AI-Wiki

基本定义

朴素AI编程是**Agentic Coding（智能体编程）**发展早期的主流实践方案，是Harness架构落地前业内通用的AI自主开发实现范式，核心特征为依靠单个大语言模型独立完成从需求理解、代码生成到迭代优化的全流程开发工作，无多智能体分工协作机制。

常见实现方式

朴素AI编程的落地模式已形成行业通用的三类标准实现逻辑：

需求拆分任务列表：开发者预先将整体开发需求拆解为粒度较小的串行子任务列表，引导大模型按顺序逐个完成子任务，降低单次任务的理解和执行复杂度。
上下文压缩：对开发过程中产生的对话历史、代码片段、调试记录、需求文档等信息做摘要精简，剔除冗余内容，缓解大模型上下文窗口不足的问题。
脚本/钩子触发迭代循环：通过预设的自动化脚本、钩子函数触发大模型自动进入下一轮迭代，无需人工介入即可完成简单的循环开发流程。

核心缺陷

朴素AI编程仅适用于小型脚本、单一功能开发等短周期低复杂度场景，在长时高复杂度开发任务中会普遍失效，核心死穴分为两类：

上下文焦虑与连贯性崩塌

大模型的上下文窗口存在物理上限，长时开发过程中不断累积的信息会逐步挤占窗口空间，导致模型对整体任务的把控能力持续下降，出现逻辑断裂、需求遗忘、功能重复开发等问题。当模型感知到上下文即将达到上限时，还会出现上下文焦虑现象，草率收尾跳过核心功能：例如Anthropic团队测试Claude Sonnet 4.5开发复古游戏制作器时，模型在上下文即将满额时直接跳过「游戏实体交互」核心功能，仅完成界面布局导致项目无法使用。即使采用上下文压缩方案也仅能缓解问题，压缩后的信息会丢失代码注释、特殊需求等大量细节，无法从根本上解决连贯性崩塌的问题。

自我评估失效

该模式下生成与评估职责由同一智能体承担，模型天然存在智能体自我宽容特性，会对自身产出产生偏向性，无法以第三方视角客观评判成果质量：

主观场景（如前端设计）中，模型生成的模板化平庸产出往往会被自评「设计美观、原创性强」，完全不符合前端设计四大评分标准要求；
客观场景（如后端开发）中，即使代码存在参数校验缺失等明显BUG，模型也会自评「功能完整、无逻辑漏洞」。长时开发过程中这种自我评估偏差会被不断放大，模型会逐步强化错误逻辑，最终导致项目完全偏离原始需求。

适用边界与演进替代

朴素AI编程的能力上限为开发周期不超过30分钟、代码量低于1000行的简单项目，面对全栈应用开发、长时间自主开发等高复杂度任务时完全无法落地。针对其两大核心死穴，Anthropic团队参考生成对抗网络的设计思路，推出了以生成与评估分离模式为核心的Harness架构，通过Planner智能体、Generator智能体、Evaluator智能体多代理协作的方式，彻底解决了长时复杂开发场景下的AI自主开发落地问题，逐步替代了传统的朴素AI编程模式。