全部播客 
深度解读
深度解读：Agent Harness 框架 — OpenAI 与 Anthropic 的实践
深度拆解 Harness Engineering 框架：OpenAI 如何用 Codex 实现 0 行手动代码生成 100 万行项目，Anthropic 如何解决长周期代理的上下文丢失问题。揭秘三大核心组件：上下文工程、架构约束、垃圾回收机制。
AI编程Harness EngineeringOpenAIAnthropicCodex
0:00 12:30
在以下平台收听
📝 Show Notes
🎯 🎯 核心概念
- Harness Engineering：从以人为中心到以代理为先的范式转变
- 人类掌舵，代理执行 — 工程师角色的彻底重构
- 上下文是稀缺资源：给代理一张地图，而不是一本千页说明书
🔧 🔧 三大核心组件
- 上下文工程：结构化知识库 + 动态上下文 + 渐进式披露
- 架构约束：机械化强制执行 + 单向依赖 + AI 友好设计
- 垃圾回收：自动化重构 + 技术债务持续偿还 + 反馈循环
💡 💡 OpenAI Codex 实践
- 5 个月构建 100 万行代码，0 行手动编写
- 3 名工程师，平均每人每天 3.5 个 PR
- 代理可访问 Chrome DevTools、LogQL、PromQL 等动态上下文
🚀 🚀 Anthropic 长周期代理
- 初始化代理：设置环境 + feature_list.json 任务分解
- 编码代理：逐步完成任务 + Puppeteer 端到端测试
- 外部化记忆：Git 日志 + claude-progress.txt 持续跟踪
🎓 🎓 关键洞察
- 软件工程重心从「编写代码」转向「构建环境」
- 可观测性从运维需求提升为开发前置需求
- 技术债务必须高频、小额持续偿还，不能等到崩盘
- 验证驱动进度：外部化任务跟踪 + 自动化测试闭环
💡 核心纪要
Harness Engineering
为 AI 代理构建结构化、可控工作环境的工程方法论
上下文工程
通过结构化知识库和动态上下文，让代理高效理解项目背景
架构约束
机械化强制执行的架构规则，防止代码库混乱和漂移
垃圾回收
自动化识别和纠正代码库中的不一致和次优模式
feature_list.json
Anthropic 用于任务分解和进度跟踪的核心文件
📬
订阅播客速递
每周一封，不错过好内容
📬
想听什么？
告诉我你最感兴趣的话题，也许下期就是为你量身定做的