Tenex 特别项目负责人 CJ Hess：让智能体读到「为什么」而不仅是「做了什么」
Tenex 的 CJ Hess 在 AI Engineer 纽约大会上介绍 MetaHarness：将计划、决策理由和验收标准与代码一起提交进 Git，使智能体能读到「为什么这样做」而不仅是「做了什么」。这一做法针对的是企业 AI 智能体落地的核心障碍——上下文散落在人脑和对话中，而非可检索的持久记录。
重要性实质性证据E3 可检验写法标准
在 AI Engineer 纽约大会上，Tenex 的 CJ Hess 描述了一个工程团队在部署 AI 智能体时反复遇到的困境：智能体可以写代码，但它不知道团队为什么选择了一种架构、为什么否决了另一种方案、客户改了什么需求。这些信息存在于对话和工程师的脑子里，不在仓库里。
Tenex 的解法叫 MetaHarness。CJ 解释，团队最初只是尝试标准化一组技能，后来它长成了仓库内一套结构化文档加上围绕它的命令行工具。核心操作是：计划文档、验收标准、决策日志全部提交进 Git，和代码放在一起。当智能体回到一个任务时，它读到的不仅是构建了什么，还有团队为什么选择这样构建。
「代码可以是代码库的记忆，但我认为你仍然需要文档，」CJ 在对话中说，「你需要知道为什么做了那个决定，需要知道对话的上下文。」他补充了一个关键判断：这些信息「永远不在某人的脑子里，永远在仓库里」。这给了智能体和工具一种能力——访问那些多数工程团队仍然只存在于对话或人脑中的上下文。
Latent Space 的编辑在整理这期节目时提炼了其中的区分：让智能体写代码更快，和让周围的工作变得可读，是两件事。后者包括计划、验收标准、决策和证据。Tenex 自己的 AI-native SDLC 文章也指出了代价：这种程度的结构对小团队做单一项目可能过度。
这个做法的适用条件值得注意。Alex 在讨论企业智能体部署时提到一个原则：「你无法自动化一个不存在的流程。」如果四十个人大致做同一件事但各自方式略有不同，构建一个后台自动执行的智能体反而更困难。MetaHarness 的前提是团队已经有了某种标准化——先建立流程，再把工作交给智能体，而不是反过来。
从 Tenex 的客户数据看，企业 AI 采用存在明显的梯度：约 90% 受访企业已向员工部署了通用大语言模型，约 60% 做了培训和能力建设，约 50% 向工程团队部署了编码智能体，但将智能体投入非工程类生产工作的企业只有约 5%。Alex 认为最大的断层不在模型能力，而在权限管理和流程标准化——恰好是 MetaHarness 试图解决的那类问题。