围绕蚂蚁数科在 AICon 上海分享的 Harness 工程实践，本文从 AI Coding、研发闭环、企业数字化与合规治理角度展开讨论，关注 AI 辅助开发如何从单点提效走向可验证、可管理、可验收的工程体系。
今日技术观察 点击查看原文> 01 背景速览 背景速览：近期，蚂蚁数科在 AICon 上海相关分享中提到 Harness 工程实践，讨论重点从单纯的 AI Coding 延展到研发过程中的验收与闭环管理。这类议题反映出企业对 AI 辅助研发的关注，正在从“能否生成代码”转向“生成结果是否可靠、是否可追踪、是否能融入现有研发流程”。 02 趋势影响 趋势影响：在人工智能、云计算、软件开发和开源技术持续融合的背景下，AI 编程工具正在改变研发团队的工作方式。相比把 AI 作为独立的代码生成助手，企业更需要关注需求、设计、编码、测试、部署、安全检查和反馈改进之间的衔接。所谓“可验收”的研发闭环，核心并不只是提升速度，还包括质量评估、过程留痕、责任边界和持续改进。 03 企业应用启发 企业应用启发：对正在推进数字化转型的企业而言，AI Coding 可以先从低风险、高重复的研发场景切入，例如代码辅助生成、单元测试补充、文档整理、缺陷定位提示等。但要形成可落地的工程能力，仍需结合企业自身的 DevOps、云平台、权限管理、代码仓库和安全审查机制，建立清晰的评估标准，避免 AI 输出直接绕过既有研发规范。 04 合规观察 合规风险提醒：AI 参与软件开发后，企业需要特别关注数据安全、代码版权、开源许可证、敏感信息泄露以及模型输出不确定性等问题。尤其在网络安全和企业级软件场景中，不能仅凭 AI 生成内容作为最终依据，应保留人工审核、自动化测试、安全扫描和合规检查环节。对于来源不明的代码片段、依赖组件和训练数据相关风险，也应设置明确的使用边界。 05 开放讨论 开放讨论问题：企业在引入 AI Coding 时，应该优先衡量研发效率，还是优先建立质量和合规验收机制？在实际项目中，哪些环节最适合率先纳入 AI 辅助，哪些环节仍应坚持人工主导？如果要构建“可验收”的 AI 研发闭环，研发、测试、安全、法务和业务团队之间应如何分工协作？ 公开来源参考 蚂蚁数科Harness工程实践：从 AI Coding 到可验收的研发闭环｜AICon上海