本文对比了 Pi Durable 与 OpenCode 两种编程 Harness 架构。传统 Harness（如 Claude Code、Codex、OpenCode）采用会话式架构：运行中的 Agent Loop 驱动模型调用与工具执行。Pi Durable 则将模型生成、工具调用、压缩及应用工作全部建模为持久化任务，由调度器基于存储状态决定执行，实现崩溃恢复与进程解耦。文章从五个维度展开：Agent Loop 序列化到存储、工作可调度、应用状态与对话的原子绑定、压缩移出关键路径、以任务图形式实现委托协作，展示了持久化任务架构带来的全新 Harness 能力。
文章探讨编码智能体架构的演进：单会话聊天窗口已无法承载日益庞大的智能体任务。作者总结了六大新兴架构模式，重点阐述三种：主智能体正在转变为编排者，通过委派子智能体完成工作（如 OpenAI Agents API、Cursor Projects、GitHub Copilot、Gemini CLI）；子智能体作为临时隔离的工作单元，可在独立沙盒或 worktree 中运行，随需启停；工作状态正从智能体会话中迁移到外部系统（Git、知识库、共享记忆等），使工作可以超越单个会话的生命周期。文章认为更大系统而非单个会话正在决定智能体智能的运用方式。
文章分析了 OpenAI Agents API、Anthropic Claude Managed Agents、AWS AgentCore Harness 和 Microsoft Foundry Agent Service 等托管式 Agent 基础设施的共同架构趋势。前沿实验室主张模型与 harness（代理执行框架）协同构建，以获得更好的效果。文中总结了四个关键模式：将 Agent 声明式资源化、为 Agent 引入版本化发布工程（含 A/B 测试）、在会话内动态选择模型实现解耦、以及将工具移出 Agent 之外的共享基础设施（MCP、Toolbox、Gateway）。作者提出开发者需要思考两个问题：应保留多少 Agent 循环的控制权，以及 harness 是否必须来自模型提供商。
文章探讨了构建软件工厂时最困难的问题之一：如何将人类语言描述的大型目标拆解为代理可执行的具体工作。作者梳理了五种逐步演进的方法：直接委派子代理（如 Claude Code、Codex）、可追踪任务系统（如 Gemini CLI、OpenAI Symphony）、工厂形态的工作结构（如 Warp）、结果关联的工作（如 Factory 的 Missions），以及动态工作图。作者指出，随着代理日益自主，系统本身需要围绕模型构建自己的智能来塑形、追踪和修正工作，这是软件工厂区别于普通代理框架的关键，也是当今 AI 领域最有趣创新的方向。
