腾讯这篇文章探讨了 Harness Engineering 的核心理念，提出构建 AI 工作流仅仅是搭建管道，沉淀团队的私域与领域知识才是真正的技术「护城河」。模型与工具链会不断迭代，工作流具有可替换性，但业务领域的专有知识是可以持续积累的「复利资产」。缺乏知识沉淀的工作流往往沦为一次性消耗品，无法实现自我进化。

为此，团队设计了一套三维知识分层架构。在存储层，知识被划分为从个人偏好到项目、业务和技术共 5 个逐渐提升的层级。在类型上，涵盖了模型、决策、指南、陷阱和流程这 5 种分类。在成熟度方面，设定了从草稿、验证到可靠这 3 个递进级别，并引入了自动衰减机制以淘汰过时信息。

该知识库依托独立的 Git 仓库进行跨项目共享，作为团队知识的「单一事实来源」。团队借鉴了类似区块链的追加日志和共识机制，实现多人协作贡献与冲突自动处理。在实际运转中，工作流与知识沉淀紧密结合。启动阶段会自动注入知识全景，执行阶段 Agent 会通过 3 级渐进式索引主动按需查询，以避免上下文膨胀，而在归档阶段则会自动提取新产物反哺知识库，形成完整的生命周期闭环。

此外，团队突破了人机交互的瓶颈。传统工作流高度存在「在场依赖」，导致执行效率受限。通过引入跨设备接管和远程操控能力，团队将人工审批转变为异步模式，充分利用碎片化时间推进流程，保障了工作流能够 24 小时无缝流转，进而加速了知识沉淀的流转效率。

整体而言，该系统坚持「文件系统即状态机」的原则，将所有知识转化为可读且可版本控制的文件资产。这种模式让团队在每次需求交付中都能实现经验积累，使得新启动的任务总能站在前人的肩膀上，充分印证了领域知识在 AI 工程中的核心地位。