文章探讨了 LLM 与 Harness（智能体外壳）之间的动态博弈。作者回顾了工具编排的四代演进：从 Function Calling、Tool Search、Code Mode 到 Model-native Code Execution。以 OpenCode 2 接入 GPT-6 Astra 后模型绕过定制解释层、直接写原生 Python 为例，指出前沿模型已将编程能力内化为默认行动策略，强行约束是逆着模型行事。架构思路因此从编排层变薄、控制层变厚迁移：权限拦截、可观测性、状态管理等责任转移至外部系统。作者还分析 Harness 难以自进化的原因——缺乏廉价反馈与客观评估标准。结论是 Harness 设计须保持动态滑动边界，模型已内化的能力果断让渡，控制面继续完善。
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
