Anthropic Blogs：Harness Engineering 与 Context Engineering
0. 一句话
这些 Anthropic engineering posts 最有价值的共同点是：长任务 agent 的问题不只是“模型够不够聪明”，而是 context、tool use、evaluation、sandbox、permission 和 handoff 有没有被设计成一个稳定 runtime。
1. Context 会漂移，也会焦虑
Models tend to lose coherence on lengthy tasks as the context window fills. Some models also exhibit context anxiety: once they believe the context limit is close, they start wrapping up work too early.
Context reset 可以缓解这两个问题：清空 context window，启动一个 fresh agent，同时用 structured handoff 带上前一个 agent 的状态、已完成内容和下一步。重点不是“忘掉历史”，而是把历史压缩成新的工作入口。
2. Evaluator 要有具体标准
当 agent 评价自己产出的工作时，它很容易自信地表扬自己的结果，即使人看起来明显一般。所以 evaluator 不能只问：
Is this design beautiful?
更好的问题是：
Does this follow our principles for good design?
后者给 Claude 一个具体可评分的标准。为了减少 evaluator 的 score drift，还需要用 few-shot examples 和 detailed score breakdowns 校准偏好。
3. Generator / Evaluator loop
一个典型 harness 可以拆成三类角色：
-
planner：拆分任务、维护方向。
-
generator：根据用户提示生成 HTML / CSS / JS 或其他产物。
-
evaluator：用工具直接检查产物，并按标准给出反馈。
这里很关键的一点是 evaluator 不应该只看静态截图。比如前端任务里，可以给 evaluator Playwright MCP，让它直接打开页面、交互、截图、检查实现，再对每个标准评分和写 review。反馈再回到 generator，进入下一轮迭代。
每次生成可以跑 5 到 15 轮。真正有价值的 harness 不是堆更多 agent，而是用更少但更精准的 loop，撬开更高的任务上限。
4. Managed agents 的结构
| 组件 | 职责 | 不应该承担的职责 |
|---|---|---|
| Session | 记录所有发生过的事件，是 append-only durable log；用于恢复、审计、上下文回放 | 不直接决定如何压缩、筛选、组织上下文 |
| Harness / Brain | 驱动 agent loop；调用 Claude；解释 Claude 的 tool call；路由工具调用；做上下文工程 | 不持久保存关键状态；不直接持有 sandbox 资源或长期凭据 |
| Claude | 推理、规划、决定下一步动作、选择工具 | 不直接接触底层基础设施凭据 |
| Sandbox / Hands | 执行代码、编辑文件、运行命令、访问初始化后的资源 | 不保存 agent 主状态；不持有可让攻击者扩权的全局凭据 |
| Tool Interface | 把所有外部能力统一成 execute(name, input) → string | 不暴露具体执行环境实现细节 |
| Provisioning | 当需要 sandbox 时创建或重建执行环境，接口类似 provision({resources}) | 不要求每个 session 一开始就启动容器 |
| MCP Proxy / Tool Proxy | 代表 Claude 调用外部服务；从 vault 取凭据并执行调用 | 不把 OAuth token 暴露给 Claude、harness 或 sandbox |
| Credential Vault | 安全保存外部服务凭据 | 不把 token 放进生成代码能访问的环境变量里 |
这个表的核心是把 session、brain、hands、credential proxy 分清楚：
-
session 是持久化 log，用于重启 harness、审计和回放；它记录
emitEvent，但不负责决定下一步。 -
brain / harness 驱动 agent loop，调用 Claude，解释 tool call，并做 context engineering。
-
hands / sandbox 负责实际执行代码、编辑文件、运行命令，但不保存 agent 主状态。
-
tool interface 把所有外部能力抽象成
execute(name, input) -> string。 -
provisioning 只在需要时初始化或重建 sandbox。
-
MCP proxy / tool proxy 代表 Claude 调外部服务，但 token 留在 credential vault 里。
session 不等于 context。context 可以通过 getEvents() 从 session 里按需查询、压缩和组织。
5. Security：brain 和 sandbox 要解耦
安全链路里最重要的是：不要让 harness、Claude 或 sandbox 直接看到 OAuth token。需要外部服务时，通过 proxy 去 vault 里取凭据并执行调用。
这也解释了为什么 brain 和 sandbox 要解耦。sandbox 应该是可创建、可销毁、可重建的执行环境，而不是长期保存主状态或全局凭据的地方。
6. Takeaway
好的 agent harness 本质上是 multi-agent + multi-round iteration + runtime design。它要解决的不是“让模型多思考几步”，而是让上下文、评估、工具、安全边界和 handoff 都能在长任务里持续工作。
最后还要警惕一个常见问题：XY problem。用户提出的操作请求，可能只是解决更深层目标的一种假设路径；好的 harness 应该能在执行前把真实目标重新对齐。