想像一下，一個軟體團隊在做一個大項目，但有個奇怪的規定：每個工程師只能工作幾十分鐘，最多幾小時，幹完就要換一個新的工程師。所以讓這個團隊完成簡單項目任務還行，複雜一點需要長時間運行的項目，例如你讓它複製一個claude .ai，它就做不到。 這其實就是Coding Agent 的現況：沒有記憶，上下文視窗長度有限。所以要它執行長時間任務，它還做不好。 Anthropic 的這篇部落格：《Effective harnesses for long-running agents》，專門討論如何讓Agent 在跨越多個上下文視窗時依然能持續推進任務。 先看Agent 在長任務中遇到的主要問題是什麼？ 主要三種： 第一種叫一口氣幹太多。例如你讓Agent 克隆一個claude .ai 這樣的網站，它會試圖一次搞定整個應用程式。結果上下文還沒用完，功能寫了一半，程式碼亂成一鍋粥。下一個會話進來，面對半成品只能做瞪眼，花很多時間猜測前面到底做了什麼。 第二種叫過早宣布勝利。專案做了一部分，後來的Agent 看看環境，覺得好像差不多了，就直接收工。功能缺一大堆也不管。 第三種叫測試敷衍。 Agent 改完程式碼，跑幾個單元測試或curl 一下介面就覺得萬事大吉，根本沒有像真實使用者那樣端到端走一遍流程。 這三種失敗模式的共同點是Agent 不知道全局目標，也不知道該在哪裡停下來、該留下什麼給下一位。 那麼Anthropic 的解決方案是什麼呢？ 其實就是軟體工程的一些現成的解決方案：引入類似人類團隊的分工協作機制，將複雜任務拆解成小的可追蹤驗證的任務，清晰的交接機制，並嚴格驗證任務結果 一個初始化Agent，它只在專案啟動時出場一次，任務是搭好專案運行環境：有點像架構師的角色，寫一個init .sh 腳本方便後續啟動開發伺服器，建立一個claude-progress.txt 記錄進度，做第一次git 提交，最關鍵的是產生一份功能清單。 這份功能清單有多細？在克隆claude .ai 的案例中，列了超過200 個具體功能，例如用戶能開啟新對話、輸入問題、按回車、看到AI 回覆。每一條初始狀態都標示為失敗，後續Agent 必須逐一驗證通過才能改成成功。 而且這裡有個細節，這個清單不是用Markdown 來寫的，是一個JSON 數組，因為Anthropic 實驗發現，相較於Markdown，模型在處理JSON 時更不容易隨意篡改或覆蓋檔案。 另一個是編碼Agent。初始化專案後，後續就是它工作了，核心行為準則只有兩個：一次只做一個功能，做完要留下乾淨的環境。 什麼叫乾淨的環境？想像你往主分支提交程式碼的標準：沒有嚴重bug，程式碼整齊有文檔，下一個人接手能直接開始新功能，不用先替你收拾爛攤子。 每次開工前，它先做幾件事： – 執行pwd 看看自己在哪個目錄– 讀Git 日誌和進度文件，搞清楚上一輪乾了啥– 看功能清單，挑一個最高優先級的未完成功能– 跑一遍基礎測試，確保App 還能用 然後專心做一個功能，做完後： – 寫清楚的Git commit message – 更新claude-progress.txt – 只改功能清單裡的狀態字段，絕不刪改需求本身 這個設計的巧妙之處在於，它把「記憶」外化成了文件和Git 歷史。每一輪的Agent 不需要依賴上下文視窗裡的碎片訊息，而是模仿可靠的人類工程師每天上班會做的事。先同步進度，確認環境正常，再動手工作。 測試環節的改進值得單獨說。 原來Agent 只會用程式碼層面的方式驗證，例如跑單元測試或調接口。問題是很多bug 只有使用者真正操作頁面時才會暴露。 解決方案是給Agent 配上瀏覽器自動化工具，例如Puppeteer MCP。 Agent 現在能像真人一樣開啟瀏覽器、點按鈕、填表單、看頁面渲染結果。 Anthropic 放了一張動圖，展示Agent 測試克隆版claude .ai 時自己截的圖，確實是在像使用者一樣操作。 這一招大幅提升了功能驗證的準確率。當然也有邊界，例如瀏覽器原生的alert 彈跳窗，Puppeteer 捕捉不到，依賴彈跳窗的功能就容易出bug。 這套方案還留了一些開放性問題。 例如，到底是一個通用Agent 全包好，還是搞專業分工？讓測試Agent 專門測，程式碼清理Agent 專門收拾，也許效果更好。 再例如，這套經驗是針對全端Web 開發優化的，能不能遷移到科學研究或金融建模這類長週期任務？應該可以，但需要實驗驗證。 響馬@xicilion 說： > ai 的盡頭依舊是軟體工程。 AI Agent 也不是魔法，它一樣需要從人類軟體工程中汲取經驗，它也需要將複雜的任務分解成簡單的任務，要有一個結構化的工作環境和清晰的交接機制。 人類工程師為什麼能跨團隊、跨時區協作？因為有Git、有文件、有Code Review、有測試。 AI Agent 要長時間自主工作，也要把這些東西搬過來。 Anthropic 的方案，不過是把軟體工程的最佳實踐變成了Agent 能理解的提示字和工具鏈。不是讓模型變得更聰明，而是給它更好的腳手架。 Anthropic 的想法值得借鏡。無論你用的是Claude、GPT 或別的模型，在設計多輪長任務時，都要想清楚，怎麼讓下一輪的Agent 快速進入狀態，怎麼避免它重複造輪子或把程式碼搞成一團亂麻。即使是單輪任務，也要清楚它是沒有記憶的，你需要透過外部文件來幫助它「想起來」之前做過的事。 以現在模型的能力，Coding Agent 已經能做很多事情了，核心還是在於你是不是能像軟體工程中那樣，去分解好任務，設計好工作的流程。 原文：Effective harnesses for long-running agents https://t.co/tERUGrV9wC 翻譯：
文章中說的任務清單就算是全域context的一種，只是全域context一樣沒辦法太長，不然執行任務的上下文視窗就不夠用了