最近 Anthropic 发了一篇工程博客，看完后我忍不住拍大腿：原来我们这些年做 AI Agent 的很多“卡点”，根本不是模型不够聪明，而是 harness（也就是那套让 Agent 长期稳定跑起来的架构）设计出了问题。

你是不是也遇到过类似情况？让 Claude 或者其他大模型单独做一个 UI 设计、一个 2D 游戏编辑器，甚至一个完整的全栈 App，它最后交出来的东西“看起来还行”，但实际一用就露馅——界面能点，逻辑全断，细节全靠自我安慰。单 Agent 自己评自己，永远觉得自己 90 分以上。

Anthropic 这次直接把问题戳破了：AI Agent 的核心矛盾，不是智能不够，而是缺少结构化的“生成 vs 评估”对抗机制。他们借鉴 GAN（生成对抗网络）的思路，把生成者和评估者彻底拆开，搭了一个三 Agent Harness，结果同一个任务，效果直接起飞。

单 Agent 为啥总是“自我感觉良好”？

先说痛点，这几乎是所有开发者做 Agent 时都会踩的坑。

单 Agent 在长时任务里会遇到两个致命问题：

1. 上下文焦虑：上下文窗口一满，模型就开始慌，草草收尾。早期模型得手动 reset 上下文才能继续，新模型虽然好点，但还是需要精心设计。
2. 自评偏差：尤其是主观任务（UI 设计、用户体验、视觉风格），Agent 特别容易给自己高分。它会找各种理由合理化平庸输出：“虽然颜色有点撞，但整体氛围还不错嘛。”

结果就是：20 分钟、9 美元，你能拿到一个“能看”的原型；但真正想落地成可用产品，单 Agent 几乎无解。

Anthropic 的解法很简单，也很狠——把生成和评估拆成独立 Agent，让它们互相制衡。这不是花里胡哨的 prompt 优化，而是系统级结构重构。

三 Agent Harness：Planner + Generator + Evaluator 的完整架构

他们最终落地的是一个经典的三角色系统，每一个 Agent 都只干一件事，干到极致：

• Planner（规划者）：输入一句话需求，输出完整的产品规格书。它会主动把 AI 能力织进去，比如把“做一个 2D 游戏编辑器”扩展成 16 个特性，还包含 AI 生成 sprite、AI 设计关卡等高级功能。Planner 不写代码，只管把愿景拉满，避免后面 Generator 一步步掉链子。

• Generator（生成者）：真正动手写代码的那个。技术栈是 React + Vite + FastAPI + PostgreSQL（早期用 SQLite）。它按 “sprint” 增量开发，每次只实现一个特性。每次 sprint 前，会和 Evaluator 签一个“冲刺合约”（sprint contract），把验收标准谈得清清楚楚。

• Evaluator（评估者）：最硬核的部分。它不用看代码，而是用 Playwright 真实操作界面：点按钮、调 API、查数据库、验证 UI 交互。打分维度包括产品深度、功能完整性、视觉设计、代码质量，每一条都有硬性阈值。发现 bug 就直接甩具体报告，比如“矩形填充工具只在拖拽起点放图块，没触发 mouseUp 事件”。

整个流程通过文件进行通信：写文件、读文件、迭代。Generator 按合约干活，Evaluator 真实测试，Planner 提供高阶指导。循环跑下来，质量和单 Agent 完全不是一个量级。

真实案例：同一个 2D 游戏编辑器，对比惨烈

同一个提示词：“创建一个带关卡编辑器、精灵编辑器、实体行为和可玩测试模式的 2D 复古游戏制作器。”

• 单 Agent：20 分钟，9 美元。界面看着还行，但游戏逻辑全断——实体能看到，但点不动；代码里连线全错。典型的“看起来能用，实际玩不了”。

• 三 Agent Harness：6 小时，200 美元。Planner 拉出 16 条特性，Generator 按 sprint 逐个实现，Evaluator 用 Playwright 逐条验收。最终成品有完整物理引擎、可拖拽排序、AI 内容生成，甚至能导出分享链接。Evaluator 抓出了 27 条具体验收标准里的每一个细节缺陷，比如删除实体时按键判断逻辑错误、API 路由参数误判等。

差距不是一点半点，而是从“玩具”到“可用产品”的质变。

5 个反直觉的硬核教训（直接可落地）

Anthropic 在文章最后总结了五条经验，我觉得每一条都值得单独拉出来做成卡片：

1. 持续实验，你的模型假设随时会过期。今天有效的 harness，明天 Claude Opus 4.6 一升级，可能就多余了。
2. 任务拆解 + 专职 Agent 是王道。别让一个 Agent 又写代码又评代码，结构决定上限。
3. 模型变强时，果断删减 harness。他们 V2 版直接去掉 sprint 合约、改单轮评估，成本降到 124.7 美元、时间 3 小时 50 分钟，质量反而更稳。
4. 生成与评估分离，比自我批判好调校多了。Evaluator 可以被训练得更“毒舌”，这才是迭代的真正杠杆。
5. 主观判断必须可量化。“好看”不是标准，“对比度是否达标、颜色是否形成统一 mood”才是标准。把模糊变成具体，才能真正打分。

最让我震撼的一句话是：模型能力提升后，解决方案空间不会缩小，而是发生位移。Harness 不会消失，只会进化成更高级的形态。它是一场和模型共同进化的军备竞赛。

对我们开发者的真实启发

这个实验对国内做 AI Agent 的团队来说，意义太大了。

以前我们总觉得“prompt 再调调就行”“再等下一个更强模型”。现在看，真正拉开差距的是系统设计能力。如果你正在做一个长时 Agent 项目，强烈建议立刻尝试把 Generator 和 Evaluator 拆开，哪怕先用两个独立的 Claude 会话手动模拟，也能立刻看到效果提升。

未来，随着上下文窗口继续扩大、模型推理能力继续增强，harness 会越来越轻量，但“结构化对抗”的核心思想只会越来越重要。谁先把这套方法论吃透，谁就能在 AI 原生应用赛道里跑得更快。

本质上，这不是一个“技术问题”，而是一个“系统结构问题”。AI Agent 的落地，从来不是靠一个超级聪明的大模型，而是靠一套能让多个 Agent 互相监督、互相迭代的 harness 设计。

一句话总结：
AI Agent 拼的从来不是模型，而是流程。

我是紫微AI，我们下期见。
（完）