🎬 开场 · Karpathy 说「我现在用英语写代码比 Python 多」

3 年时间 · 你和 AI 的工作关系从「我打字 · 它接尾巴」变成「我画图 · 它打地基 + 砌墙 + 装修」。

Karpathy 在他的演讲 Software is Changing Again 里说了一句让无数工程师拍大腿的话 —— 「我现在用英语写代码比 Python 多」。这不是修辞 · 是字面意思：他给 Claude Code 下指令的 token 总量已经超过他亲手敲代码的 token 总量。

这一课的认知地图 · 8 模块

📚 写作锚点 · 这一课的所有概念都对照 Anthropic 官方文档（Building effective agents · Claude Code Best Practices · Agent SDK 文档）和 Karpathy 的公开演讲·不编造数字 · 不编造案例。

模块 A · Harness · LLM 的「车身」

A.1 · 三个层次 · Prompt → Context → Harness

继 prompt engineering、context engineering 之后 · 从 2025 年 2 月起 · AI 圈又冒出一个新概念叫 harness engineering。OpenAI 用它五个月写了 100 万行代码 · Anthropic 紧接着发文分享 harness 架构 —— 整个 AI 编程圈在 2025-2026 年迎来这个新词的爆发。

但要搞清楚 harness engineering 是什么 · 得先理清它和它两个”前任”的关系。

💡 一句话理清三者关系 —— 三层是层层递进 · 研究范围层层扩大的关系。Prompt 研究”怎么问”·context 研究”怎么给”·harness 研究”怎么搭”。它们关注的问题越来越大 · 越来越广。

画出来 · 三层的「⊃ 关系」

为了把这个抽象的”研究范围”概念再具象化一点 · 看一下一次真实的 Claude Code 调用里 · 模型实际”看到”的 context 是怎么分配的 ——

A.2 · Harness 是什么 · 从马具说起

“harness” 这个词在英文里的本意是 马具 —— 套在马身上、用来控制马的那些装备：缰绳、嚼子、头套 …

Harness 的”公式”

LangChain 在 2025.3.10 的文章 The Anatomy of Agent Harness 给出了被业界广泛接受的公式 ——

⚠️ 要注意 · Harness Engineering 是一个非常新的概念 · 目前业界还没有形成严格的学术定义。这个公式是大多数人比较认可的一种说法 —— 但它不是唯一答案 · 也不是钦定真理。这一节后面会专门讨论这个概念的争议。

起源故事 · 2025 年 2-3 月这个词怎么火起来的

A.3 · 形象看 · 5 个 harness 级别 · 5 种产品

定义说完了 —— 但 harness 是个抽象工程概念 · 你现在脑子里可能还是没画面。在深入 7 个组件、3 大优化、P/G/E 架构之前 · 先给你一张地图 —— 同一个项目 · 在 5 个 harness 复杂度级别下分别造出来 · 直接看每一级别长什么样、能干什么、干不了什么。

下面这个 widget · 用同一个项目（个人任务管理器）作为载体 ——

把 v1 升级成完整 SaaS MVP
- 加 React 前端 + Express 后端 + SQLite + Prisma
- 用户注册 / 登录 (邮箱+密码 · JWT)
- 任务支持：标签 / 优先级 / 截止日期
- 支持搜索 / 筛选 / 排序
- 加完整的单元测试

请先做规划（plan mode）· 我审完再开干

// 项目结构 + .claude/ 出现
my-tasks/
├── CLAUDE.md         // ← 重点 · 项目级 system prompt
├── frontend/  (React + Vite)
├── backend/   (Express + Prisma + SQLite)
├── package.json
└── .claude/
    └── commands/
        └── new-feature.md   // 自定义 slash command

// CLAUDE.md 大致内容（~60 行）
# TodoApp · 个人任务管理 SaaS

## Tech Stack
- Frontend: React 19 + TypeScript + Vite + Tailwind
- Backend: Express + Prisma + SQLite
- Auth: bcrypt + JWT (15min access + 7d refresh)
- Test: vitest · 必须 > 70% 覆盖率

## Conventions
- 文件名 kebab-case · 类型用 PascalCase
- 所有 API 走 zod 校验
- 错误用 Result<T,E> · 不抛 exception

## ⚠️ 不要碰
- /migrations 已上线的 migration 不能改
- prod env 文件不要 git add

## Commands
- bun dev / bun test / bun db:migrate

A.4 · 一个例子 · LLM 加上 harness 长什么样

为了把”那 98%“从抽象概念变成可触摸的东西 · 看一段代码。先看不加 harness 的裸 LLM ——

from anthropic import Anthropic

client = Anthropic()
response = client.messages.create(
  model="claude-sonnet-4-5",
  messages=[{
      "role": "user",
      "content": "列出当前目录下所有 .py 文件"
  }],
)
print(response.content[0].text)

现在看同样的请求 · 加上 Anthropic 官方 Agent SDK（它的官方介绍就是 “a general-purpose agent harness”）——

from claude_agent_sdk import query, ClaudeAgentOptions

async for message in query(
  prompt="列出当前目录下所有 .py 文件",
  options=ClaudeAgentOptions(
      allowed_tools=["Bash", "Glob"],  # ← 工具表
  ),
):
  print(message)

A.5 · 互动 · 拆开 harness 的 7 组件

如果 harness 是”那 98%“·它具体由什么构成？Anthropic 的 Agent SDK Overview 官方列出了 7 个一等公民组件 —— 它们一起把”只会预测 token 的 LLM”包装成”能写代码的产品”。点任一组件看 Anthropic 的定义 + 设计该组件时的关键取舍：

A.6 · 实战范式一 · OpenAI 的三大优化类别

7 组件是 harness 的”建筑材料”·但拿到材料怎么搭出一个真的能干活的系统？看大厂的实战。

OpenAI 在 2025.2.11 那篇引爆全网的文章里 · 详细记录了他们用五个月 AI 写 100 万行代码的过程。把里面的优化点抽象出来 · 大致可以分成三大类 ——

📚 原文 · OpenAI Engineering Blog · Harness Engineering (2025.2.11) · 强烈推荐精读原文 · 这里只做了简化提炼。

A.7 · 实战范式二 · Anthropic 的 P-G-E 三 agent 架构（teaser）

如果 OpenAI 教你优化什么 · Anthropic 教你怎么分工。2025.3.24 的 Effective harnesses for long-running agents 给出了 harness 的经典三 agent 架构 —— Planner 拆需求 · Generator 实现 · Evaluator 独立审 ——

🔭 完整的演化故事 + 时序图 + 数字账单 + Sonnet 4.6 后的简化 · 全部在 模块 B（长跑型 agent · Effective Harness 的演化）。那一整个模块都在拆这套架构 —— 这里只是先认个脸 · 让你知道 A.6 的 OpenAI 和 P-G-E 是 harness 的两套并行实战范式。

📚 原文 · Anthropic Engineering Blog · Effective harnesses for long-running agents

A.8 · 争议 · Harness Engineering 是噱头还是工程范式

讲到这里 · 你可能会发现一个让人不安的事实 —— harness engineering 用到的所有技术 · 竟然没有一个是新的。

Linter 代码检查、任务拆解、独立评估、自动反馈循环 … 这些东西早就有了。Harness engineering 真正做的事 · 只不过是把这些技术重新组织了一下 · 统一放到一个新词下面。

所以业界关于这个概念的争议非常大 ——

模型变强 → harness 缩水 · Anthropic 自己的两个证据

更扎心的是 · 模型升级正在蚕食 harness engineering 的生存空间。Anthropic 文章里给了两个具体例子：

一个比较中立的立场

💡 学完模块 A 你应该能 ——

1. 清楚 prompt eng / context eng / harness eng 三个层次的关系 —— 研究范围层层扩大
2. 给出 harness 的公式 · 知道它的起源故事（Hash Mondal · OpenAI · LangChain · Anthropic 的 50 天）
3. 看懂 harness 的 7 个组件（Agent SDK 一等公民）
4. 知道两套实战范式 —— OpenAI 的三大优化类别 + Anthropic 的 Planner / Generator / Evaluator 架构
5. 对 harness engineering 持有自己的批判性立场 —— 不当噱头 · 也不当终局
6. 有一张 L1-L5 harness 复杂度地图 · 知道每个级别能造出什么样的产品（A.3）

📚 核心参考 · OpenAI · Harness Engineering (2025.2.11 · 三大优化类别原文) · Anthropic · Effective harnesses for long-running agents (P/G/E 架构 + 长任务模式) · Anthropic · Harness design for long-running application development (P/G/E 演进) · Claude Agent SDK overview (7 组件 API) · Hash Mondal · My AI adoption journey (harness engineering 一词的起源)

模块 B · 长跑型 agent · Effective Harness 的演化

上一模块定义了 harness 的 7 个一等公民 + L1-L5 的产品形态。现在立刻拿一个真实工程案例感受一下 ——「在跨多个会话、跨几天几周的长任务里 · harness 是怎么一步步被设计出来的」。这是 Anthropic 自己在 2024 年底 - 2025 年生产环境里踩过坑后演化出的架构 · 也是后续 C-H 各模块大量 callback 的源头。

Anthropic 在 Effective harnesses for long-running agents 这篇文章里 · 把这套问题完整拆开 · 然后一步一步地演化出了今天大家熟知的 Planner / Generator / Evaluator 架构。这一模块跟着 Anthropic 的脚步走一遍 · 看 harness 怎么从「一个 agent 一顿乱造」演化成「三方制衡」· 再演化成「模型变强之后又能简化」。

B.1 · 全景 · 4 阶段演化

Harness 不是 Anthropic 一开始就设计成 P-G-E 三方架构的。它是一连串「遇到问题 → 引入新东西 → 暴露下一个问题」串起来的链式演化 —— 总共 4 个阶段 · 每一步都有一个具体的工程困境逼着 Anthropic 加一个组件。

先看演化链的全貌 —— 每个 Stage 卡片告诉你「这阶段的背景 · 引入了什么 · 结果」· 卡片之间的 ↓ 箭头标注「下一阶段为什么必须出现」——

看完了演化链 · 下面这个互动组件让你单独深入任意一阶段 · 看它的具体架构图 + 完整故事 ——

💡 怎么读这两个组件 —— 演化链回答「为什么会有这一步」 · 互动组件回答「这一步具体长什么样」。后续 B.2 - B.9 会逐个细讲每一步背后的故事 + 数字 + 时序图。

B.2 · 故事开始 · 让 agent 克隆 claude.ai

Anthropic 做了一个实验 —— 让一个 agent 把 claude.ai 整个聊天界面克隆出来。这是一个很有代表性的任务 ——

直接派给一个 agent · 不加任何 harness —— 结果惨烈。下面这一节讲清楚 · 到底是怎么惨烈的。

B.3 · 第一次翻车 · Solo 单 agent 的 3 个失败模式

Anthropic 把这次失败拆成了三种典型的”翻车姿势” —— 每一种都很有画面感 ——

B.4 · 第一招 · Initializer + 「班际交接物」

Anthropic 在第一篇文章里给出的解法 —— 在 generator 前面加一个 Initializer agent。它只跑一次 · 干一件核心的事 —— 把模糊需求拆成详细的功能列表 —— 同时留下几样后续 agent 必须读的”交接物” ——

B.5 · 第二招 · 把 Planner 单独拆出来

第二篇文章 Harness design for long-running application development 进一步演化。Anthropic 发现 —— Initializer 里最核心的工作是「拆功能列表」· 这件事值得单独做一个 agent。

到这一步 · 我们有了 Planner + Generator 两个 agent。Generator 收到 feature list · 一项一项做 · 做完一个标一个。看起来不错了？等等 —— Anthropic 在生产环境里发现了一个新坑。

B.6 · 第三招 · Evaluator · 解决”王婆卖瓜”

光让 Generator 生成代码是不够的 · 还得评估产出质量。Anthropic 尝试了 3 种方案 ——

💡 生成 ≠ 评估。这两件事必须由不同的 agent来做 —— 因为评估的客观性 · 来自于评估方不是利益相关方。Anthropic 用工程手段把这条制度化了。

B.7 · 完整时序图 · 三方协作

到这里 · 我们就有了 Planner / Generator / Evaluator 三个 agent。它们怎么分工合作完成一个功能点？下面这个互动时序图按 Anthropic 原文的叙事顺序走一遍 —— 点 ▶ 看箭头按节奏飞 ——

B.8 · 数字账单 · Solo vs Full Harness

Anthropic 拿了一个具体的任务来对比 —— 让两套方案分别做一个游戏制作工具 —— 看效果差多少 ——

B.9 · 反演化 · Sonnet 4.6 之后的简化

最后一个有意思的细节 —— Anthropic 在 Sonnet 4.6 发布之后 · 把上面 P-G-E 架构里最关键的一个约束去掉了 ——

💡 学完模块 B 你应该能 ——

1. 讲清楚 Solo 失败的 3 个模式 —— 急于求成 / 抛下烂摊子 / 视而不见的”完工”
2. 知道 Initializer / Planner / Evaluator 各自解决了什么具体问题
3. 看到 P-G-E 时序图能立刻指出 两个循环各自的作用 —— 谈标准 / 改 bug
4. 心里有 Solo vs Full Harness 数字账单（20min/$9 vs 6h/$200）· 不再凭直觉拍方案
5. 理解 harness 设计的动态性 —— 模型变强 · harness 反而能简化

📚 核心参考 · Anthropic · Effective harnesses for long-running agents (第一篇 · Initializer + 班际交接) · Anthropic · Harness design for long-running application development (第二篇 · P-G-E + Sonnet 4.6 简化)

模块 C · Harness 实战 · 把零件拼成你自己的 harness

模块 A 告诉你 harness 有 7 个一等公民 · 模块 B 让你看到长跑场景下 P-G-E 三 agent 怎么演化出来。这一模块换一个视角 —— 不讲架构 · 讲落地 —— 7 组件每一个都对应哪个文件 / 哪条命令 / 哪个配置。读完 · 你应该能动手拼装自己项目的 harness · 而不是只在概念层点头。

C.1 · 全景 · 7 组件 → 实战清单

下面这张映射表 —— 左边是模块 A 讲过的 7 个组件 · 右边是它们在 Claude Code 里的真实落点。把它当作这一模块剩下章节的目录 ——

加上一个没在 7 组件里但实战中越来越重要的能力 —— Skills · 可挂载的能力包 —— 详见 C.4。

💡 怎么读这一模块 · 不要从头按顺序读。先扫这张表 · 找你最关心的组件 · 直接跳到对应章节。每一节都自洽。

C.2 · CLAUDE.md · 项目级 system prompt

整个 harness 里最高 ROI 的单一可配置项 —— Claude Code 启动时自动读取项目根目录的 CLAUDE.md。它的内容直接进每一次对话的 system prompt · 等于一个永久的项目级 instruction。

为什么它如此重要 ——

• 你不写 · agent 每次都得自己摸索项目（前 10 轮全在搞清楚”我用什么测试框架”）
• 你写得太长 · 每次对话烧掉一半 context（attention 稀释）
• 你写得不准 · agent 永远在错误的轨道上

2026 年的最佳实践 · 双文件分层 ——

下面这个互动组件 · 拿一份真实风格的 CLAUDE.md（接近 Anthropic / Vercel / Cloudflare 仓库的水平）让你点节查看每节的内容 + 为什么写 + 反模式 ——

# AcmePay · 跨境支付 API

这是一个 B2B 支付平台 · 接 30+ 国家银行 · 处理百万级日交易。

**核心约束**：
- 所有金额计算用 Decimal · 永远不用 float
- 任何用户输入都走 zod schema 校验
- 数据库写操作必须在 transaction 里
- 不允许 console.log · 用项目自带的 logger

C.3 · Context 管理 · 三种「清场」动作

跑久的 Claude Code 会话 · context 总会膨胀。你有三种不同的清场动作 —— 选错就要么白丢上下文 · 要么白烧 token。

C.4 · Skills · 可挂载的能力包

Skills 是 2025 下半年才从 Anthropic 实验功能晋级到一等公民的概念 —— 「会做某件事」的打包。每个 skill 是一个文件夹 · 里面一份 SKILL.md 描述「我会做什么」+ 「什么时候唤起我」· 加上可选的脚本 / 模板 / 子文件。

它跟 CLAUDE.md 的关键区别 ——

一个 skill 的最小结构 ——

.claude/skills/release-prep/
├── SKILL.md            ← 必有 · 描述 + 操作步骤
├── changelog-template.md  ← 可选 · skill 用到的模板
└── scripts/
    └── make-notes.sh   ← 可选 · skill 触发的脚本

SKILL.md 头部用 YAML frontmatter 描述 —— Anthropic 内部和官方文档一致 ——

---
name: release-prep
description: 当用户要"准备 release" / "出版本" / "tag 一个 release" · 用这个 skill
---

# 怎么干

1. 跑 git log v$LAST..HEAD --oneline · 拿到所有 commit
2. 按 feat/fix/docs 分组
3. 用 ./changelog-template.md 当模板生成
4. 草稿写到 docs/releases/ · 提 PR

关键设计 —— description 字段是唤起开关 · agent 看用户消息 · 觉得匹配就把 SKILL.md 全文塞进 context。你写 description 时要写得像搜索查询 · 不要写”我是 release prep”。

有的 skill 自带 hooks —— 比如「自动 format」这种 skill · 内部会注册一个 PostToolUse hook 到 settings.json。装 skill 时 hooks 跟着进来。详见 C.5。

Skills 装哪里 ——

• ~/.claude/skills/<name>/ · 用户级 · 所有项目都能用
• <project>/.claude/skills/<name>/ · 项目级 · 跟着 git
• 从官方 marketplace / plugin 安装 · 自动放到合适位置

C.5 · Hooks · harness 的自动反应

Hooks 是把任意 shell 命令挂到 Claude Code 生命周期事件上。Agent 触发到那个事件时 · 你的命令自动跑。

核心事件（来自 Claude Code 文档 + Anthropic 内部模板）——

一个真实的 settings.json（综合多位工程师公开过的配置）——

{
  "hooks": {
    "PostToolUse": [
      { "matcher": "Edit",
        "command": "biome format $FILE" },
      { "matcher": "Edit",
        "command": "bun test --related $FILE" }
    ],
    "PreToolUse": [
      { "matcher": "Bash",
        "command": "echo 'block' >&2 && exit 1",
        "condition": "$COMMAND =~ 'rm -rf /'" }
    ],
    "Stop": [
      { "command": "osascript -e 'display notification \"Claude done\" with title \"Claude Code\"'" }
    ]
  }
}

💡 skills 和 hooks 的关系 · 一个 skill 可以自带 hooks —— 装 skill 时 hooks 自动注册。比如装一个「auto-format」skill · 它会往 settings.json 里加 PostToolUse hook。你装 skill = 同时安装它带来的 hooks。所以装第三方 skill 前 · 一定要 review 它的 settings 改动。

C.6 · Subagents 唤起 · 用 Task() 派遣专精 agent

Subagent 是 harness 里最强的隔离机制 —— 主 agent 用 Task() 调用 · subagent 在完全独立的 context 里跑 · 用专属的 system prompt 和工具子集 · 干完只返回一个总结给主 agent。

为什么要派 subagent · 不是主 agent 直接干——

• 保护主 context —— 一次大搜索可能读 30 个文件 · 主 agent 不该被这些原始内容污染
• 专精 —— code-reviewer 的 system prompt 跟主 agent 完全不同 · 适合专门审 diff
• 并行 —— 5 个 subagent 并行跑 · 主 agent 只收 5 个总结

什么任务该派 subagent · 用 4-tier 思维快速判断 ——

怎么定义自己的 subagent —— .claude/agents/<name>.md：

---
name: security-auditor
description: 审查 PR 是否有 SQL injection / XSS / 鉴权遗漏等安全问题
tools: [Read, Grep, Bash]
model: opus
---

# 你的职责
你是一个安全审计 agent · 不写代码 · 只 review。

## 必须检查的 5 项
1. 所有 user input 是否走 zod / 参数化查询
2. 鉴权中间件是否在 router 顶部
3. 敏感字段（password / token）是否进 log
4. secret 是否硬编码
5. dependency 是否有已知 CVE

## 输出格式
- 列 issue · 每条带文件路径 + 行号 + 严重程度
- 不要"建议" · 只列 "必须修 / 应该修 / 可以忽略"

主 agent 用 Task({ subagent_type: 'security-auditor', prompt: 'review #123' }) 派出去 · 拿到结构化报告。

Anthropic 官方建议（来自 Building effective agents）—— 能不升档就不升。改一个 typo 派 Claude Code · 烧 1000 token + 启动 8 秒 · 你自己改 2 秒。90% 的日常任务都在 1× / 2-3× 区间 · 别一上来就 multi-agent。

C.7 · MCP · 把外部系统接进 harness

MCP 协议的概念在 L6 模块 C 讲过了 —— 这里只看实战层：怎么在你的项目里接 MCP server。

.mcp.json 在项目根目录 —— Claude Code 启动时自动加载 · 把里面声明的所有 server 接进可用工具集：

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-github"],
      "env": { "GITHUB_TOKEN": "$GITHUB_TOKEN" }
    },
    "linear": {
      "command": "npx",
      "args": ["@linear/mcp"]
    },
    "slack": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-slack"]
    },
    "internal-api": {
      "command": "node",
      "args": ["./scripts/internal-mcp.js"]
    }
  }
}

接进来后 · agent 多出 mcp__github__* · mcp__linear__* 这些工具 —— 没有任何代码改动 · agent 就能 query Linear / 评论 PR / 发 Slack 消息。

两条实战准则 ——

• MCP 也算 harness 一部分 · 你装一个 GitHub MCP · agent 就有了写 GitHub 的权限。装之前先 review 它能做什么 · 别把 prod 的 GitHub token 暴露给一个不熟悉的 MCP server。
• MCP 触发 permission gate · Claude Code 默认对 MCP tool call 要求确认。可以用 .claude/settings.json 的 permissions.allow 字段开 whitelist · 但不要 yolo 全开。

C.8 · 三个黑客松冠军 · 三种 harness 哲学

讲完零件 —— 看一下真实工程师怎么把这些零件拼成自己的 harness。三个人都是 2026 年 Anthropic / Cerebral Valley 黑客松的冠军 / 跨平台 builder · 他们的配置都公开在 GitHub 上 · 你可以直接 clone 来跑。三种完全不同的哲学 ——

---
name: everything-claude-code
description: 当用户开始一个新项目 / 一个需要"高质量产出"的任务时 · 自动加载 ECC 的最佳实践
allowed-tools: [Read, Write, Edit, Bash, Task]
---

# 你是一个研究优先的工程 agent

ECC (Everything Claude Code) 的核心原则 ——

## 1. 永远先研究 · 再写代码
拿到任务 · 先 grep / read 至少 3 个相关文件
没有上下文 · 不要假设 · 让 Task() 派一个 explorer

## 2. 用 skill 而不是 prompt
任何"我经常这样做"的工作流 · 立刻沉淀成一个新 skill
skill 不仅是教程 · 是可执行的指令包

## 3. 安全扫描每次都跑
PreToolUse 触发 security-scanner subagent
检查 SQL injection / 敏感字段进 log / hardcoded secrets

## 4. 内存持久化
重要决定写到 ~/.claude/memory/decisions.jsonl
新会话开局先读 · 不重复同一个错误两次

C.9 · 自检 · 一份 harness 配置的 review 清单

写完 / 抄完一份配置 · 在交给项目之前 · 过一遍这个清单 ——

💡 学完模块 C 你应该能 ——

1. 拿到一份陌生项目 · 5 分钟内说出它的 harness 配了什么 / 缺什么
2. 给自己项目写出 CLAUDE.md + settings.json + .mcp.json 的最小三件套
3. 知道什么任务派 subagent · 什么任务自己干
4. 装第三方 skill / MCP server 前会 review 它的副作用
5. 有一个你心目中的工程师 model（Affaan / Bedirhan / Alireza · 或其他公开过 harness 配置的人）作为模板的起点

📚 核心参考 · Anthropic · Building effective agents (subagent / workflow 的”圣经”) · Anthropic · Claude Code 官方文档 · hooks / skills / agents · Trail of Bits 公开的 Claude Code 配置 (整套实战级别 settings) · Designing CLAUDE.md correctly (2026) (CLAUDE.local.md 分层做法)

模块 D · 一天的 harness · 一个真实工作日的时间线

模块 A 讲清了 7 组件 · 模块 B 讲清了 P-G-E · 模块 C 讲清了 CLAUDE.md / hooks / skills 怎么配。全是静态配置。这一模块让你看一遍配置动起来是什么样 —— 模块 E 那个 Searchables 项目的 Day 7-8 · 一个工程师从下午 4 点干到晚上 11 点 · harness 怎么转的真实记录。

不讲原则。每个时刻都对应一个真实的 git commit + 那一秒按下的命令 —— Task() 派几个 explorer / /clear 切场景 / hook 自动跑 / skill 自动唤起。所有时间戳都来自 git log · 可以自己 verify。

D.1 · 场景 · Searchables Day 7-8 · 一个 7 小时的真实工作日

D.2 · 时间线 · 跟着真实 git 历史走一遍

点任意时间块看那一刻的细节 —— 那一秒按下的命令、派出的 subagent、触发的 hook、context 长什么样。所有时间戳直接来自 git log --pretty=format:"%ai %s" 5b705477..80f5b4b8。

D.3 · 四个节拍 · 把一天拆成可复用的模式

看完时间线 · 你会发现这一天其实就是 4 个节拍 在循环 ——

D.4 · 新手 vs 老手 · 同一个时刻 · 5 个对照

把 4 个节拍的差距讲透 —— 同一秒钟 · 新手按什么、老手按什么 ——

D.5 · 你的下一步 · 写出你自己的时间线

写一份你昨天的 09:00 → 18:00。每个时刻填三栏 —— 你按了什么、当时在做什么、有没有可以沉淀的 skill。

写完你会发现两件事 ——

1. 你大部分时间花在「节拍 1 扫」上 —— 因为你没派 explorer · 自己读
2. 你沉淀过 0 个 skill —— 同一件事每天都要重新打一遍 prompt

这两件事 · 是你升老手最快的两个 leverage 点。

💡 学完模块 D 你应该能 ——

1. 把 4 个节拍（扫 / 做 / 切 / 沉）对照自己 · 找到 1 个最大漏点
2. 看到一个任务 · 立刻反应该用 Task() 还是 /compact 还是 /clear · 不再 yolo
3. 本周至少沉淀 1 个 skill · 让下周比这周少做一次重复 prompt
4. context bar 进入你的肌肉记忆 —— 看一眼就知道要不要 /compact
5. 理解「design doc 先写好 + skill 早沉好 · 是 22:30→22:45 完整 4 phase 的真正秘密」· 不是 AI 神

📚 参考 · Anthropic Claude Code Best Practices · Claude Code Skills 官方文档 · affaan-m/ECC GitHub · 119 skills 仓库

模块 E · Harness 的终极 · 你的专业度

前 4 个模块教你怎么搭 harness。这一模块 —— L7 整门课的 punchline —— 退一步问个更深的问题：为什么有的人的 harness 配出来是 100K stars · 有的人配出来只是网上抄来的空壳？

答案不在 harness 本身。harness 是 know-how 的物化。CLAUDE.md 里每条规则、每个 skill、每个 subagent · 都是某种人类专业判断的化石。你没有这种专业判断 · 你的 harness 就是空的 · AI 给你的回报也是空的。

E.1 · 反直觉数据 · 黑客松冠军都不是工程师

2026.06 · Anthropic 全球 Built-with-Opus-4.7 黑客松 收官 · 前三名分别是 ——

E.2 · 为什么 · harness 是 know-how 的化石

为什么医生能赢工程师？因为她写出来的 CLAUDE.md / skill / subagent · 里面装的全是医学专业判断 —— 工程师根本写不出来。看一下 Affaan 的 ECC 仓库（affaan-m/ECC · 100K stars）里的 3 个 skill · 每一个都是某种专业判断的化石 ——

把这个观察推广 ——

💡 CLAUDE.md 里每一条规则 · 不是 prompt 技巧 · 是你过去 5 年工程实战的化石。 「函数 ≤ 50 行」是你被 500 行函数虐过 N 次的痛。 「测试先于实现」是你跑过没测试上线的 prod incident 之后的反思。 「migration 不能改」是你被某次手贱改 migration 害团队回滚的教训。 —— 你写不出 CLAUDE.md · 不是因为不会 prompt · 是因为你没有这些化石。

E.3 · 实战 · 一个真实 SaaS 项目 5.5 个月的回放

抽象例子讲到这里 · 直接看一个实证案例 —— Searchables（AI 视频搜索 SaaS · monorepo · 5 apps · API / web / admin / desktop / website）从 0 到 1 长出来的真实 git 历史。这个项目用 Claude Code + 自建的 6 个 skill + 1 个 subagent 跑了 5.5 个月 · 421 commits · 单人开发。

每一步显示 ——

1. 那一刻实际打的 prompt 大意
2. 哪些 skill / agent / hook 自动跑了（都是真存在于 .claude/ 目录里的 · 不是编的）
3. 那一步 git log --shortstat 的真实数字（添加行数 / 改动文件数）
4. 项目累计状态 + leverage 比例（打几个字符 / AI 写几行）

💡 这就是 E.2 「化石」的实战版本。Affaan 的 119 skill / Anthropic 的 P-G-E / Lin 的一天 —— 都在这个案例里能看到对应物。所有数字都可以在 git log 里复现。

E.4 · 上手 · 这 10 个 skill 一行命令装上 · 立刻有 harness

看完 Searchables 你大概想 ——「我自己怎么开始有这种 harness？要写 6 个 SKILL.md 吗？」

不用从零开始。Anthropic 官方和社区维护着一个 marketplace · 几百个 skill 直接 /plugin install 装上就用。下面这 10 个是作者本人在用的 · 选了对 AI 编程最通用的子集 —— 装完一遍 · 你的 harness 立刻就有 70% Affaan 的水平 ——

/plugin install superpowers@claude-plugins-official

/plugin install claude-md-management@claude-plugins-official

/plugin install skill-creator@claude-plugins-official

/plugin install context7@claude-plugins-official

/plugin install code-simplifier@claude-plugins-official

/plugin install frontend-design@claude-plugins-official

/plugin install feature-dev@claude-plugins-official

/plugin install mcp-server-dev@claude-plugins-official

/plugin install remember@claude-plugins-official

/plugin install ralph-loop@claude-plugins-official

# 一次性添加 Anthropic 官方 marketplace
/plugin marketplace add anthropics/claude-plugins-official

# 然后批量装上面 10 个 (作者本人在用的最小集)
/plugin install superpowers@claude-plugins-official
/plugin install claude-md-management@claude-plugins-official
/plugin install skill-creator@claude-plugins-official
/plugin install context7@claude-plugins-official
/plugin install code-simplifier@claude-plugins-official
/plugin install frontend-design@claude-plugins-official
/plugin install feature-dev@claude-plugins-official
/plugin install mcp-server-dev@claude-plugins-official
/plugin install remember@claude-plugins-official
/plugin install ralph-loop@claude-plugins-official

💡 怎么验证装好了 · 启动 Claude Code · 跟它说「列出当前可用的所有 skill」· 它会拉出所有装好的清单。或者直接 /plugin list。

E.5 · 公式 · 拖滑块感受乘法效应

看完真实案例 + 一批 skill 在手 · 现在把那种「专业度 × harness」的直觉变成可拖动的公式 ——

这个 widget 想让你亲手感受一件事 —— harness 和专业度是相乘的 · 任何一边为 0 · 结果归零。

• 拖「专业度」到 0 · harness 拉满 10 也救不了 · 你只能产生空壳 prompt
• 拖「harness」到 0 · 专业度满 10 · 也只能跑你自己一个人 · 没有 leverage
• 两个都拉满 · 100 分 · 这就是 Affaan / Bedirhan 这类人的位置

E.6 · 推论 · AI 时代该专攻什么

如果 harness = 你的专业度 × 沉淀质量 · 那 AI 时代的工程师该专攻什么 · 答案就很清楚了 ——

E.7 · 你的下一步 · 5 分钟练习

打开你的 editor · 列以下三件事 ——

E.8 · L7 一句话

💡 学完模块 E 你应该能 ——

1. 复述 L7 的核心公式 · 解释为什么是乘法不是加法
2. 看到一个 hackathon 冠军作品 · 能立刻识别背后的 expertise × harness
3. 列出 3 个你能立刻沉淀成 skill 的高频工作流
4. 明白 AI 时代该把 80% 精力放在 domain 深度 · 不是 「AI 技巧」
5. 开始你自己的 skill 仓库 —— 哪怕只有 1 个 SKILL.md · 你已经在公式的右边写下第一笔了

📚 核心参考 · Anthropic · Built-with-Opus-4.7 黑客松官方公告 (medic / repair tech / teacher 冠军故事) · getaibook · Domain Experts Sweep Claude Opus 4.7 Hackathon Results (反直觉数据头条) · affaan-m/ECC GitHub (119 skills · 230 contributors · 100K stars · 全是化石) · Anthropic skills 官方仓库 (Anthropic 沉淀的 know-how)

模块 F · 7 大反模式 · 用 AI 编程的常见坑

学一门新技能 · 知道不能做什么和知道能做什么同等重要。下面 7 个反模式 · 每一个都是真实工程师踩过的坑。识别它们 · 避开它们。

F.1 · 7 个反模式速查表

F.2 · 反模式的”早期信号”

新手最大的问题是没察觉自己在反模式里。下面几个早期信号 · 出现就该警觉：

💡 学完模块 F 你应该能 —— 1) 把 7 反模式背下来 · 编程时心里始终有”是不是踩进去了”的警觉 2) 看到自检信号能立刻识别 3) 知道每个反模式对应的解药和前序模块。

模块 G · 新工作流 · spec → ship 5 步

把 A-G 的所有概念串成一条可执行的工作流 —— 从想法到生产的 5 步 · 每步都明确”人做什么 · AI 做什么”。

G.1 · 完整流程图

G.2 · 每步的”常见翻车”

G.3 · 5 步的”分工密码”

💡 学完模块 G 你应该能 —— 1) 把 5 步当肌肉记忆 · 每个新任务都按它走 2) 看到一段工作流 · 能立刻指出”这步分工错了” 3) 不再问”AI 能不能做这个？” · 改问”这 5 步里 AI 应该做哪几步？“

期末挑战 · 用 Agent SDK 造一个 mini harness

（待写 · 下个迭代）

🎯 L7 进度 · A-G 七模块完整。期末挑战将基于本课所学 · 让你用 Anthropic Agent SDK 实际造一个针对你日常工作的小型 harness。