# 策展 · X (Twitter) 🔥🔥
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 作者：Codez (@0xCodez) · 平台：X (Twitter) · 日期：2026-06-17
> 原始來源：https://x.com/0xCodez/status/2066867539305459732
## 中文摘要
# 使用 Claude 進行 Agentic 程式開發的 harness 工程：從單一 Agent 到自我優化系統的 14 步路線圖。
每個人都在談論循環（loop），但幾乎沒人談論這些循環是在什麼基礎上運作的。每 10 個開發者中就有 9 個在預設的 harness 上運行 Claude Code——沒有規則、沒有 subagent、沒有 hook、沒有記憶。
然後他們會納悶為什麼他們的循環產出的全是垃圾。事實很簡單：循環的品質取決於底層的 harness。這是一份通往 harness 的 14 步路線圖——從單一 Agent 到一個能自我優化的系統。
> 追蹤我的 Substack 以獲取最新的 AI 資訊：movez.substack.com
循環工程（Loop engineering）——建立一個按排程提示 Agent 的系統——是本月最受關注的話題。但撰寫這篇長文的 Addy Osmani 很謹慎地指出了循環底下的東西：
「循環工程位於 harness 的上一層。Harness 是單一 Agent 運作的環境。循環本身就是 harness，但它是在計時器上運作、產生輔助工具，並自我供給。」
Harness 工程就是設計那個環境：模型、工具、權限、context、記憶。
這是最不起眼的一層，但它決定了上面的一切是否能運作。在糟糕的 harness 上運行出色的循環，只是快速大量生產垃圾的捷徑。
展開畫面重點
該圖表標題為「Three floors, one foundation」（三層樓，一個地基），詳細內容如下：
1. 第一層（頂層）：
- 標題：SELF-IMPROVING SYSTEM（自我改進系統）
- 說明：memory compounds - skills sharpen - the system gets better every run（記憶累積、技能磨練，系統在每次執行後變得更好）
2. 第二層（中層）：
- 標題：THE LOOP（循環機制）
- 說明：prompts the agent on a timer - spawns helpers - feeds itself（定時提示代理程式、生成輔助工具、自我供給）
3. 第三層（底層，黑色背景）：
- 標題：THE HARNESS · THE FOUNDATION（控制與基礎）
- 內容項目：model - tools - permissions - context - subagents - hooks - memory
- 說明：the environment one agent runs inside - everything above stands on this（代理程式運行的環境，上述所有層級皆建立於此）
展開畫面重點
此圖表描述了一個代理程式架構的運作流程，包含以下組件與文字：
- 頂層：User / App（發出 request，接收 response）。
- Agent Harness（外框）：包含 Context manager、Permission & guardrails、State & memory 以及底部的 Observability。
- Agentic Loop / Orchestrator（核心區塊）：
- LLM / Model (inference only)：發出 tool call request 給 Tool Executor，若失敗則進入 Retry & error handler。
- Tool Executor (execution only)：執行外部呼叫（executes call）至 External Tools & APIs，並將結果（tool result）回傳給 LLM，若需核准則進入 Human-in-the-loop。
- 外部組件：External Tools & APIs。
圖表重點在於展示 AI 代理程式如何透過編排器（Orchestrator）協調模型推理、工具執行、狀態管理以及人機協作（Human-in-the-loop）的完整迴圈。
展開畫面重點
該圖表以「Harness」為中心，透過雙向箭頭與四個周邊模組進行連結，呈現系統的運作架構：
1. **Harness**：位於中心，圖示為一個放射狀的星形符號。
2. **Tools + Resources / MCP**：位於上方，圖示為一個公事包。
3. **Session**：位於左側，圖示為兩個勾選符號。
4. **Sandbox**：位於右側，圖示為終端機指令提示符號「>_」。
5. **Orchestration**：位於下方，圖示為節點連結的流程圖符號。
圖中所有模組與中心 Harness 之間均以實線箭頭與虛線箭頭表示雙向的資料或指令傳輸路徑。
展開畫面重點
圖片呈現了一個樹狀目錄結構，旨在說明如何組織檔案以提供 AI 系統（如 Claude Code）所需的上下文資訊。結構分為四個層級：
- **Level 0 (根目錄):** 包含 `CLAUDE.md`，定義了 Sarah 的個人工作風格與溝通偏好。
- **Level 1 (Acme 目錄):** 包含 `CLAUDE.md`，說明公司業務、Sarah 的角色及其團隊資訊。
- **Level 2 (部門層級):** 如 Marketing、Finance、Operations、Product，各部門目錄下均有 `CLAUDE.md`，分別定義品牌語調、預算結構、供應商管理及產品規格等資訊。
- **Level 3 (專案層級):** 如 Q1 Campaign、2026 Budget、Office Move，為具體的活躍專案提供目標、預算與關鍵日期等細節。
此外，部分目錄（如 Past Campaigns、Brand Assets）作為參考資料夾，不包含 `CLAUDE.md` 檔案。整體架構透過在不同深度配置 `CLAUDE.md`，讓 AI 能根據當前操作的目錄層級，自動獲取對應的背景知識。
展開畫面重點
圖中左側顯示一個名為「anthropic_brand/」的目錄結構，包含以下檔案：
- SKILL.md
- docs.md
- slide-decks.md
- apply_template.py
右側詳細展示了「anthropic/brand_style/SKILL.md」的檔案內容，分為兩個部分：
1. YAML Fontmatter：
- name: Anthropic Brand Style Guidelines
- description: Applies Anthropic's official brand colors and typography to PowerPoint presentations
2. Markdown (Freeform Content)：
- ## Overview：本技能提供 PowerPoint 簡報的官方品牌識別資源，包含預設品牌模板與應用樣式的工具。
- ## Colors：
- Main Colors:
- Dark: `#141413` - Primary text and dark backgrounds
- Light: `#faf9f5` - Light backgrounds and text on dark
- Light Gray: `#e8e6dc` - Subtle backgrounds
- ### Typography：
- Headings: Poppins (with Arial fallback)
- Body Text: Lora (with Georgia fallback)
該圖解說明了如何將結構化的元數據（Metadata）與自由格式的內容（Freeform Content）結合，以定義特定功能的「技能」。
展開畫面重點
該圖表描述了當 Claude Code 執行 Bash 指令（例如 `rm -rf /tmp/build`）時，系統如何透過攔截機制進行權限控管。流程如下：
1. 起始點：Claude 執行 Bash 指令。
2. 觸發 PreToolUse：系統接收到 `tool_name: "Bash"` 與 `command: "rm -rf /tmp/build"`。
3. 匹配檢查：
- 檢查 `your matcher` 是否符合 "Bash"。若否，則進入「tool proceeds」（工具繼續執行）。
- 若符合，則進一步檢查 `your if` 條件是否符合 "Bash(rm *)"。若否，則進入「tool proceeds」。
4. 執行 Hook：若上述條件皆符合，則執行 `your hook command`（即 `block-rm.sh`）。
5. 決策結果：
- 若執行 Hook，則進入 `blocked` 狀態，輸出 `permissionDecision: "deny"`，隨後 Claude Code 繼續執行。
- 若未觸發攔截（tool not matched），則直接進入 `tool proceeds`，隨後 Claude Code 繼續執行。
展開畫面重點
該圖表描述了一個名為「agentic loop」的自動化處理流程，包含三個核心步驟：
1. Gather context（收集背景資訊）
2. Take action（採取行動）
3. Verify results（驗證結果）
流程的運作方式如下：
- 起始點為「Your prompt」（您的提示詞）。
- 流程進入「agentic loop」迴圈，從收集資訊、採取行動到驗證結果。
- 若結果未達標，流程會透過「repeat」（重複）路徑回到「Gather context」階段繼續執行。
- 最終流程結束於「Done」（完成）。
- 此外，圖表下方標示「You: interrupt, steer, or add context」（您：中斷、引導或添加背景資訊），並以虛線箭頭指向「Take action」階段，表示使用者可以在過程中進行干預或調整。
展開畫面重點
圖片分為左右兩部分，皆以「claude」作為代理節點：
1. 左側「AGENT TEAMS」：顯示三個不同顏色的「claude」節點形成一個三角形，節點間有雙向箭頭連結，代表代理間的協作。
2. 右側「DYNAMIC WORKFLOWS」：展示了一個層級化的工作流程，包含以下階段：
- 最上方為「claude」，標註「kicks off N tasks」（N 可達數百個）。
- 中間分為三個層級：
- 「implementer」：對應「claude」。
- 「verifiers」：對應兩個「claude」節點。
- 「fixer」：對應「claude」。
- 最下方為「claude」，標註「returns when done」。
- 流程呈現由上至下的樹狀分支與匯總結構。
展開畫面重點
畫面為一個名為「Import memory to Claude」的彈出式設定視窗，包含兩個步驟：
1. 「Copy this prompt into a chat with your other AI provider」（將此提示詞複製到您與其他 AI 提供者的對話中）：
- 提示詞內容：「I'm moving to another service and need to export my data. List every memory you have stored about me, as well as any context you've learned about me from past conversations. Output everything in a single code block so I can easily copy it.」
- 旁邊附有一個「Copy」按鈕與圖示。
2. 「Paste results below to add to Claude's memory」（將結果貼在下方以新增至 Claude 的記憶）：
- 下方提供一個文字輸入框，標示為「Paste your memory details here」。
視窗底部有「Cancel」與「Add to memory」兩個按鈕。背景為 Claude 的設定頁面，左側選單列出 General、Account、Usage、Capabilities、Connectors、Claude Code 等選項。
展開畫面重點
該圖表呈現了一個 AI 應用程式的四層架構：
1. **頂層**：Your Application（您的應用程式）。
2. **Harness Frameworks (choose one)**：框架層，可選擇以下之一：
- LangChain / LangGraph (包含 Chains、Agents、Memory、Tools、LCEL、LangGraph)。
- Microsoft Agent Framework v1.0 (包含 Agents、Graph Workflows、HITL、State、A2A、MCP；註記為 successor to Semantic Kernel + AutoGen v1.0 GA - Apr 2026)。
- Others (包含 LlamaIndex、CrewAI、Haystack、DSPy)。
右側註記：abstracts harness wiring。
3. **Agent Harness (runtime layer)**：執行層，包含以下模組：
- Context manager
- Permission & guardrails
- State & memory
- Tool executor
- Retry / error handler
- Human-in-the-loop
右側註記：manages runtime execution。
4. **Model Layer (swappable)**：模型層，包含：
- Azure OpenAI / GPT-5
- Claude (Anthropic)
- Gemini / Llama / Ollama
- AWS Bedrock
右側註記：swappable backends。