如何设计 Harness 工程，实现长时间自动开发应用

在大模型能力快速提升的今天，如何让AI能够持续工作数小时并独立完成一个完整的应用程序，已成为工程实践中的重要课题。Anthropic工程团队近期发布的技术博客，分享了他们在AI自主编程方面的最新探索——设计一套多AI协同工作的Harness架构，以解决长任务执行中的诸多挑战。

经验与启示

三AI协作架构的设计与实现

在尝试让单个AI独立完成应用开发的过程中，团队发现了两个反复出现的核心问题。其一是“上下文焦虑”——当AI处理长任务时，上下文窗口逐渐被占满，表现开始下降，更麻烦的是部分模型会出现“时间不够”的错觉，匆匆收尾。其二是AI的自我评价严重失真，即使输出质量平庸，AI也会自信满满地给自己打高分，这在设计类任务上尤为明显。团队尝试过“压缩”上下文的方式，但收效甚微，直到采用“上下文重置”——清空上下文启动全新AI并通过结构化交接文档传递工作状态，才真正解决了这个问题。

评估器的调优与设计原则

从生成对抗网络（GAN）中汲取灵感，团队构建了一个包含三个专门AI的系统：规划者负责将用户的一到四句话描述展开成完整的产品规格说明，专注于产品上下文和高层技术设计；生成器负责实际写代码，采用React + Vite + FastAPI + SQLite的技术栈逐个功能推进；评估器则扮演QA角色，通过Playwright MCP模拟真实用户操作来测试应用的各个环节。团队设计了巧妙的“开发协议”机制，让生成器和评估器在每轮开始前先“谈判”明确验收标准，确保工作始终忠于产品规格。

模型升级后的架构简化

为了让评估器准确判断输出质量，团队设计了四个评分维度：设计质量、原创性、工艺水平和功能性，并将设计质量和原创性的权重调得更高，因为Claude天然擅长技术规范而在审美上经常表现平庸。有趣的是，评分标准的措辞本身就会塑造生成器的输出方向，比如标准中的“最好的设计是博物馆级别的”就让设计朝着特定视觉方向收敛。测试表明，三AI架构（6小时/$200）相比单AI版本（20分钟/$9），不仅功能丰富度高出数倍，更重要的是核心功能能够真正跑通，而非仅停留在界面展示层面。

如有侵权，请联系删除。