這項由騰訊混元大模型前沿團隊聯合印第安納大學、馬里蘭大學帕克分校、喬治亞大學及新加坡國立大學共同完成的研究，以預印本形式發布於2026年7月14日，論文編號為arXiv:2607.13285，有興趣深入了解的讀者可通過該編號檢索完整論文。
**一、故事的起點：AI助手也會"找不到北"**
每一位程序員都有過這樣的經歷：接手一個運行多年的大型項目，老同事遞來一句"代碼在那邊"，然後你對著幾百個文件、幾千個函數發呆，不知道從哪裡下手。你想改一個功能，但這個功能可能藏在七八個文件的角落裡，彼此之間通過複雜的調用關係和共享狀態串聯在一起。搜索關鍵詞？可能一個都搜不到，因為功能的名字和代碼里的變量名完全不同。
現在，越來越多的公司開始把這種"改代碼"的工作交給AI編程助手來完成。這些AI助手接到一句自然語言指令，比如"把任務完成的確認流程改成需要三次確認"，就要自己去翻代碼庫、找到相關位置、制定修改方案。但問題來了：AI助手同樣會"找不到北"。它們的記憶是有限的，沒辦法一次性把所有代碼都看完；它們在龐大的代碼庫里摸索，很容易遺漏那些藏在冷門路徑或對稱位置的關鍵代碼。
研究團隊把這個困難正式命名為"行為定位"——也就是說，給定一個描述"系統應該做什麼改變"的指令，如何精準找到所有實現這個行為的代碼位置。這不是小問題，這是整個AI輔助編程流程中最先需要解決的一步，因為找不對位置，後續的修改計劃從一開始就是錯的。
**二、被忽略的那個"中間層"**
要理解這項研究想解決的問題，需要先認識一個稍微陌生的概念：代碼駕馭框架，英文叫"harness
"。
可以把一個現代AI智能體的工作方式理解為一輛賽車。賽車的發動機是底層的大語言模型，決定著原始的動力和智能。但賽車能不能跑起來、能不能轉彎、剎車在哪裡——這些都由車身框架和控制系統決定，而不是發動機本身。這個"車身框架和控制系統"就是harness。它負責構造輸入給模型的提示詞、管理系統的運行狀態、調用各種外部工具、控制整個執行流程。一個AI智能體能做什麼、怎麼做，在很大程度上取決於harness的設計。
隨著模型升級、API變化、應用需求演化，harness也必須不斷更新和改造。這就是"harness演化"的工程挑戰。而在演化過程中，無論是人類開發者還是AI編程助手，都必須先搞清楚"要改的功能到底在代碼的哪些地方有實現"，才能動手修改。
現有的代碼理解工具——比如代碼搜索、代碼摘要、倉庫索引——確實讓代碼更容易瀏覽，但它們的根本組織邏輯是文件、函數和模組。而一個改動請求說的是"行為"，比如"改掉任務完成的確認邏輯"，代碼庫里卻沒有一個文件或函數叫做"任務完成確認邏輯"。這個從"行為描述"到"代碼位置"的跨越，就是現有工具留下的空白。
**三、Harness Handbook：給代碼庫繪一張行為地圖**
研究團隊提出的解決方案叫做Harness Handbook，直譯過來就是"駕馭框架手冊"。核心思路可以用一個直觀的比喻來說明：把整個代碼庫想像成一座大型博物館。
傳統的代碼索引就像博物館的房間清單，告訴你一號展廳在哪裡、二號展廳在哪裡，每個展廳里有哪些柜子。但如果你想找"關於宋朝瓷器的所有展品"，房間清單沒法直接幫你，你得自己一個展廳一個展廳地翻。Harness Handbook則是另一種導覽——它按照"主題"來組織資訊，直接告訴你"宋朝瓷器"在幾號展廳的哪個柜子、還有一件在五號展廳的角落，以及這兩件展品在歷史脈絡上的關聯。
具體來說，Harness Handbook把一個代碼庫的知識組織成三個層次。第一層是系統總覽，用來描述整個代碼框架的架構、運行模式、主要執行階段以及全局數據流，讓讀者先對整個系統有一個宏觀的認知。第二層是組件概覽，對應系統中的各個執行階段，詳細說明每個階段的職責、輸入輸出、依賴關係和本地狀態。第三層是單元深挖，把每個階段進一步拆解到具體的函數或文件，並且用精確的代碼位置標註（文件名加行號範圍）把描述和源代碼直接連接起來。
除了這三層文檔樹，Handbook還維護著一個跨階段的"狀態寄存器視圖"，專門記錄那些在多個執行階段之間傳遞和共享的數據。這非常重要，因為真實系統里的許多關鍵狀態會在一個地方被寫入、在另一個完全不相鄰的地方被讀取，而這種隱性關聯正是人工查找和AI搜索最容易遺漏的陷阱。
**四、地圖是怎麼自動畫出來的**
Harness Handbook不需要人工編寫，它由一套自動化流水線從代碼倉庫直接生成，整個過程分三個階段。
第一階段叫"靜態事實提取"，完全不依賴AI，是純粹的確定性程序分析。系統解析代碼倉庫，提取出所有函數、方法的名稱、所在文件、行號範圍、調用關係等基礎事實，構建出一張"程序圖"。這張圖的邊只連接那些能被明確解析的調用關係；對於無法確認的調用，系統會記錄下來而不是猜測，因為猜錯比不知道更有害。
第二階段叫"行為組織"，這裡大語言模型開始介入，負責把第一階段提取出來的函數和文件，按照"這些代碼在運行時扮演什麼角色"來重新組織。這裡有兩種工作模式，分別適用於不同規模的代碼庫。
對於代碼規模相對適中、有清晰執行骨架可循的倉庫，系統採用"以函數為葉節點"的模式。這時候有一個預先提供的執行階段骨架作為參照，系統用代碼內容和調用圖上下文來判斷每個函數屬於哪個階段，並且對於那些承擔多種職責的大函數，還可以把它切割成若干連續的代碼區域，分別歸入不同階段。這個判斷過程有提議方和審核方兩個角色相互制衡：提議方給出歸類方案，審核方檢查是否合理，不通過的重新修改，直到方案穩定收斂。
對於代碼庫規模巨大、事先無法提供清晰骨架的情況，系統採用"以文件為葉節點"的模式。這時候系統先為每個文件生成一張描述卡片，然後根據這些卡片的內容和文件之間的調用關係，自動推斷出執行階段的劃分方案，再把文件歸入各自的階段。
第三階段叫"層次合成與打包"，把前兩階段的成果組裝成最終的三層文檔樹和狀態寄存器視圖，並且對每一個最底層的條目做驗證——檢查它指向的代碼位置在當前倉庫中是否真實存在。如果某個條目指向的代碼已經不存在了，這個條目會被凍結標記，在被重新核驗之前不會參與定位任務。這個驗證機制確保了Handbook始終以代碼倉庫本身為最終權威。
**五、用Handbook找代碼的方式：從粗到細，步步為營**
有了Handbook這張行為地圖，AI規劃助手在接到改動請求時就有了全新的工作方式，研究團隊把這套工作方式稱為"行為引導式漸進披露"，英文縮寫BGPD。這個名字有點學術，但背後的邏輯其實像警探斷案。
接到案子（改動請求）之後，先不要急著去現場翻查證據（源代碼）。先看案件檔案（Handbook的第一層和第二層），搞清楚這個案子涉及哪幾個場景，哪幾個執行階段跟這次改動有關。然後再翻跨階段關聯記錄（狀態寄存器視圖），因為一個狀態變量可能在多個階段都有操作，改了一個地方忘了另一個，案子就沒破乾淨。
確定了相關階段後，警探深入查看每個階段的詳細檔案（第三層），找到最相關的具體函數或文件，拿到它們在代碼倉庫中的精確地址（文件名加行號）。接著，警探順著調用關係圖順藤摸瓜，把直接相關的函數調用鏈上的代碼也納入候選範圍。
最後，也是最關鍵的一步：警探拿著候選地址清單，親自去現場（源代碼）核實。逐一打開每個候選位置，確認它們現在的代碼內容確實和這次改動有關，去掉不相關的，保留下確認有效的證據。這些經過核實的源碼片段，就構成了後續制定修改方案的可靠基礎。
**六、改完代碼之後，地圖會自動更新**
Harness Handbook還有一個工程上的重要設計：每次代碼被修改之後，系統會自動檢測改動範圍，並且只更新受影響的部分，而不是每次都從頭重建整張地圖。
在函數級別的模式下，系統通過分析函數體的內容特徵來識別"這個函數移動了位置但內容沒變"、"這個函數內容改了"、"這個函數被刪掉了"等不同情況，從而精確判斷哪些Handbook條目需要刷新、哪些可以直接復用。在文件級別的模式下，則通過文件路徑差異和內容哈希值來做同樣的判斷。如果執行階段的骨架結構沒有根本性變化，就只更新涉及改動的那部分文檔；如果骨架本身也變了，才重新運行完整的構建流程。整個resync過程中，AI模型只參與分類、歸屬、組織和描述修訂這四類語義判斷，其餘全部是確定性的計算操作。
**七、真實測試：兩個代碼倉庫，六十個改動任務**
研究團隊在兩個開源代碼庫上驗證了這套方案的效果。
第一個是Terminus-2，一個Python語言編寫的終端智能體，屬於Harbor框架的一部分。它通過tmux會話驅動真實終端，在"觀察-決策-行動"循環里不斷運行，直到任務完成或達到上限。這個倉庫雖然只有6個源代碼文件，卻有豐富的多階段疊代邏輯和跨疊代狀態管理，屬於規模小但行為複雜的典型情況，使用函數級別的工作模式。
第二個是Codex，OpenAI Codex編程智能體背後的Rust語言單體倉庫。它規模龐大，橫跨命令行界面、終端用戶界面、應用伺服器、配置管理和沙箱機制等多個子系統，包含數千個文件和深度調用圖，使用文件級別的工作模式。
每個倉庫各提供30個改動請求，按照類型分為三組。"查詢型"請求要求修改已有行為，比如改變某個觸發條件或控制流決策，難點在於從大量相似代碼中找出真正相關的目標。"跨文件型"請求要求添加一個從頭到尾貫穿多個文件的新能力，比如添加一個新參數並讓它在解析、執行、文檔等所有環節都生效，難點在於不遺漏任何一個需要聯動改動的位置。"搜索對抗型"請求是專門設計的"刁鑽"任務，相關實現藏在鏡像代碼、備用路徑或冷門分支里，單純靠關鍵詞搜索幾乎必然遺漏，這類任務最能考驗系統的深度理解能力。此外，每個請求還被標註了"簡單"、"中等"或"困難"三個定位難度等級。
規劃助手統一使用DeepSeek-V4-Pro大模型，基於NexAU框架構建，只有隻讀工具權限。兩種方案的唯一區別是有沒有Handbook可以訪問——"基準方案"完全靠自己翻倉庫，"Handbook輔助方案"按照BGPD流程先查地圖再核實源碼。評分由GPT-5.5、Opus 4.8和DeepSeek-V4-Pro三個獨立模型擔任裁判，從定位準確性、範圍控制和推理質量三個維度評分，三者加權之後形成最終評分，定位準確性的權重最高，占50%。
**八、數字說話：效果有多明顯**
實驗結果在三個維度上都給出了一致的答案。
在整體方案質量上，Handbook輔助方案在Codex上的勝率是38.3%，對比基準方案的28.3%，提升了10個百分點；在Terminus-2上的勝率是45.6%，對比基準方案的26.7%，提升幅度達到將近19個百分點。三個裁判模型的判斷方向完全一致，說明結果不是某個裁判的特殊偏好，而是真實的質量差異。
更值得關注的是，這些質量提升不是靠"讓AI想更久"換來的，恰恰相反，Handbook輔助方案用的規劃token數量反而更少。在Codex上每個請求的token消耗從10.2萬降到8.9萬，下降了12.7%；在Terminus-2上從5.8萬降到5.3萬，下降了8.6%。質量更好、成本更低，這個組合是研究團隊格外強調的發現，因為它證明了改進來自方向更準確，而不是計算更多。
在定位精度上，研究團隊把DeepSeek-V4-Pro規劃助手的預測位置，與Opus 4.8和GPT-5.5獨立給出的參考答案做比較，計算文件級別和函數級別的召回率、精確率和F1分數。結果是：在兩個倉庫、兩個參考答案、兩個粒度上，全部24組比較都是Handbook輔助方案更高。F1分數的提升幅度從5個百分點到將近19個百分點不等。尤其在Terminus-2上，Handbook輔助方案對比GPT-5.5參考答案，文件級別和函數級別的F1分別達到89.3%，精確率達到93.3%。"完全定位失敗"的比例——也就是一個相關位置都沒找對的情況——在所有設置下都沒有增加，最高下降了將近26個百分點。
按照請求類型細分來看，六個"倉庫×類型"的組合全部是Handbook輔助方案領先，提升幅度在16到33個百分點之間。Codex在"查詢型"請求上提升最顯著，Terminus-2在"搜索對抗型"請求上提升最顯著，後者的提升幅度高達33個百分點——這恰恰是那些最依賴深度理解而非關鍵詞搜索的任務。按照定位難度分層來看，六個"倉庫×難度"的組合同樣全部是Handbook輔助方案領先，提升幅度在4到33個百分點之間，而且提升幅度不是簡單地隨難度升高而增大，這說明Handbook的幫助不只是對"難題"有效，在各種情境下都能帶來實質性改善。
**九、這張地圖還能用在哪裡**
研究團隊在論文中指出，Harness Handbook的用途並不局限於輔助代碼改動的規劃。因為它是一份始終與代碼同步更新的行為中心式倉庫表示，它天然適合用來做行為審計——檢查某個設計決策是否在所有相關位置都得到了一致的實現——以及回歸影響分析——當某處代碼發生變化時，哪些其他行為可能受到影響。
更長遠的方向，研究團隊把Harness Handbook視為一種"共享行為記憶"，讓智能體可以在這個記憶的支撐下，自主完成定位、規劃、執行、同步這一整個循環，讓代碼框架朝著自我演化的方向發展。換句話說，不只是AI幫人改代碼，而是AI自己維護自己運行所依賴的基礎設施。
歸根結底，這項研究揭示的核心道理並不複雜：找對地方，才能做對事情。無論是人類開發者還是AI編程助手，在面對大型複雜系統時，最大的瓶頸往往不是"怎麼改"，而是"改哪裡"。Harness Handbook把這個隱性的、費力的認知過程變成了一個有跡可循的系統性工作，而且這個過程可以自動化、可以持續維護、可以在每次代碼變動後自動跟上。
這對於那些日常需要維護大型AI系統的工程團隊來說意味著什麼？新人不再需要花幾周時間才能搞清楚一個功能在哪裡；AI助手不再因為遺漏了某個鏡像實現而提交一個"改了一半"的方案；代碼審查也多了一個可靠的參照，讓人知道一個改動是否真的覆蓋了所有相關位置。
如果你對這套方案的細節感興趣，想進一步了解Harness Handbook的構建算法、BGPD的完整工作流程，或者研究中使用的提示詞模板和評測設計，可以通過arXiv編號2607.13285查閱完整論文。
---
Q&A
Q1：Harness Handbook是什麼？
A：Harness Handbook是一種自動從代碼倉庫生成的"行為地圖"，它把代碼按照運行時的行為邏輯而非文件結構重新組織，並把每個行為描述直接連接到對應的源代碼位置。當你想改某個功能時，可以先查這張地圖定位相關代碼，再去核實源碼，而不是在幾百個文件里盲目摸索。
Q2：BGPD定位方式和普通代碼搜索有什麼區別？
A：普通代碼搜索是用關鍵詞去匹配文件內容，找到的是包含特定詞語的位置。BGPD則是先理解"這個改動涉及系統的哪個運行階段"，再追蹤跨階段的共享狀態，最後才去源碼核實，能找到那些變量名和功能名完全不同、關鍵詞搜索必然遺漏的實現位置，尤其擅長處理分散在多個文件角落的情況。
Q3：Harness Handbook構建出來之後需要手動維護嗎？
A：不需要手動維護。每次代碼被修改，系統會自動檢測改動範圍，只更新受影響的部分文檔，未改動的內容直接復用緩存。如果某個文檔條目指向的代碼已不存在，系統會自動凍結標記，防止過期資訊被用於定位任務。整個維護過程對用戶來說是透明的。
