AI 代理程式開發難題：Harness Handbook 透過行為導向映射加速複雜系統維護與演進

本研究開發 Harness Handbook，結合靜態分析與 LLM 將複雜代理程式碼轉化為行為導向結構，顯著提升開發者精確定位行為並進行程式修改的效率。

Problem

現代 AI 代理程式的效能關鍵在於其 Harness（串接層）的設計，負責處理提示詞、狀態管理與工具調用。然而，隨著系統演進，程式碼會變得龐大且高度耦合，特定的行為邏輯往往散落在不同模組中。這導致開發者或編碼代理程式難以將功能需求快速對應到正確的程式碼位置，使「行為定位」成為系統演進的主要瓶頸。

研究團隊提出「Harness Handbook」，這是一種以行為為中心的表示法，透過靜態分析與 LLM 輔助結構化技術，自動從原始碼中提取行為特徵並建立連結。此外，引入「行為引導漸進式揭露」（BGPD）機制，引導代理程式從高階行為描述逐步深入至相關的實作細節，並在當前原始碼中驗證候選位置。

在兩款開源 Harness 的修改需求測試中，Handbook 輔助的規劃方案在行為定位準確度與編輯計畫品質上皆有顯著提升，同時減少了 Token 的消耗。該方法在處理分散的程式區塊、罕見執行路徑以及複雜的跨模組互動時，展現出最強大的效能增長。

此研究強調演進複雜 AI 系統的關鍵不僅在於「生成程式碼」，更在於「精確判定修改位置」。Harness Handbook 為大型軟體倉庫的可讀性、導航性與可維護性提供了自動化解決方案，對加速代理程式技術的開發流程具有重要貢獻。