在開(kāi)發(fā)者的日常工作中，AIAgent（智能體）的執(zhí)行穩(wěn)定性是一個(gè)核心難題。一年前，如果要求AI獨(dú)立完成一個(gè)音樂(lè)創(chuàng)作軟件的開(kāi)發(fā)，系統(tǒng)可能在運(yùn)行20分鐘后便因執(zhí)行任務(wù)壓力過(guò)大或指令混亂而停止。隨著模型能力的演進(jìn)，AI已經(jīng)能夠處理長(zhǎng)達(dá)數(shù)小時(shí)甚至數(shù)天的復(fù)雜任務(wù)。實(shí)現(xiàn)這一跨越，不僅僅依賴于模型本身的進(jìn)化，更取決于開(kāi)發(fā)者對(duì)工程腳手架（Harness）的迭代與取舍。

在ClaudeCode發(fā)布之初，Agent主要面臨三大局限性，導(dǎo)致它們難以實(shí)現(xiàn)長(zhǎng)時(shí)間的連續(xù)工作：

輸出判斷缺失：模型往往難以客觀評(píng)估自身的產(chǎn)出，容易迎合用戶的預(yù)期而非事實(shí)。即便功能僅實(shí)現(xiàn)了一小部分，AI也可能判定任務(wù)已完成，導(dǎo)致后續(xù)步驟建立在錯(cuò)誤的基礎(chǔ)之上。

經(jīng)過(guò)過(guò)去一年多的版本迭代，Anthropic通過(guò)多項(xiàng)技術(shù)優(yōu)化解決了上述痛點(diǎn)：

架構(gòu)升級(jí)：從Claude3.7到4.6，模型在編程能力與任務(wù)規(guī)劃上實(shí)現(xiàn)了顯著提升，任務(wù)執(zhí)行時(shí)長(zhǎng)由起初的1小時(shí)躍升至12小時(shí)以上。

檢查點(diǎn)機(jī)制：引入檢查點(diǎn)持續(xù)跟蹤代碼演變，支持在出現(xiàn)偏差時(shí)回退到之前的狀態(tài)，確保大流程的可控性。

為了防止模型“自欺欺人”，工程師設(shè)計(jì)了一套生成器與評(píng)估器的對(duì)抗循環(huán)機(jī)制，以模擬真實(shí)開(kāi)發(fā)環(huán)境中的質(zhì)檢流程：

角色拆解：系統(tǒng)將工作拆分為“生成器（Generator）”與“評(píng)估器（Evaluator）”兩個(gè)角色。評(píng)估器不僅僅是查看代碼，它會(huì)利用自動(dòng)化工具（如Playwright）在真實(shí)瀏覽器環(huán)境中運(yùn)行應(yīng)用，模擬用戶交互并根據(jù)評(píng)分標(biāo)準(zhǔn)進(jìn)行客觀打分。

契約化交付：在生成代碼前，生成器與評(píng)估器會(huì)協(xié)商并制定明確的“完成契約（Contract）”。評(píng)估器將依據(jù)這些具體的契約而非模糊的規(guī)格說(shuō)明進(jìn)行評(píng)分。一旦某項(xiàng)功能未能通過(guò)測(cè)試，評(píng)估器會(huì)給出具體的修改意見(jiàn)，促使生成器進(jìn)行針對(duì)性調(diào)整。

抗錯(cuò)能力：若模型在多輪迭代后仍無(wú)法滿足評(píng)分標(biāo)準(zhǔn)，對(duì)抗式機(jī)制允許Agent推翻當(dāng)前方案并從頭嘗試，這種容錯(cuò)與重試能力是傳統(tǒng)單一循環(huán)所不具備的。

隨著模型智能水平的提高，工程架構(gòu)也應(yīng)隨之精簡(jiǎn)。部分過(guò)去被視為必要的復(fù)雜組件，在最新模型版本下反而增加了維護(hù)成本：

深入分析運(yùn)行軌跡：調(diào)試的核心手段在于讀寫日志。通過(guò)分析Agent的運(yùn)行軌跡（Traces），開(kāi)發(fā)者能夠直接定位AI在判斷邏輯上與人類預(yù)期的不一致處，并針對(duì)性地調(diào)整提示詞（Prompt）與系統(tǒng)指令，而非盲目地堆砌實(shí)驗(yàn)次數(shù)。

在構(gòu)建長(zhǎng)時(shí)運(yùn)行Agent時(shí)，Anthropic的應(yīng)用團(tuán)隊(duì)提出了幾項(xiàng)核心建議，旨在提升系統(tǒng)可靠性：

對(duì)抗式評(píng)估是關(guān)鍵：避免依賴模型自評(píng)，配置一個(gè)獨(dú)立的、具備對(duì)抗性的評(píng)估器，能有效識(shí)別出代碼的邊界情況與邏輯漏洞。

明確評(píng)分標(biāo)準(zhǔn)：主觀質(zhì)量可以量化。通過(guò)制定明確的設(shè)計(jì)、工藝與功能性評(píng)分維度，能夠逼迫模型向高質(zhì)量產(chǎn)出收斂。

重視自動(dòng)化測(cè)試：在開(kāi)發(fā)全棧應(yīng)用時(shí)，應(yīng)將Puppeteer等自動(dòng)化測(cè)試工具集成至評(píng)估循環(huán)中。模型只有在真正“操作”并運(yùn)行應(yīng)用后，才能抓到那些CI系統(tǒng)容易漏掉的邏輯Bug。

目前，這一套工程架構(gòu)已能夠支持復(fù)雜應(yīng)用的構(gòu)建，例如音樂(lè)創(chuàng)作輔助工具或游戲制作器等。雖然這一過(guò)程依然伴隨著較高的算力消耗與成本，但對(duì)于復(fù)雜任務(wù)的自動(dòng)化與高可靠性產(chǎn)出，這種工程化的約束是不可或缺的。

未來(lái)，隨著前沿模型的繼續(xù)演進(jìn)，這些復(fù)雜的工程腳手架或許會(huì)進(jìn)一步精簡(jiǎn)。但其背后所體現(xiàn)的“契約化拆解”、“對(duì)抗式評(píng)估”與“運(yùn)行軌跡分析”的工程思維，將持續(xù)作為開(kāi)發(fā)者馴服AI、確保其在復(fù)雜任務(wù)中保持穩(wěn)定輸出的核心邏輯。