Harness理念实践：如何用AI Agent实现低成本KCD议题可视化

前言

今天分享的这个内容是我在 KCD 2026 北京会场与 Keith 讨论后，给出的个人答案。
项目地址

一切的思考始于一个问题：我们如何利用 AI Agent 来赋能开源社区？

其中一个方向是“为 PPT 打点”，这个 repo 便是该实验的成果。

感谢 Keith 和晋涛的授权，让我（Cloud Native 分会场的控场人）能够访问大家的 PPT 来完成这个实验。由于未获得公开授权，这里就不放出 PPT 源文件了。

在这个项目中，我不仅完成了可视化的实验，还实践了 Harness 的理念。代码均由 DeepSeek 生成，我未动笔，欢迎大家随意修改和提交 PR。

理论上，数据可以换成任何一场 KCD 或 KubeCon 的议题。

效果图一 —— 议题全览

效果图二 —— 议题细节展开

实现设计原则

在接下来的步骤中，我将逐一解释每个环节的为什么、硬性约束与软性约束是什么，并在可能的地方，对应“古法编程”时代的经典概念。

正如我在 KCD 晚宴中与嘉宾和社区爱好者分享的：如果可以，请不手动编写代码。我们的角色是设计环境、明确意图、构建反馈回路，并借助可观测性来指导 AI 进行调试。

以下是本项目遵循的核心设计原则：

1. 最小可控
类似 Autoresearch 的设计，遵循“最小可控”原则，仅对必要环节施加控制。

2. 硬约束与软约束的平衡
实验受两类规则支配：硬约束由系统架构强制执行，软约束则指导代理的决策。理解这些规则，是解释实验结果和把握修改边界的关键。

3. 测试驱动开发
先明确最终结果，再反向设计硬约束与软约束。

4. 可观测性——