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——