🚨 Kesilapan yang banyak orang lakukan ketika menggunakan Claude Code, Codex, atau AI pengembangan lainnya: Menganggap kod AI masih buruk kerana modelnya belum cukup pintar, jadi terus berganti ke model yang lebih kuat!
Tetapi masalahnya kadang-kadang bukan pada model, tetapi pada cara anda menyusun persekitaran kerja untuknya. 😳
Saya baru menemui Learn Harness Engineering, sebuah repo yang telah mencapai lebih dari 24.700 bintang di GitHub, yang mengajar cara mengubah agen pengkodean AI dari asisten yang hanya menerima arahan menjadi sistem kerja berproses, mengingat kemajuan, dan memeriksa hasil sendiri.
Yang paling hebat ialah repo ini tidak hanya mengajar teori, tetapi juga menyediakan 14 pelajaran dan 8 projek praktikal untuk membantu anda:
Menetapkan AGENTS.md supaya AI memahami peraturan dan struktur projek.
Menyimpan keadaan supaya sesi kerja seterusnya boleh meneruskan dari bahagian yang belum selesai.
Mewajibkan AI menjalankan ujian dan mengesahkan hasil, bukan sekadar mengatakan selesai selepas menulis kod.
Membina gelung automatik, dengan membahagikan peranan AI penulis kod dan AI pemeriksa.
Khususnya, repo ini menganalisis bagaimana Claude Code, OpenAI Codex, DeepSeek, dan Pi membina Harness secara praktikal.
Terdapat templat sedia pakai untuk digunakan dalam projek anda, sumber terbuka MIT, dan menyokong bahasa Vietnam.
Saya rasa ini adalah bahan yang perlu anda baca jika anda bekerja dengan AI Coding, kerana masa depan bukan hanya tentang memilih model yang lebih pintar, tetapi tentang siapa yang tahu menyusun agar AI bekerja secara lebih boleh dipercayai.
🔗👇