问题从哪里来
Anthropic Labs 团队成员 Prithvi Rajasekaran 在博客里坦率地说：他之前做的前端设计 skill 和长跑编码 harness，通过提示词工程已经把 Claude 的表现提升到远超基线，但最终都遇到了天花板。
两个核心问题卡住了他：
一是上下文焦虑（context anxiety）。模型跑长任务时，随着上下文窗口被填满，会开始"预感"自己快到限制了，然后提前收尾，把工作草草了事。这不是假想，他在 Claude Sonnet 4.5 上观察得相当明显。解决方案是「上下文重置」——干完一段就清空窗口，通过结构化的交接文件把状态传给下一个 agent，给它一个干净的起点。
二是自我评估失真。让模型评价自己刚写的代码或设计，它会信心满满地说好——哪怕你看一眼就知道很烂。对主观性任务（比如设计美不美）这个问题尤其严重，因为没有像「跑通测试」那样的硬指标可以核查。
这两个问题，他都用了同一个思路来解：把做事的 agent 和评判的 agent 分开。
从 GAN 借来的框架
灵感来自生成对抗网络（GAN）：一个 generator 负责生成，一个 discriminator 负责鉴别，两者对抗迭代。
他把这个思路搬到 agent 系统里：生成器（generator agent）负责干活，评估器（evaluator agent）负责打分和批评，反馈回去，生成器再改，如此循环。
关键洞察是：不需要让模型本身变得更自我批判，只需要把「评估」这个任务单独拎出来，给评估器专门调出一种「挑剔」的人格就够了。调一个独立的 evaluator 变得苛刻，比让 generator 批评自己容易得多。
第一个实验：让前端设计不再"千篇一律"
Claude 做前端有个毛病——倾向于选最安全的布局，功能没问题，但视觉上没有个性，一眼看出是 AI 生成的（比如那个经典的「紫色渐变白色卡片」）。
他设计了四个评分维度，同时给生成器和评估器：
- 设计质量：整体是否有统一的调性和身份感，而不是各个组件拼在一起
- 原创性：有没有故意为之的创意决策，而不是模板 + 库的默认值
- 工艺性：字体层次、间距、色彩对比——这是技术执行的基本功
- 功能性：用户能不能理解界面、找到主要操作
他有意把「设计质量」和「原创性」权重调高。因为 Claude 在工艺性和功能性上本来就还行，短板在于不敢出奇。
评估器拿到 Playwright MCP，可以直接在页面上点击操作，截图查看，而不是凭静态截图打分。每轮迭代大概跑 5 到 15 次，一次完整生成最长要四个小时。
效果很直观。他让 Claude 做一个荷兰艺术博物馆的网站——前九轮出来的是一个还不错的深色系页面，符合预期但没什么惊喜。然后第十轮，它把整个方向推翻了：变成了一个 3D 空间体验，CSS perspective 渲染的棋盘地板，画作挂在墙上自由排布，门洞代替滚动导航。他说这是他从没在单次生成里见过的创意跳跃。
值得注意的细节：评估标准的措辞会直接影响生成方向。他在 prompt 里加了一句「最好的设计是博物馆级别的」，结果输出整体就朝某个特定的视觉收敛——标准的语言本身就在塑造模型的审美倾向。
第二个实验：让 Claude 自主跑六个小时写完一个完整 app
把同样的逻辑推到全栈开发：生成器负责写代码，评估器相当于 QA，Playwright 点击跑测试，按 sprint 拆分任务。
架构变成了三个 agent：
- Planner：把一两句话的需求扩展成详细 spec。它不规定技术实现细节，只定义要做什么、要有哪些 AI 功能，把实现细节留给后续 agent 自己判断。
- Generator：按 sprint 一个功能一个功能地实现，每个 sprint 结束前自评，再交给 QA。
- Evaluator：用 Playwright MCP 真实点击 app，测 UI 交互、API 端点和数据库状态，对照 sprint 合同的测试条件打分，有硬阈值，任何一项低于就打回重做。
Generator 和 Evaluator 在每个 sprint 开工前要先「协商合同」：Generator 提方案（做什么、怎么算完成），Evaluator 审核，两边达成一致后才动手写代码。沟通通过文件来回读写，不直接对话。
他用这套系统写了一个「2D 复古游戏制作器」（RetroForge），对比单 agent 跑了一次：
| 方案 | 耗时 | 成本 |
|---|---|---|
| 单 agent | 20 分钟 | $9 |
| 三 agent harness | 6 小时 | $200 |
贵了超过 20 倍，但差距一目了然。单 agent 的版本打开后 entity 在屏幕上出现，但操作无响应，核心游戏功能压根没跑通，代码里的连线断掉了。harness 版本的 app 打开就能看出更多打磨痕迹，而且 game 真的能玩，角色可以移动、跳台子，还内置了一个通过 prompt 生成游戏元素的 Claude 集成。
评估器的日志很能说明问题。Sprint 3 单独有 27 个验收条件，评估器发现的 bug 精确到代码行号和函数名：
| 测试条件 | 评估器发现 |
|---|---|
| 矩形填充工具支持拖拽填充 | 失败——fillRectangle 函数存在但未在 mouseUp 触发 |
| 用户可以选中并删除 entity spawn point | 失败——删除键条件需要同时有 selection 和 selectedEntityId，但点击 entity 只设了 selectedEntityId |
| 可通过 API 对动画帧重新排序 | 失败——PUT /frames/reorder 路由顺序在 /{frame_id} 之后，FastAPI 把 reorder 当成整数 frame_id 解析，返回 422 |
要把评估器调到这个水平花了不少工夫。开箱即用的 Claude 是个差劲的 QA——他观察到它发现了问题，然后说服自己问题不大，然后批准过了。它测试也不够彻底，边缘用例基本跳过。他通过反复读日志、找出判断偏差、更新 prompt 来校准，来回跑了好几轮才让评估器的严格程度达到他满意的水平。
Opus 4.6 让这套变得更轻
等到用 Opus 4.6 重跑这套流程，他发现可以大幅简化。
Opus 4.6 原生就有「更长任务的稳定性」和「更好的自我代码审查」，context anxiety 问题基本消失，所以他把 sprint 拆分整个去掉了——模型可以连续跑两个多小时不用切换上下文。原本专门为了对抗 Sonnet 4.5 context anxiety 而设计的上下文重置机制，现在也不需要了。
新版三 agent 系统（没有 sprint 结构）跑了一个 DAW（浏览器里的音乐制作软件）：
| 阶段 | 时长 | 成本 |
|---|---|---|
| Planner | 4.7 分钟 | $0.46 |
| Build Round 1 | 2 小时 7 分钟 | $71.08 |
| QA Round 1 | 8.8 分钟 | $3.24 |
| Build Round 2 | 1 小时 2 分钟 | $36.89 |
| QA Round 2 | 6.8 分钟 | $3.09 |
| Build Round 3 | 10.9 分钟 | $5.88 |
| QA Round 3 | 9.6 分钟 | $4.06 |
| 合计 | 3 小时 50 分钟 | $124.70 |
最终跑出来的 DAW 有完整的 arrangement view、mixer、transport，内置 AI agent 可以通过 prompt 控制整个 app——设 tempo、定 key、铺旋律、写鼓点、调混音、加混响。当然离专业音乐软件还远，而且 Claude 本身听不见声音，QA 对「好不好听」没有判断力，这是明确的局限。
QA 在第二轮仍然抓到了实质性问题：录音功能只是个 stub，拖拽 clip 没实现，效果器 UI 只有数值滑块没有图形化（没有 EQ 曲线）。有 evaluator 在，这些问题都被递回去修了。
前端 demo 的动态效果：
几个值得拎出来的工程结论
evaluator 不是万能的，但它有用的时候非常有用。 Anthropic 的结论是：evaluator 在任务难度处于 generator 能力边界时最有价值。Opus 4.6 能力更强，很多以前需要 evaluator 兜底的地方现在 generator 自己就能搞定，evaluator 变成了一个「应该开还是关」的判断题，而不是永远必要的基础设施。
每个 harness 组件都是一个关于模型局限的假设。 博客里有句话说得很到位：harness 的每个组件都编码了「这件事模型自己做不好」的假设。这些假设会过时，新模型出来就应该去重新检验哪些组件还是必需的，哪些已经可以扔掉了。
Spec-first，不要 implementation-first。 Planner 的设计原则是只定义要交付什么，不规定技术细节怎么实现。如果 planner 在 spec 里猜错了技术细节，错误会级联到所有下游 agent。把选择权留给具体实现的 agent，往往比统一规定好。
X 社区的反应
这篇博客发出来之后，讨论里有个有意思的视角。Hardwire Media 的回复说：这套 harness 验证了多 agent 工作流的方向，但它的架构本质上还是中心化编排——单一 runtime 定义了所有 agent、运行循环和执行控制。下一个有意思的方向，是把 planner、generator、evaluator 做成相互独立的 agent，运行时动态发现彼此，通过开放协议协调，而不是在同一个 harness 里被同一段 Python 代码拉着走。
另一条评论指出：「evaluator 不只是在评判，它在塑造被构建的东西本身。Prompt 语言即架构。」这个观察其实贯穿了整篇博客——标准的措辞直接影响生成器的审美方向，合同里的验收条件决定了 app 最终长什么样。
