Design Harness Skill：用决策看板把碎片化调研锤炼成可辩护的系统设计

Design Harness Skill：用决策看板把碎片化调研锤炼成可辩护的系统设计

Design Harness 是一个将零散的论文、笔记和半成型的想法，通过结构化的三 layers（来源→观点→产出）转化为可追踪、可辩护的系统设计的 Agent Skill。它不替人做判断，而是帮人把判断的依据排列清楚——人在裁判席，AI 跑腿。该项目目前收录于 agentskills.io 官方市场，支持 Claude Code、Codex 及任何兼容 SKILL.md 格式的 AI Agent。

功能与原则

Design Harness 的核心是一个基于纯 Markdown 的决策看板系统，遵循三条设计原则：判断权归属人类（AI 仅转录与执行，不做价值裁决）、全程可溯源（每个结论都锚定到原始来源或观点卡片）、无锁定依赖（所有数据存为 markdown，任何时候可用任意工具读取）。三个 layers 分别为：Sources（证据层，每篇论文/仓库/播客一条卡片）、Ideas（判断层，仅人类可创建观点卡片，AI 负责链接与聚类）、Output（产出层，依据 target.md 中的验收标准自动组装）。

认可度

截至 2026-08-19，GitHub 获 209 stars、33 forks，最近一次推送为 2026-07-27。项目以 Agent Skill（SKILL.md）形式发布，已收录于 agentskills.io 官方市场，并提供了 Claude Code 插件安装命令，生态集成成熟度较高。

链接

GitHub：https://github.com/tigerless-labs/design-harness

原作者

tigerless-labs（GitHub 组织），专注 AI Agent 工作流与开发工具链维护。

介绍

传统的需求梳理往往是文档堆砌+开会讨论，结论散落在各处，回头追溯「为什么选了方案 A」时常常找不到依据。Design Harness 把这个过程结构化为三个明确的层次：第一步，用户把论文、仓库链接、博客帖子等扔给 AI，AI 自动将其整理为 sources 层的一张张证据卡；第二步，人类在对话中说出判断（如「我觉得微服务更适合这个场景」），AI 转录为 ideas 层的观点卡并自动链接到相关证据；第三步，人类触发 assemble 命令，AI 依据 target.md 中的验收标准，把存活下来的观点卡组装成一份完整的系统设计文档。

整个过程的数据存储在三个 Markdown 文件夹加一个 board/ 自由表面中，不依赖任何数据库或专属格式，可以用 git 管理版本历史，可以用任意编辑器查阅。最特别的是，它内置了一个纯客户端的 HTML 可视化看板（board/*.md），commit 到仓库后任何人都能打开看到当前决策全貌，无需运行任何服务。

特点

• 三 layers 架构：来源（Sources）→ 判断（Ideas）→ 产出（Output），结构清晰不可混淆
• 纯 Markdown 存储：无数据库依赖，版本控制友好，grep 即搜全量
• 零判断权移交：AI 只转录和执行，人的决策是唯一裁判
• 可视化看板：自包含 HTML 投影，浏览器打开即可看决策全貌，无须服务器
• 可组装输出：target.md 定义验收标准，AI 按标准从观点卡组装最终文档

使用方法

Claude Code 安装（插件模式，自动更新）：

/plugin marketplace add tigerless-labs/design-harness
/plugin install design-harness@design-harness

Codex 安装：

codex plugin marketplace add tigerless-labs/design-harness

手动模式（任意 SKILL.md 兼容 Agent）：

git clone https://github.com/tigerless-labs/design-harness
cd design-harness
# 将 skills/design-harness 复制到 Agent 的 skills 目录

触发常用命令：

file these papers        → 把对话中提到的资料归档到 sources 层
put this on the board   → 将某个观点加入 board 自由表面
assemble the design     → 按 target.md 拼装最终系统设计文档
how do we decide this    → AI 给出当前决策状态摘要

使用场景与人群

适用场景：供应商/工具选型、技术方案评审（架构决策）、文献综述、竞品分析、尽职调查等需要「基于证据做判断」的场景。任何需要将分散信息收敛为可解释结论的工作流都适用。

目标用户：技术负责人（做架构决策）、产品经理（竞品调研）、研究员（文献综述）、投资者（尽职调查）。本质上适合所有需要「决策可审计、可溯源」的知识工作者。

输入与输出案例

案例 1：技术选型

• Input：/file these papers（对话中加入了几篇关于微服务 vs 单体架构的论文链接）
• Output：在 sources/papers/ 目录下生成若干 .md 卡片，每张卡包含论文标题、核心论点、与决策相关的摘要；人类随后说出判断「微服务在团队规模超过 X 人时更优」，AI 生成对应 ideas 卡片并链接到相关 source 卡。

案例 2：系统设计组装

• Input：target.md 中定义了系统必须满足的「支持 10 万并发」「冷启动 < 3s」「支持多语言」等验收标准，人类触发 /assemble the design
• Output：在 output/ 目录下生成结构化的系统设计文档，每个设计决策点都链接回对应的 ideas 和 sources 卡片，任何人审查时都能追溯到原始论据。

GitHub: https://github.com/tigerless-labs/design-harness