驾驭工程：从 Claude Code 源码到 AI 编码最佳实践
作者通过分析 Claude Code 源码，生成了一本名为《驾驭工程》的中文技术书。该书涵盖了 AI 编码 Agent 的架构模式、上下文策略、权限体系等生产实践细节，旨在帮助开发者系统理解 Claude Code 的工程实现，并探索 AI 编程的最佳实践。
相关文档
Let's build Claude Code's harness (step-by-step)
本文深入解析了Claude Code的“harness”架构，解释了为何简单的模型调用不足以构建可靠的代码代理。作者通过CrewAI框架逐步重建了包括核心循环、工具管理、规划机制在内的关键组件，揭示了通过工程化手段弥补模型差距的方法。
一文搞懂 Agent Harness：如何给 AI 大脑装上身体
本文基于对 ShareAI 创始人新璐的访谈，深入解读了 Agent Harness 的核心概念与架构设计。文章指出，Harness 是模型之外赋予 AI 行动能力、记忆与协作能力的“身体”。通过剖析 Claude Code 的三层结构——执行层、记忆层与治理层，作者阐述了从“流程驱动”向“模型自主决策”转变的工程实践。文章强调，优秀的 Harness 应提供类 UNIX 的稳定环境与结构化的记忆机制，从而释放模型的潜能，使其成为真正的智能合作伙伴。
Model-Harness-Fit: 模型与协作框架的深度适配
本文深入探讨了“Model-Harness-Fit”（模型与协作框架的适配）这一概念。作者通过对比 Codex、Claude Code 和 GitHub Copilot SDK，指出模型在训练后与特定的工具界面、内存协议和规划机制深度绑定。仅更换模型而保留通用框架会导致性能显著下降。文章强调，模型本身的权重不再是唯一的护城河，与其配套的整个工程堆栈才是关键。
Agent 工程方法实践：Claude Code 与 OpenClaw 的深度对比
文章深入对比了 Claude Code 和 OpenClaw 两个 Agent 框架的工程实现。两者虽都采用 Agent = Model + Harness 的理念，但架构迥异：Claude Code 采用分层堆叠架构，服务于单线程深度编程场景，追求精确可控；OpenClaw 采用管道架构，面向多并发的生活场景，追求自主进化。文章从架构、循环、工具、指令、上下文、记忆等九个维度详细拆解了各自的工程设计权衡。
Agent 开发的惨痛教训：移除封装，拥抱原生
文章阐述了 Agent 开发中的“惨痛教训”：不应过度封装 LLM 及其工具。作者指出，通过提供最小化的辅助脚本（如 CDP 接口）和 SKILL.md，让 LLM 直接访问底层能力，能够显著提升其自主解决问题的能力。这种“自愈循环”机制使得 Agent 能在遇到缺失功能时自动编写代码修复，无需人工预设复杂的中间层。
Claude Code 源码背后的设计哲学：95% 代码都是 Harness
本文深入分析了泄露的 Claude Code 51 万行源码，指出其核心优势并非 LLM 模型本身，而是围绕模型构建的“Harness”工程体系。文章揭示了“先读后改”、“Fail-closed”、“四态权限管理”等设计原则，阐述了 Anthropic 如何通过上下文压缩、Prompt 编译优化和记忆系统，在承认模型局限性的基础上，通过架构约束实现了极高的准确性与安全性。
你不知道的 Claude Code：架构、治理与工程实践
本文基于作者深度使用 Claude Code 的实战经验，深入剖析了 Claude Code 的六层架构模型。文章详细阐述了上下文治理的成本构成与最佳实践，解释了 Skills、Hooks、Tools 和 Subagents 的区别与设计原则，并分享了如何利用 Prompt Caching 和 Plan Mode 优化系统性能与稳定性。
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。
如何构建成本降低 80% 的编码 Agent：Jev + Opus 5.5 完整架构
文章指出当前编码 Agent 在简单决策（如选择加载哪些笔记、任务路由、工具失败处理、测试优先级）上滥用昂贵的前沿大模型，造成成本浪费。作者提出三层架构：Opus 5.5 负责规划、写代码、调试等开放性推理；Jev（TypeSafe 出品，毫秒级响应、输入 $0.042/百万 token、输出免费）负责从固定选项中做小决策并返回概率；Harness 层构建选项、校验概率阈值并在低置信度时回退到 Opus。文章给出四个具体决策点及代码实现：按标题分块并用 Jev 并行评分筛选相关笔记（将 30k token 降至 6k）、任务路由、工具失败处理、测试优先级选择。实测一个功能开发会话成本从 $6.42 降至 $2.00，降低 69%，且架构可作为函数调用插入现有 Agent 循环，无需重写。
12 Agentic Harness Patterns From Claude Code
文章总结了 Claude Code 中十二种可复用的代理 Harness 设计模式，分为四大类：记忆与上下文（持久指令文件、范围化上下文组装、分层记忆、空闲整理、渐进式上下文压缩）、工作流与编排（探索-计划-执行循环、上下文隔离子代理、分叉-合并并行）、工具与权限（渐进式工具扩展、命令风险分类、单一职责工具设计）以及自动化（确定性生命周期钩子）。作者强调这些是架构层面的决策而非临时提示技巧，即使模型能力提升仍具价值。
从 Pi Durable 看 Harness 的演进
文章以 Pi coding agent 的 Durable 版本为切入点，拆解 Harness 架构的演进。传统 Harness 将持久化系统、agent loop 和执行环境耦合在同一个 Node.js 进程中并强依赖 VM，而 Durable 将持久化外置为 SQLite 存储、执行环境与操作系统解耦，并实现无损状态恢复，使 agent 可部署在 serverless 等更灵活的计算节点上。文章还介绍了 pi 的 MCP 原生支持、codemode（通过 QuickJS 批量调度工具）以及 server/client/protocol 分离等变化，最后设计了一套可扩展的长期 Harness 架构，目标是硬件资源消耗降低一个数量级。
如何为知识工作构建 Agentic 系统
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
