The Self-Healing Agent Harness
文章介绍了作者开发的“自愈 Agent Harness”系统，该系统通过 AI 代理实现了自动化评估和修复闭环。它包含三个核心组件：用于实时评分的三法官评审团、将低分转化为修复工单的工程管道，以及由 AI 评分控制发布的灰度发布机制。这一系统替代了传统的 QA 和人工审查，使团队能够在每天发布 3-8 次的高频节奏下，自动发现并修复模型幻觉、工具契约漂移或基础设施故障等问题。
相关文档
BestBlogs 早报 · 08-19：Claude Tag 值班、Agent 上下文成本实验与 AI Coding 四阶段
本期早报聚焦 AI 工程实践三大主题：一是 Anthropic 的 Claude Tag 作为 CI/CD 故障第一响应者，通过记忆、连接器、日程与 Skill 指令形成态势报告，中位 14 分钟发布首份有证据分析，并开源 oncall-kit；二是腾讯云开发者用实验检验 CodeGraph 与 RTK，发现单次输出缩短不等于整体成本下降，关键在于给对上下文而非少给；三是京东技术提出 AI Coding 工具、副驾、协作者、共生体四阶段框架，以验证成本决定人机分工。速览还包括 Google 智能体安全审查、LangSmith 自动评估器、水印合规等内容。
Harness Engineering 101: AI Agents 的核心基础设施
文章系统介绍了“Harness”的概念，即围绕 AI 模型管理工具执行、内存、状态和错误恢复的软件基础设施。通过对比 CPU 与 OS 的关系，阐述了 Harness 如何决定模型能力的边界。文章详细拆解了 Harness 的五大核心组件（上下文、工具权限、验证、记忆状态、安全沙箱），并分享了 Anthropic 和 OpenAI 的工程实践案例。
如何在 2026 年构建你的第一个 AI 循环
文章指出 AI 工程的杠杆点已从手动写提示词转向设计自动循环。通过引入 Slate 工具，文章详细演示了如何构建包含发现、执行、验证和迭代步骤的 AI 编程循环。涵盖了环境配置、技能定义、状态管理及队列文件的使用，旨在通过自动化闭环大幅减少人工干预，实现持续验证的任务完成机制。
Skill 工程化指南：解决不稳定与高 Token 消耗
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
如何在不修改模型或提示词的情况下提升编程智能体能力
文章介绍了一项关于 Agentic Harness Engineering (AHE) 的研究。该框架通过自动进化工具、中间件和记忆等 Harness 组件，在不修改底层模型或提示词的情况下，显著提升了编程智能体的性能。实验表明，AHE 在 Terminal-Bench 2 上将 pass@1 从 69.7% 提升至 77.0%，并在 SWE-bench-verified 上表现出更高的成本效率。研究还发现，仅依赖提示词优化反而会导致性能下降，而工具和中间件的进化才是性能提升的关键。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章探讨了 Claude Code 在处理数百万行级单体仓库及遗留系统时的成功模式。区别于传统 RAG 工具的嵌入索引滞后问题，Claude 采用本地代理式搜索实时导航。核心论点指出，工具链生态（CLAUDE.md、钩子、技能、LSP 集成等）的重要性远超模型本身。文章详细解析了七大扩展点，并建议通过渐进式配置与插件分发来提升在大型复杂代码库中的协作效率。
Harness Engineering: 为编程代理准备 TypeScript 代码库
本文探讨了在利用 Claude Code 和 Codex 等 AI 编程代理进行“氛围编程”时，如何构建高可维护性的 TypeScript 代码库。文章提出了“Harness Engineering”的概念，强调通过 Monorepo 结构、统一的 ESLint 配置、标准化的 Skill 文件夹结构以及详尽的 CLAUDE.md 文档，为 AI 代理提供明确的“行动线索”和约束机制，从而避免产生难以维护的“AI 垃圾代码”。
AI Agent Harness 解析：为何智能体在生产环境中会崩溃
文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。
Claude Code 团队如何进行代码评审
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
万字长文｜超详细的 GitHub 教程，从入门到精通·进阶篇
本文是 GitHub 教程的进阶篇，系统讲解了项目管理与协作的核心功能：Issues 的标签、里程碑、模板与自动关闭，PR 的 Draft、Review 流程和三种合并方式差异，冲突解决三步法，Projects 看板，Release 与语义化版本，Actions 的定时、手动触发、矩阵构建与缓存，GitHub CLI 常用命令，以及 Dependabot、密钥扫描、代码扫描等安全功能，并附 CODEOWNERS、Codespaces、Git 进阶命令等实用内容。
Agentic evals: 如何判断 AI Agent 是否真正完成了任务并保持可靠
本文面向构建基于 LLM 的 Agent 系统的工程师，讲解如何对 Agent 进行评估（Agentic Evals）。核心观点是：要评估 Agent 实际改变了什么，而非它说了什么。文章通过一个自行车店客服 Agent 的完整示例，展示五步评估法：编写带预期终态的任务、多次运行并保留完整轨迹、同时评估终态和路径、报告能力与可靠性两个数字、定位失败的第一步。文章还区分了单次回答模型与多步 Agent 在评估上的差异，强调没有可检验终态的任务不构成有效的评估，并讨论了模型作为评判者的可信度问题。
Evals: 如何判断 AI 系统是否真正有效
本文系统讲解了 AI 系统评估的基础知识，面向构建、购买或审批 LLM 应用的工程师、产品经理和管理者。文章以一个自行车商店客服助手为例，介绍评估的核心循环：收集带标准答案的输入、运行系统、用代码规则或模型裁判进行打分、生成带误差范围的指标。内容涵盖测试集与开发集的划分、失败模式分析、代码评分器与模型裁判的优劣、基准测试与评估的区别、以及如何将评估纳入日常开发流程，强调评分器本身也需要被检验。