大多数AI应用都始于简单的“调接口”：前端提问，后端调用大模型API返回结果。但当应用深入，问题接踵而至：AI没有记忆，无法关联上下文；没有知识库，面对业务问题只能“一本正经地胡说八道”；业务模块间LLM调用代码重复，难以维护。
这指向一个结论：AI应用需要的不只是“调接口”，而是一个“Harness工程”——AI能力的编排层。今晚我进行了一次将Spring Boot + React聊天系统从“调接口”升级为“Harness工程”的实战，完成了设计模式重构、RAG知识库、对话记忆、多模态增强四大改造。
升级后的架构分为四层：业务层只关心业务逻辑；Harness编排层负责“检索-记忆-生成”流程；外观层统一LLM调用入口，收敛横切逻辑；策略层封装不同模型供应商的调用差异。
通过策略+工厂+外观模式重构，消除了约740行重复代码，业务层代码减少37%，LLM调用入口从4个收敛为1个。RAG知识库让AI能基于PDF、Word等文档回答问题；两层记忆架构（Redis短期记忆+Milvus长期记忆）让AI从“金鱼记忆”变为能记住用户一个月前的对话。此外，还增强了图片拖拽、语音输入/朗读、重新生成、停止生成、对话摘要等体验。
这次升级带来了显著的量化与质化收益：AI记忆从10分钟变为永久，支持了知识库，服务器内存释放约180MB；同时，系统的可扩展性、可测试性、可观测性、用户体验和运维友好度都得到极大提升。
AI应用的竞争，已从“谁的模型更强”转向“谁的工程化做得更好”。Harness工程的核心，是在LLM和业务间建立编排层，将通用模型打造成“懂你业务的专属AI”。架构底子打好，后续演进才能更快、更稳。
