静态分析是。

对 Harness 实现的启发：不要追求复杂的框架，而要构建可靠的约束环境——通过 Prompt 编排、工具流水线、权限治理、Hook 策略、Agent 调度、生命周期管理，将强大的 LLM 能力安全、可控、可扩展地"套上马鞍"。Claude Code的Harness不依赖单一安全机制，而是多层独立有效的约束：即使System Prompt被模型"遗忘"，权限系统仍会拦截危险操作。上下文管理不是简

这套方法可以转化为可复用的Agent Skill，让团队其他成员（包括初级工程师和AI Agent）都能以接近专家水平执行同类任务。4.工具先行：先封装常用工具（Jira API、Git操作、Playwright），再录制使用这些工具的过程。2.多视角录制：同一任务让不同专家录制，Agent可以学习"最优路径"和"多种可行方案"。1.不要追求完美录屏：真实工作中的"试错-修正"过程包含最宝贵的异常

用户请求–> 第一道防线 前端限制/CDN/WAF，过滤大部分明显攻击–> 第二道防线 网关层限流（Sentinel/Gateway）–> 第三道防线 应用层限流（自定义注解/Redis+Lua）–> 第四道防线 核心业务验证（验证码/行为分析）–> 业务服务。– KEYS[1]: 限流Key, ARGV[1]: 桶容量(limit), ARGV[2]: 生成速率(rate), ARGV[3]:

每日/版本自动汇总：用例执行率、通过率、缺陷趋势、遗留风险AI 自动写测试总结、风险点、改进建议图表+文字一体化，直接发邮件/群。

自动化是测试的手脚，解决的是重复劳动的问题；AI是测试的大脑，解决的是判断、决策、学习、优化的问题。没有手脚，大脑的想法无法落地。没有大脑，手脚只是一个僵硬的、需要人不停操控的机器。哪怕你有了再完善的自动化手脚，也必须给它配上AI大脑，才能真正跳出为了自动化而自动化的内卷，实现真正的智能化质量保障。

Agno框架参考链接：https://developer.aliyun.com/article/1724472。

对 Harness 实现的启发：不要追求复杂的框架，而要构建可靠的约束环境——通过 Prompt 编排、工具流水线、权限治理、Hook 策略、Agent 调度、生命周期管理，将强大的 LLM 能力安全、可控、可扩展地"套上马鞍"。Claude Code的Harness不依赖单一安全机制，而是多层独立有效的约束：即使System Prompt被模型"遗忘"，权限系统仍会拦截危险操作。上下文管理不是简

Harness 并非简单的工具链、Prompt 模板或 API 包装，而是大语言模型运行的完整设计环境与调度执行框架，是支撑 AI Agent 在长周期、高复杂度任务中稳定、高质量、低偏差交付的 “底层操作系统”。其核心定位是：模型负责 “执行做事”，Harness 负责让模型在超长、复杂、易跑偏的工作流程中，始终 “做对事、交付符合预期的结果”。随着大模型的执行能力持续增强，传统的代码编写、内容

随后，数据流进入 [智能体]，这是由大模型驱动的“决策中枢”，负责解析语义、推理逻辑并规划任务步骤。贯穿全流程的 [记忆系统]，则在本地持久化存储对话历史与用户偏好，为智能体的每一次决策提供上下文支持，确保交互的连续性。与传统AI仅提供建议不同，它具备「执行能力」，能直接操控电脑、连接应用，通过聊天软件接收指令并自动完成任务，实现「指令发出，结果落地」。这并非简单的功能堆砌，而是系统架构的质变。2