分，也是大多数人卡住的地方。

工程师最宝贵的东西——什么是好代码、哪些模式这个架构鼓励、哪些模式要避免——通常只存在于脑子里，或者散落在 Slack 记录和会议纪要里。对人类来说，这些东西通过"感受"传递，新同事会慢慢被"熏陶"出来。

AI 没有这个能力。它在第一百次运行里犯的错和第一次完全一样，除非你把规则写下来。

OpenAI 的解法是三层结构：架构文档描述真实的分层关系和依赖方向；自定义 Linter 把规则变成自动检查，报错信息直接写给 AI 看，告诉它"你应该这样改"；"黄金原则"把团队的品味编码成可执行的规范。

他们花了每周五一整天清理"AI 残渣"——直到把自己的标准编码进工具里，这个工作才消失。这不是 AI 变聪明了，是他们把聪明变成了规则。

3、给 AI 一张地图，不是一本百科全书

上下文窗口是稀缺资源。往 AI 的上下文里塞越多，真正有用的信息就越少。

OpenAI 踩过这个坑——他们试过一个巨大的 AGENTS.md，把所有规则和注意事项全装进去。结果 AI 要么漏掉关键约束，要么对着已经过时的规则反复优化，越跑越歪。更麻烦的是，没有人愿意维护这个文件，它慢慢变成了陈旧规则的坟场。

他们后来的做法极其克制：AGENTS.md 只保留大约 100 行，作用是一张索引地图，告诉 AI"遇到什么问题去看哪个文件"。真正的知识按领域分散存放，有专门的 CI 作业检查文档是否过期、是否有交叉链接。

你要给 AI 的是导航系统，不是城市全图。 关键是渐进式披露：从一个小而稳定的入口开始，指向更深层的信息，而不是一开始就把所有东西倾泻进去。

4、让应用对 AI 直接可见

有一个细节，比什么理论都直观：OpenAI 把 Chrome DevTools 协议接进了 AI 的运行时。