基于源码逐行分析，配合设计思路。

模型只是"使用"这些协议（调用相应的工具），但协议的存在、状态追踪、超时处理、响应匹配——全是 Harness 代码的责任。

THRESHOLD = 50000 # tokens 阈值每轮循环在调用 API 之前检查。用粗略估算——不需要精确计数，只需要判断"是不是该压缩了"。auto_compact 最精妙的地方是让 LLM 自己摘要自己的对话。没有预定义的"什么重要"的规则——模型自己判断哪些决定、哪些状态值得保留。这是用 LLM 的理解能力解决传统程序难以处理的问题（“什么是关键信息？”）。

lines = []name } : {name } : {name } : {if tags:name } : {]"这段文本被嵌入 system prompt，模型看到的只是"有哪些 skill 以及一句话描述"。每个 skill 大约占 100 tokens——10 个 skill 才 1000 tokens，比全部塞进去省了 10-20 倍。name：skill 名称，必填。模型从 sys

items是一个数组，包含所有任务。模型一次性传入完整的任务列表，全量替换旧列表——不是"把 #2 改成 completed"，而是"这是我现在的所有任务和状态"。模型每次更新都会重新审视整体进度，不会产生状态漂移。每个 item 有三个字段id（任务编号）、text（任务描述）、status"pending"三选一）。schema 要求必填，代码也做容错：schema 里声明是给 LLM 看的提

本文分析了如何让AI模型通过代理循环与真实世界交互。传统聊天机器人只能被动响应，而s01_agent_loop.py实现了一个30行的核心循环，使模型能主动执行bash命令并处理结果。关键设计包括：通过stop_reason判断工具调用需求，动态维护消息历史，以及安全执行命令的防护机制。相比纯聊天模式，该系统实现了自主行动能力，将用户从手动复制粘贴中解放出来，形成"模型决策-代码执行&q