本文由 AI 自动摘录整理，原始链接：Harness design for long-running application development

推荐指数：7/10（推荐读原文）

背景

Anthropic 工程师 Prithvi Rajasekaran 分享了在长运行自主编码 agent 中护栏设计的最新实践。受 GAN（生成对抗网络）启发，他设计了一套多 Agent 架构（生成器 + 评估器），将前端设计和全栈应用开发两大不同领域的能力推向新高度。文章详细阐述了 naive 实现的两大失败模式（上下文焦虑、自我评估偏误），以及如何通过结构化护栏系统性地突破这些瓶颈。

核心观点

• GAN 启发式架构：将生成对抗网络思想引入 agent 设计，用独立的生成器和评估器 agent 形成反馈循环，评估器用 Playwright MCP 真实操作应用界面进行打分，驱动生成器持续迭代改进
• 主观质量的可量化评估：将 “这个设计好看吗” 转化为可评分的具体标准（设计质量、原创性、工艺、功能性），用 few-shot 示例校准评估器，使其具备比生成器自身更严格的审美判断
• 护栏简化方法论：模型越强，护栏应越精简。从 Opus 4.5 到 4.6，成功移除 sprint 分片结构，因为新模型的原生能力已不需要这种分解；但规划器和评估器依然带来明显增益

补充要点

• 上下文焦虑：Sonnet 4.5 在长上下文下会过早收尾工作，仅靠 compaction（压缩摘要）不够，需要 context reset（清空上下文 + 结构化交接）才能解决；Opus 4.5 几乎完全消除了这个行为
• 自我评估偏误：让 agent 评价自己的作品时，它倾向于自信地表扬——即使客观质量明显平庸。分离生成和评估角色后，调优一个独立评估器比让生成器自我批评容易得多
• Sprint 契约机制：生成器和评估器在每个 sprint 前协商 “done” 的定义（具体实现细节和可测试的行为），用文件传递沟通，确保构建内容忠实于规格
• 前端设计四准则：设计质量（整体感）、原创性（非模板/AI 泛式）、工艺（排版层次、间距一致性、颜色和谐）、功能性（用户能否完成任务），权重重设计质量和原创性
• 成本与质量权衡：完整护栏版本比 solo agent 贵 20x+（6 小时/$200 vs 20 分钟/$9），但输出质量天差地别——solo 模式核心功能直接不工作，护栏版本能生成可用的完整应用
• 评估器的迭代调优：开箱即用的 Claude 是差劲的 QA agent——会发现问题然后说服自己不算事。调优方法是读日志、找判断差异点、更新 QA prompt，经过多轮迭代才能达到合理水平
• DAW 实验：用更新后护栏一次性生成了一个浏览器内数字音频工作站（4 小时/$124），可编排旋律、鼓点、混响，agent 能端到端驱动所有功能
• 模型越强，空间越大：好模型不是让护栏不再重要，而是让护栏可以把目标提高到新高度——在模型能够独立完成的事情之上，去攻克更复杂的任务