在黑客松中，有一支团队甚至一次键盘都没碰过，却最终夺得了冠军。AI Agent（人工智能代理）彻夜编写了 10 万行代码，其中 7 万行是测试代码。开发者们只负责抛出设计图，然后就可以准时下班了。这并非科幻，而是真实发生在首尔市中心的一幕。
Ralphton 是一场以“人类下班，AI 编程”为核心理念的黑客松。它由开发者社区 Team Attention 与 Kakao Ventures 共同主办，并获得了全球顶尖科技公司 OpenAI 的赞助。活动于 2026 年 2 月 28 日至 3 月 1 日在首尔城北区举行，OpenAI 新加坡的开发者们也亲临现场。
传统的黑客松通常是参赛者通宵达旦地亲手编写代码，然后由评委评估成果。但 Ralphton 完全不同。参赛者只需提交创意和设计文档（PRD、规格说明书），实际的编码工作则交给 AI Agent 执行。流程是这样的：第一天完成 Harness Engineering（束缚工程）——简单来说，就是设计一套环境和约束条件，确保 AI 能够正确运行；随后，AI Agent 会在夜间自主进行编码，到了第二天早晨，评委再对产出进行评估。
共有 9 支通过预选的队伍参加了决赛。参赛者包括初创企业开发者、创始人等，BankSalad 的联合创始人 Hwang Seong-hyeon（现任 The Ventures 技术负责人）也制作了一个基于 LLM（大语言模型）的拼图网页。运营 AI Agent 初创公司的 Kim Woo-young 则开发了一项通过分析乐谱 PDF 自动转换调性的服务。
冠军团队的案例最能直观地说明问题。该团队开发了一个基于固定摄像头视频实现家务自动化的机器人，其核心在于开发过程。
从开始到结束，参赛者一次都没有碰过键盘。相反，他们在开发前让 AI Agent 进行了 133 次苏格拉底式推理（Socratic reasoning），将设计的模糊度指数降低到了 0.05。AI Agent 通过互相提问——例如“这个需求是指 A 还是 B？”——来主动发现人类可能忽略的设计漏洞。
在 10 万行代码中，有 7 万行是测试代码，这一点也非常令人印象深刻。这说明 AI 并不是在盲目地“先写出来再测试”，而是在最初阶段就设计了可验证的代码。这种做法还提前拦截了在调用多个 AI Agent 过程中可能出现的幻觉（hallucination）问题。
| 传统黑客松 | Ralphton | |
|---|---|---|
| 开发者角色 | 亲自编写代码 | 设计图 + 束缚工程 |
| 编码主体 | 人类 | AI Agent |
| 通宵对象 | 开发者 | AI（开发者下班） |
| 质量保证 | 代码审查 | 133次 AI 问答 + 70% 测试代码 |
| 核心能力 | 编程技巧 | 设计能力 + AI 环境设计 |
当然，也有失败的案例。有一支队伍在过程中急于扩展规格并尝试并行运行 3 个工作流，结果导致部署中断并陷入了死循环，最终不得不亲自动手修改代码。这说明如果给 AI Agent 没有明确设计的高自主性，反而会产生负面效果。
第三名队伍则展示了另一种思路。他们专注于成本优化，通过在昂贵模型与廉价模型之间进行切换，在保持相同性能指标的同时降低了开支。这证明了在 AI Agent 时代，竞争力不仅在于“使用最强的模型”，更在于“如何更高效地达成相同的结果”。
过去，个人开发者在扩大业务规模方面确实存在明显的局限，但通过这次 Ralphton，我确认了那道壁垒已经彻底崩塌。
— Jang Dong-wook, Kakao Ventures 总监
Team Attention 的开发者 Jung Gu-bong 也表示：“我们正在跨越‘将 AI 作为工具使用’的阶段，未来企业真正的护城河将取决于如何深度内化 AI Agent 的使用方法。”
Ralphton 最终展示的是“束缚工程”的实战应用。开发者不再是亲自写代码，而是设计一套能让 AI Agent 顺畅工作的环境。以下是你可以立即尝试的步骤：
- 从精细化编写 PRD（产品需求文档）开始
冠军团队成功的秘诀不在于“不碰键盘”，而在于“编写了极其精细的设计文档”。在交给 AI Agent 之前，请尽可能消除需求中的模糊性。如果文档让你产生“这里是不是也可以这样理解？”的疑问，说明文档还不够完善。 - 设计 AI Agent 之间的验证闭环
冠军团队之所以进行 133 次问答是有原因的。你应该建立一个闭环：当一个 Agent 编写代码时，另一个 Agent 负责验证“这是否符合规格”。你可以从在 Claude Code 的 CLAUDE.md 中加入验证规则，或者在 CI/CD 流水线中连接自动测试开始。 - 要求先编写测试代码
不要遵循“先写业务逻辑，后写测试”的旧习惯，而要改为“先写测试，再写业务逻辑”。冠军团队代码中 70% 是测试代码并非偶然，这是在为 AI Agent 建立一套自我验证的标准。 - 规格变更要克制，并行要谨慎
这是从失败案例中吸取的教训。在执行过程中盲目扩展规格或进行无序的并行操作会让 AI Agent 陷入混乱。最好是沿着一条清晰的工作流贯彻到底。 - 将束缚工程转化为团队资产
无论是 CLAUDE.md、MCP 服务器配置还是验证脚本，不要只存在于个人环境中，请将它们提交到代码仓库。只有当下一个项目或下一位团队成员也能使用相同的“束缚”时，才能产生复利效应。
技术正在从 Prompt Engineering（提示工程）$\rightarrow$ Context Engineering（上下文工程）$\rightarrow$ Harness Engineering（束缚工程）演进。
Prompt = “问什么问题”
Context = “展示什么信息”
Harness = “如何设计 AI 运行的完整环境（脚手架、约束、验证闭环）”
Ralphton 就是在黑客松这种极端环境下，对束缚工程进行实证的典型案例。
