Anthropic 工程團隊在 2025 年底到 2026 年初陸續發了兩篇關於 harness design 的文章，分別是 Effective Harnesses for Long-Running Agents 和 Harness Design for Long-Running Application Development。兩篇合在一起，幾乎是目前公開文獻中對「怎麼讓 AI agent 持續工作好幾個小時」最完整的實戰紀錄。
這篇是導讀，把兩篇的核心觀點拆開來看。如果你讀過 AI Agent 的三個核心支柱：Context、Cognition、Action，這兩篇可以當作那個理論框架的實戰案例——Anthropic 怎麼在實際的 agent 系統中解決 context 斷裂、認知迴圈、行動驗證的問題。
什麼是 Harness？
Harness 是包裹在 LLM 外層的執行框架——決定模型何時被呼叫、給什麼 prompt、怎麼處理輸出、搭配什麼工具。你可以把它想成模型的「工作環境」。
Anthropic 的核心論點很直接：同一個模型，在不同的 harness 設計下，會產生截然不同的結果。 模型能力的天花板往往不在模型本身，而在你怎麼設計它的執行框架。
這跟他們之前在 Building Effective Agents 提出的理念一脈相承：找最簡單的方案，只在必要時增加複雜度。
問題：Context Window 是斷裂的
長時間運行的 agent 面臨一個根本性的挑戰——context window 有限，而複雜專案不可能在一個 window 內完成。
這跟 Context 那篇 說的一樣：LLM 的 context window 就是 RAM，對話結束一切歸零。Anthropic 面對的正是這個問題的極端版本——不是一次對話記不住，而是一個要跑好幾個小時的 agent 必須跨越數十個 session。
每次新 session 啟動時，agent 對之前的工作一無所知。就像輪班的工程師：前一班走了，新來的人看著一堆程式碼，不知道做到哪、下一步該幹嘛。
即使是 Opus 4.5 這樣的頂級模型，直接跑也會出問題：
- 貪心一口氣做完：試圖 one-shot 整個應用，context 用完時功能只做了一半
- 沒有留紀錄：下一個 session 無法接手，只能重新理解整個 codebase
解法一：雙 Agent 架構
Anthropic 的第一個突破是把工作拆成兩個角色。
Initializer Agent（初始化者）
只在首次運行時啟動，負責搭建整個工作環境：
- 產生
feature_list.json——200+ 個細粒度功能，全部標記為failing - 初始化 git repo 並建立初始 commit
- 建立
claude-progress.txt進度日誌 - 產生
init.sh啟動腳本
用 JSON 而不是 Markdown 記錄功能清單是刻意的選擇——模型比較不會亂改 JSON 的結構。
Coding Agent（編碼者）
每個 session 做一件事：增量完成一個功能，留下清晰的 artifact 給下一個 session。
每次啟動有固定儀式：
- 跑
pwd，確認工作目錄 - 讀 git log 和
claude-progress.txt - 選最高優先級的未完成功能
- 跑
init.sh啟動 dev server - 做 smoke test 確認環境正常
- 才開始寫新功能
這套儀式的設計邏輯是：讓 agent 在動手之前，先搞清楚現在在哪。
關鍵機制：claude-progress.txt
這是整個架構中最優雅的部分。
claude-progress.txt 搭配 git history，讓每個新 session 的 agent 能在幾秒內理解：目前做到哪了、哪些功能完成了、哪些還沒做、上一個 session 遇到什麼問題。
它不是什麼高科技——就是一個純文字檔案。但它解決了長時間 agent 最關鍵的問題：跨 session 的狀態傳遞。 用三大支柱的語言來說，這是最低成本的 episodic memory 實作——不需要 vector database，不需要 Mem0，一個文字檔就夠了。
解法二：GAN 啟發的 Generator-Evaluator 迴圈
第二篇文章更進一步，引入了借鑑 GAN（生成對抗網路）的架構。
為什麼需要這個？
沒有外部回饋時，Claude 傾向產出「安全但平庸」的結果——前端設計技術上可用，但視覺上毫無特色。模型天生會避險，走向最常見的佈局。
怎麼做？
把生成和評估拆成兩個獨立的 agent：
- Generator Agent：負責寫程式碼、做前端設計
- Evaluator Agent：獨立的嚴格評審，依照四項標準打分
關鍵洞見是：調教一個獨立的 evaluator 讓它嚴格挑剔，遠比讓 generator 自我批判來得容易。 有了外部回饋，generator 才有具體的目標可以迭代。這本質上就是 Cognition 篇 提到的 Self-Reflection 機制——只是 Anthropic 把反思能力外包給了另一個 agent，而不是讓同一個 agent 自我反省。
搭配 Playwright 做自動化端對端測試，整個系統可以自主迭代好幾個小時——generator 產出、evaluator 打槍、generator 再改，直到通過標準。
模型進步如何改變 Harness 設計
這裡有一個很值得注意的觀察。
第一篇文章使用的是 Sonnet 4.5，當時發現模型在長 context 中會出現「context anxiety」——隨著 context 變長，品質會明顯下降。所以他們在架構中加了 context reset 機制，定期清空重來。
到了第二篇，升級到 Opus 4.5 後，這個問題自己消失了。模型本身就能穩定處理長 context，於是 context reset 被直接拿掉，改成單一連續 session，讓 Claude Agent SDK 的自動 compaction 處理 context 增長。
Anthropic 從這裡得出一個重要原則：
Harness 的每個組件都編碼了一個「模型做不到」的假設。這些假設值得不斷壓力測試——因為它們可能是錯的，也可能隨模型進步而過時。
換句話說，好的 harness 不是寫完就不動的。模型升級了，harness 也該跟著簡化。
開放問題
Anthropic 自己也承認還沒有定論的事：
- 單一通用 agent vs. 多個專門 agent：一個什麼都會的 agent 好，還是把測試、QA、code cleanup 拆給不同的專門 agent 更好？
- 成本權衡：結構化 harness 會增加 token 消耗和延遲，什麼時候值得、什麼時候不值得？
整體來說
這兩篇文章最大的價值不在於具體的架構（雙 agent、progress file 這些），而在於背後的思考方式：
- 模型的能力上限，往往是 harness 設計的問題，不是模型的問題。
- 每個 harness 組件都是一個假設——要持續驗證這些假設是否還成立。
- 隨著模型進步，有趣的 harness 組合空間不會縮小，只會移動。 AI 工程師的工作是持續找到下一個新穎的組合。
如果你在做任何長時間運行的 agent 系統，這兩篇值得反覆讀。不是照抄架構，而是學這套「先觀察模型在哪裡失敗，再用最小的框架補上」的方法論。
延伸閱讀
Anthropic 原文與基礎
- Building Effective Agents — Anthropic 的 agent 設計哲學起點，6 種 composable pattern
- Effective Harnesses for Long-Running Agents — 本文導讀的第一篇原文
- Harness Design for Long-Running Application Development — 本文導讀的第二篇原文
- Demystifying Evals for AI Agents — Anthropic 的 agent 評估方法論，跟 evaluator agent 設計直接相關
Harness Engineering 趨勢
- 從 Prompt 到 Harness：AI 工程的三次演化 — Prompt → Context → Harness 三個時代的演化
- Phil Schmid：為什麼 Agent Harness 是 2026 年最重要的事 — 為什麼 harness 才是決定 agent 成敗的關鍵
- Google 的八種 Multi-Agent 設計模式 — Google 的 8 種 multi-agent 設計模式，可與 Anthropic 做法對照
站內相關
- AI Agent 的三個核心支柱：Context、Cognition、Action — 理解 agent 架構的理論框架，本文是它的實戰對照
參考資料
- Effective Harnesses for Long-Running Agents — Anthropic 工程部落格原文，雙 Agent 架構與 claude-progress.txt 設計
- Harness Design for Long-Running Application Development — Anthropic 工程部落格原文，GAN 啟發的 Generator-Evaluator 迴圈實戰
- Building Effective Agents — Anthropic agent 設計哲學，六種可組合模式的起點
- Demystifying Evals for AI Agents — Anthropic agent 評估方法論，與 evaluator agent 設計直接相關
- Claude Code Overview — Claude Agent SDK 官方文件，理解 harness 的具體實作基礎
- A Survey on Large Language Model based Autonomous Agents — arXiv 論文，LLM agent 系統的全面學術綜述
- Model Context Protocol Introduction — MCP 官方文件，理解 agent 工具標準化協議