以Harness视角——给Claude Code写顺口溜

最近线头比较多，比较忙碌，写个笔记，可能信息密度有点高。——笔者日常被批评信息密度高，写的东西读起来费劲。先打个预防针，毕竟高密度信息一旦多维度展开类似Decode结构，那就没完没了了。先上顺口溜：核心死循环，查询问不停，结果需分类，各自做回调。工具归一化，渐进式加载，业务特别大，交给子代理。本地用工具，封装上下文，沙箱保安全，Hook发通知。网页用工具，小心GEO，管理Task，写去重读相关。内容常压缩，笔记随手做，要丢Tool call细节，也压临时记忆。问题：Harness的概念没有被提出的时代——Claude Code做了什么？Claude Code在Harness的概念没有被提出的时候就已经开始写了，事实上，不是说时下有了Harness才有的Claude Code。再用human attention读过了感兴趣的Claude Code泄露之后（相关系列笔记可翻看本频道历史信息），要思考一个问题，在Harness的概念没有被提出的时代——Claude Code做了什么？于是就有了开篇的顺口溜。和LLM交互的基本方式——核心死循环，查询问不停简而言之，我们可以这样总结：大语言模型：原始模型推理模型：经过优化以输出中间推理轨迹并更多地进行自我验证的大语言模型智能体：使用模型加上工具、记忆和环境反馈的循环智能体工具集：围绕智能体的软件脚手架，负责管理上下文、工具使用、提示词、状态和控制流编码工具集：智能体工具集的一个特例；即用于软件工程的任务特定工具集，管理代码上下文、工具、执行和迭代反馈Subastian这张图可能准又不准。准：把LLM比喻成引擎的话。张雪没办法直接骑着引擎在赛道上开车，需要个agent——架子（汽车厂都这么叫，也就是车辆的地盘和外观）。从而去别出摩托和汽车。不准：LLM in agent harness，不局限于开车，还可以用来造车。也许你还记得中学物理讲过的吸压爆排——经典发动机四冲程，类似汽缸里边的那个轴承一样。对于大模型的查询，我们也希望限制在一个”做不工作不许下班“的“while ture”循环里。——毕竟工作永远做不完。核心死循环，查询问不停这也就解释了顺口溜的前10个字,。用图来表达，Google当年的Agent 白皮书可以很好的体现这一点。（图下一章开篇）用代码来表达，有Claude Code泄露备份的请去看queryloop函数。反应在OpenClaw里，就是不断的向控制平面发送新的消息，无论是定时任务，还是社交媒体上