Harness design for long-running application development
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为 Anthropic 工程博客，说明长时应用开发的 harness 设计、三智能体分工、上下文重置与结构化 handoff、前端主观准则及 Playwright 评测，并记录对照与逐组件简化实验。
关键要点
- 最终形成 planner、generator、evaluator 三智能体架构，可在跨多会话的自主编码中产出完整全栈应用。
- 执行与评判分离可缓解 agent 自评时过度肯定；独立 evaluator 调为更 skeptical 比让 generator 自我批判更易实施。
- 早期测试表明 Claude Sonnet 4.5 的 context anxiety 明显，仅靠 compaction 不足以支撑长任务，context reset 成为 harness 关键设计。
- retro game maker 对照中 Full harness 运行 6 hr、成本 $200，相对 Solo 在输出范围与可玩性上差异立即可见。
- 前端设计 loop 每代通常进行 5 至 15 次迭代，单次完整运行 wall-clock 最长可达四小时。
- evaluator 按 sprint contract 用 Playwright 走查应用；例如 Sprint 3 的 level editor 合约含 27 条可测 criteria。