一个全栈工程师面前摊着公司的贷款系统代码库，文档早已和实际逻辑偏离，每次修改都像在沼泽里捞针。他决定用Claude Code来解决这个问题，但30天后，真正起作用的不是更聪明的模型——而是一套自动检查、一份规则文件和一种叫“约束工程”的思维。

多数公司宣称要“采用AI”，现实中往往只是在网站角落里挂上一个聊天机器人窗口。工程师们则撞到另一堵墙：AI编码工具能飞速吐出代码，但没人完全信任输出结果，于是每一行都要人工审查，速度瞬间蒸发。AI快，人的审查变成瓶颈，什么都没变快。

打开网易新闻 查看精彩图片

这种分裂背后有同一个根源：AI缺少围绕它的结构。没有它必须通过的检查，没有接触公司真实运行数据的通道。OpenAI的研究团队把这个结构称为“约束工程”（Harness Engineering），并在一篇同名文章中用一个五个月的实验做了演示。Codex代理在工程师设计的脚手架、约束和反馈循环中，自主写出了一百万行生产代码，而工程师没有亲手敲一行。

约束工程翻转了工程师的角色：你不再逐行审核代码，而是构建代理工作的环境。在OpenAI的方案里，这意味着仓库结构、CI配置、格式化规则、项目指令和工具集成都事先被定义好。工程师的工作从编写代码，转向设计这个环境。当你把四道自动检查、一个模型上下文协议服务器和一套权限规则放进这个环境，AI代理就能像拥有人类权限一样读写公司文档，并在生产系统里稳定产出。

我独自把这个思路应用到内部工具上。用30天搭出文档平台V1版，大部分代码由代理生成，而安全网就是那四个自动检查和规则文件。接着给平台接入MCP服务器，这样代理可以用与运行者等同的权限读取和修改公司文档。经过多轮迭代，到第50天，公司正式采用，需求收集、开发工作和文档维护全部汇入这个平台，成为新项目在产线上唯一的真相源。

这一切的底层逻辑就一句：“你只能改进你追踪的东西。”当公司还停留在把AI当作外包代码生成器时，约束工程已经让AI成为按规则持续交付的节点。没有追踪、没有反馈循环的AI只是加速的混乱；有追踪的AI，才会让整个开发管线变得可观测、可改进。

从自己公司的一个流程开始并不复杂：选一个文档容易漂移的项目，定义出代码库必须遵守的规则，配置自动检查，然后让代理在约束里工作。当你会用环境驯化AI，而不是用人力审核每行输出时，一个AI原生公司的形态就慢慢长出来了。