Claude Code 好用,跟模型关系不大
Anthropic 的工程师把 Claude Code 为什么能干活拆成了六层 harness。另一边,Hanako 补上了更关键的一刀:loop 住在节点里,graph 住在节点之间。两份材料拼起来,能看清 agent 产品真正的差距在哪一层。
Claude Code 好用,跟模型关系不大
Anthropic 的工程师把 Claude Code 的工作方式讲了一遍。delost 在 X 上把这份材料形容成 "fucking gold",理由是它回答了一个被问了无数遍的问题:Claude Code 为什么比同类工具顺手。
答案是 harness,跟模型关系不大。
harness 直译是马具,指套在模型外面、约束它怎么干活的那一整套装置。delost 把它拆成六层:
第一层,工具。 数量要少,一个工具只干一件事。更要紧的是每个错误信息都要告诉 agent 下一步该试什么。有网友在回复里补了一句:一条好的报错,能省掉 agent 三次瞎猜。
第二层,上下文。 短的 CLAUDE.md 常驻,其余文件按需读,塞满了就压缩。
第三层,权限。 读文件和跑测试自动放行,部署和删除要人点头,剩下的一律丢进沙箱。
第四层,钩子。 工具执行前拦掉密钥和受保护文件,每次编辑后跑格式化、lint、类型检查,没有例外。
第五层,验证。 另开一个干净的 reviewer,读 diff 而不是读总结,跑测试,挂了就修,修完再跑。
第六层,评测。 harness 的每次改动都打分,看成功率、token 消耗、轮次,哪一种改动更优就保留哪一种。
delost 的总结是:模型是发动机,harness 是整台车。
这句话值得停一下。平时讨论 AI 编程,焦点几乎全在发动机上:某个模型 92 分,另一个 89 分。但决定你晚上能不能准时下班的,往往是车剩下的部分。
把这六层翻一遍会发现,前四层解决的是 agent 能不能用,第五层第六层解决的是它值不值得信。后两层也是最费人、最少人做完的。
六层之外,还有个更常见的坑
六层里第五层是验证,但要验证到什么程度才算够,另一份材料讲得更透。Hanako 写过一篇关于 agents 的长文,核心是一句话:循环住在节点里,图住在节点之间。
她的划分很干脆。一个 loop 就四段:产出、检查、纠正、重复到变绿。检查是整件事的核心。没有一样东西能在你离开房间的时候判定失败,你手上的东西叫定时器,不叫 loop。
而且几乎没人先写检查。大家先做工作,末尾挂一个 review,review 又是另一个模型看输出。用她的原话说,这叫两个乐观主义者互相点头。
检查要写成程序能判定的形式:
- 绿的:测试退出码为 0
- 绿的:每条断言都带来源行
- 绿的:diff 只碰计划里列出的文件
- 不算检查:输出看起来不错
- 不算检查:模型说自己有把握
- 不算检查:没有报错
最后一条最容易骗人。没有错误发生,不等于结果正确。在这上面搭 loop,你会得到一个反复犯同一个错误、直到预算烧完、全程日志干干净净的系统。
loop 还有天花板。它只能让一个工作单元变好,决定不了有哪些单元、什么顺序、哪两步其实根本不用互相等。于是会出现很精致的 agent,按错的顺序跑错的三步,一次一步。每一步都对,结果又慢又不成型。调 loop 治不好,因为毛病不在任何一个单元里面。
毛病浮出来的时候,人们开始怪模型。也正是这时候,上面那层开始回本。
图是两个元素,不是流程图
graph 描述工作的形状:什么跑、什么同时跑、什么等、什么根本不跑、结果回到哪。只有两个元素。节点是一个有界的工作单元,一进一出;边是依赖,这个节点的输出喂给那个节点的输入。
所有不必要的等待都来自同一个错误:把"然后"当成边。先总结文件然后查天气,这两步之间没有边,天气不消费总结。判断方法就一句:下一步真的读上一步的输出吗?说不出跨过这条边的变量名,这条边就不存在,那段等待纯属浪费。多数流水线里有两三条这样的箭头,找出来通常就是最大的一次提速。
节点有四种。splitter 在最前面切分工作,它比任何节点都决定成败。按文件夹切一个代码仓库,四个 worker 会审同样的三个文件;按影响半径切,每个人看到的东西不一样。
worker 一人一个单元、一个视角、一份独立的上下文。独立这两个字最常被跳过。四个审计员共用一个窗口,第一个写出发现,后三个读到,四份报告围着同一件事转。你付了四份钱,买到一个观点加三个回声。
code node 是最多人忘记存在的。合并、排序、去重、把导出前后对比一遍。这些都不是推理,每一个都有唯一正确答 案,几行代码的事。丢给模型只会加成本、加延迟、加方差。判断标准:如果你能不用判断、决定、评估、总结这几个词来描述这个转换,它就该是代码。
两条回边,大部分人只建了一条
correction edge 很短。gate 把一个单元打回给产出它的那一步,修的是这一趟。
learning edge 很长。被接受的结果回到 splitter 那里,变成一条约束,修的是之后每一趟。
几乎所有人只建第一条,跳过第二条。症状很好认:系统很快,但从来不变聪明。
第二条边带的不是输出本身,是从输出里提炼出来的约束。它落在 splitter 的 brief 里,不落在 worker 的指令里。一个被确认的成因,变成一条规则,下一次断裂从这次结束的地方开始。
返回路径上还有一个昂贵的错误:退单元,不退批次。四个切片移植完成,一个测试挂了。整批退回,三个正确的切片被重写,第二版不一样,但没更好,因为原来就没错。然后你重新验证四个,其中任何一个这次可能因为别的原因挂掉。一次失败变成四个不确定的结果。跑两遍,它就再也收敛不了。从外面看像模型反复失败,实际是返回路径在摧毁正确的工作。
退回一个单元要带清楚几样东西:哪个单元、判定为红、原因(test_auth_redirect failed)、证据(expected 302, got 200, handlers/auth.py:88)、范围(只改这个文件,别碰其他切片)。范围那行看着不起眼,少了它,被退回的单元会自己长大:agent 打开文件,顺手发现旁边两个问题,一起改了,你的一处修正变成没人审过的四文件 diff。另有一条:三次修不好就停。一个单元失败三次,问题在产出它的计划里,而 loop 看不见计划。
闸门按爆炸半径开
这条反常识。
多数方案会算一个置信度分数,设个阈值,过了就放行。置信度是那个决定里最弱的输入,理由简单到有点荒唐:它是模型唯一能施加影响的输入。真正强的变量是改错了会怎样。按撤销成本排:
可逆且局限,比如改文案、加测试、有覆盖率的孤立函数,错了 revert 一次,这条道可以最先开。可逆但面广,比如共享工具、schema 增加、十几个调用方都会碰的东西,闸门看确定性检查加干净的轨迹。难以撤销,比如迁移、删除、写生产数据、动钱,不管分数多高,这条道不开。
第三行没有阈值。区别在于阈值会被调低,关着的道不会被调开。
道开着的时候,闸门按顺序读证据:确定性结果、这一趟的运行轨迹、这个节点过去被回滚过几次,最后才是模型自己的评估。
人在哪?就放一个点:后果最高、可逆性最低的那一步。批准合并,决定哪些修复上线。不看中间输出,不确认每一步。人站在图的中间,就成了图里最慢的节点,整张图跑得跟一个人读东西一样快。
收尾
Hanako 把五层整理成了一门课,二十节,链接是 agent-layers.vercel.app,原推文在这里,delost 的那条在这里。
两份材料放一起看,脉络很清晰。模型能力是公共的,外面那六层是你自己的。同一个模型,壳一换,产出差一大截。争谁的模型分高,像争谁的发动机马力大,然后开着一辆没方向盘的车出门。
我见过不少人的日常,是人肉当第五层:每天读 diff、跑测试、点合并,然后抱怨 agent 不够聪明。这套东西确实把那个岗位挪到了最后一步。挪过去之后,你至少得知道自己批准的是什么。
发布时间: 2026-11-19 22:33