来自Claude Code源码的12种Harness设计模式

12个Harness设计模式。

Python_金钱豹

474人浏览 · 2026-04-16 21:47:00

Python_金钱豹 · 2026-04-16 21:47:00 发布

12个Harness设计模式。

这 12 个模式分为四类：**Memory & Context（记忆与上下文）、****Workflow & Orchestration（工作流与编排）、****Tools & Permissions（工具与权限）、**Automation（自动化）。

阅读时间 15分钟

Part 1 Memory & Context：记忆与上下文

这一部分有 5 个模式，层层递进：从给 Agent 一个静态规则文件，到按目录作用域加载规则，到把记忆分层管理，到后台自动清理记忆，到对话太长时压缩上下文。

1 持久化指令文件模式（Persistent Instruction File Pattern）

没有持久化指令文件的话，每次开新会话 Agent 都是一张白纸。用户得重复说一遍又一遍的规范、命令、边界。第五次会话犯的错误，和第一次一模一样。

这个模式在项目级别放一个配置文件，每次启动时自动加载。文件里定义构建命令、测试命令、架构规范、命名规则、编码标准。它跟着代码仓库走，不在用户的剪贴板里。

**适用场景：**Agent 在多个会话里持续处理同一个代码库。

**代价：**维护成本——文件得跟着项目演进走，文件一旦过时，教的全是错误规则，还不如没有。

2 作用域上下文组装模式（Scoped Context Assembly Pattern）

小项目用一个指令文件就够了。代码库大了，一个文件要么变成没人看的巨无霸，要么太通用对任何具体目录都没用。

这个模式从多个作用域动态加载指令：组织级、用户级、仓库根目录、父目录、子目录。Agent 在哪个目录工作，就看到对应的规则。通过 import 语法可以把大指令集拆到多个文件里，避免重复。

**适用场景：**monorepo、多语言项目、不同目录有不同规范的代码库。

**代价：**可发现性差——指令散在很多文件里，Agent 到底看到了什么越来越难搞清楚。不同作用域的规则冲突时，会产生意想不到的行为。

3 分层记忆模式（Tiered Memory Pattern）

Agent 什么都用同一种方式记，结果什么都记不好。把所有记忆每次都塞进上下文窗口，浪费 token、上限卡死、有用的信息全埋在噪声里。

这个模式把 Agent 记忆分成不同层级，每层用不同加载策略。紧凑的索引（Claude Code 里上限 200 行）始终留在上下文里。主题相关的文件在当前任务匹配时按需加载。完整会话记录存在磁盘上，只在需要时搜索。这次泄露代码的一份详细分析确认了这个三层设计。

**适用场景：**Agent 跨多个会话运行，需要保留偏好、决策、工作流状态。

**代价：**复杂度增加——什么时候放哪层、在层之间升级还是降级、索引和底层文件怎么保持同步，这些都不好决策。

4 梦境整合模式（Dream Consolidation Pattern）

即使有分层记忆，Agent 的记忆还是会随时间退化。重复条目越积越多，过时的事实和新事实矛盾，索引膨胀到不再紧凑。

这个模式在空闲时间运行一个后台进程，定期审查、去重、修剪、重组织 Agent 记忆。可以理解为 Agent 状态的垃圾回收。泄露代码里有一个"autoDream"模式，合并重复项、修剪矛盾项、保持索引紧凑。另一份分析发现了 8 个记忆管理阶段和 5 种上下文压缩类型。

**适用场景：**Agent 在很多会话里积累记忆，不能依赖用户手动整理。

**代价：**整合过程本身消耗 token，也可能会出错。修剪太激进的话，可能把用户还需要的东西删掉。

5 渐进式上下文压缩模式（Progressive Context Compaction Pattern）

长会话最终会碰到上下文窗口上限。Agent 要么丢掉最早的上下文，要么直接停止工作。对需要跨很多轮持续推理的任务来说，两种都不能接受。

这个模式对不同"年龄"的对话内容应用多阶段压缩。最近的轮次保持完整细节，稍老的轮次轻度摘要，很老的轮次激进折叠。泄露代码用了四层：HISTORY_SNIP、Microcompact、CONTEXT_COLLAPSE、Autocompact，每层都比上一层更激进。

**适用场景：**会话经常超过 20-30 轮。

**代价：**有损压缩——每步摘要都会丢失细节，如果 Agent 后面需要从已压缩段落里找东西，它可能编一个而不是承认忘了。

Part 2 Workflow & Orchestration：工作流与编排

这里的主题是**分离：**读和写分离、研究上下文和编辑上下文分离、串行工作和并行工作分离。这些模式重要是因为大多数 Agent 默认行为是把所有东西混在一起，任务越做越大时质量就会下降。

6 探索-计划-执行循环模式（Explore-Plan-Act Loop Pattern）

Agent 上来就直接改文件，是在不完整理解的基础上做决策。结果是改错文件、漏依赖、忽略已有模式。

这个模式把工作流分成三阶段，写权限逐步放开。探索阶段 Agent 只能读、搜、画代码库地图。计划阶段 Agent 和用户讨论方案。只有到了执行阶段才开放完整工具权限。泄露代码里有明确的 plan 和 act 阶段，系统 prompt 引导 Agent 在理解代码库之前不要编辑。

**适用场景：**任务涉及不熟悉的代码库，或者需要跨多个文件做非平凡改动。

**代价：**速度——强制探索和计划增加了 Agent 产出之前的轮次，对简单任务来说感觉慢。

7 上下文隔离子 Agent 模式（Context-Isolated Subagents Pattern）

长 agentic 会话里，上下文窗口积累所有东西：研究结果、计划讨论、代码改动、测试输出、错误日志。等 Agent 深陷编辑时，上下文中全是前面阶段的无关材料。

这个模式用独立的上下文窗口、系统 prompt、受限工具访问来运行不同的 Agent。研究 Agent 不能编辑代码。计划 Agent 不能执行命令。每个子 Agent 只看到自己任务需要的东西。

**适用场景：**会话很长、多阶段、或者任务上下文需求差异很大。

**代价：**协调成本——主 Agent 得决定传给每个子 Agent 什么，前面阶段的细节可能在交接中丢失。

8 Fork-Join 并行模式（Fork-Join Parallelism Pattern）

大任务如果能拆成独立单元，但 Agent 一次只能做一个，还是得串行执行。20 个文件的迁移要 20 个串行步骤，即使大多数文件之间没有依赖关系。

这个模式并行生成多个子 Agent，每个在隔离的 git worktree 里工作，对仓库的独立副本操作。父 Agent 的缓存上下文被每个 fork 复用，使得并行分支在 token 消耗上基本为零。结果在所有分支完成后合并。

**适用场景：**任务可以分解成互不依赖的独立单元。

**代价：**合并复杂度——并行分支碰到重叠文件时，合并可能产生冲突，比串行工作更难解决。

Part 3 Tools & Permissions：工具与权限

如果说记忆模式关乎 Agent 知道什么，工作流模式关乎 Agent **怎么工作，**这些模式则关乎 Agent 被允许做什么。泄露代码展示的工具设计和权限粒度，远超大多数 Agent 框架目前的实现水平。

9 渐进式工具扩展模式（Progressive Tool Expansion Pattern）

一下子给 Agent 所有工具访问权会造成选择困难。60 个工具摆在那，模型花大量时间决定用哪个，选错的概率也更高。

这个模式从一个小的默认集合开始（Claude Code 里少于 20 个工具），按需激活额外工具。Agent 起步只有 Read、Edit、Write、Bash、Grep、Glob 等几个。MCP 工具、远程工具、自定义技能只在需要时激活。

**适用场景：**Agent 有很多工具，但大多数任务只需要其中几个。

**代价：**扩展逻辑增加复杂度——harness 得决定什么时候激活工具，激活太晚 Agent 白白浪费轮次而没有对应能力。

10 命令风险分类模式（Command Risk Classification Pattern）

让 Agent 不经检查就运行任意 shell 命令是危险的。但让用户每次都批准命令又会让人疲劳，最后用户看见"是"就点。

这个模式在执行前应用确定性预解析和按工具的权限门控。每个工具有独立的 allow、ask、deny 规则加模式匹配。shell 命令经过一个分类层，解析动词、标志、目标来评估风险。代码里找到的 auto-mode 分类器自动批准低风险操作，对危险内容保留安全分类器。

**适用场景：**Agent 可以执行 shell 命令或和外部系统交互。

**代价：**刚性——确定性分类器无法预见每个安全或危险的命令，规则需要持续调优。

11 单用途工具设计模式（Single-Purpose Tool Design Pattern）

Agent 把每个文件操作都经由通用 shell（cat、sed、grep、find），命令难审核、难授权、模型也难用对。sed 编辑文件的命令和破坏文件的命令结构上看起来一模一样。

这个模式用专用工具替代通用 shell：FileReadTool、FileEditTool、GrepTool、GlobTool。每个工具有类型化输入、有限作用域、自己的权限规则。Raschka 明确指出：harness 提供"预定义工具，有验证过的输入和清晰边界"，而不是允许即兴命令。

**适用场景：**Agent 频繁执行常见文件和搜索操作。

**代价：**灵活性——专用工具覆盖不了所有边界情况，所以还是需要一个通用 shell 作为兜底。

Part 4 Automation：自动化

最后一个模式独立存在，因为它横跨所有其他类别。它解决的问题对记忆、工作流、工具都一样：模型靠不住，不能依赖它记住每次都必须执行的程序性步骤。

12 确定性生命周期钩子模式（Deterministic Lifecycle Hooks Pattern）

有些动作每次都必须执行，没有例外：每次改文件后运行格式化程序、执行前验证命令、切换工作目录后重新加载配置。靠模型通过 prompt 指令记住这些是不可靠的。模型会忘、会跳、会根据上下文压力重新解释指令。

这个模式在 Agent 生命周期的特定节点自动运行 shell 命令或其他动作，完全在 prompt 之外。泄露代码包含 25+ 个钩子点，如 PreToolUse、PostToolUse、SessionStart、CwdChanged。凡是每次都要执行的东西，放到钩子里，不要放在指令里。

**适用场景：**有永远不该跳过的恒定行为。

**代价：**调试难度——钩子里出问题比 prompt 级别指令更难诊断，因为钩子跑在对话之外。

Takeaway

我认为这些模式不是临时技巧或产品特性。它们是 Agentic Harness 设计的基石。记忆分层、上下文压缩、权限门控、生命周期钩子：这些架构决策不会随着底层模型和工具的演进而过时。

Claude Code 泄露让我们难得地看到这些模式在生产级 Agent 里是怎么实现的，代码可能过期，但是模式永恒！

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～