Anthropic:面向长时间运行的应用开发,如何设计 Harness(全文中文翻译)

原文:Harness design for long-running application development
作者:Prithvi Rajasekaran / Anthropic Labs
原文发布日期:2026 年 3 月 24 日
本文为全文中文翻译,原文版权归原权利人所有。

本文由我们 Labs 团队成员 Prithvi Rajasekaran 撰写。

过去几个月,我一直在研究两个相互关联的问题:让 Claude 产出高质量的前端设计,以及让它在没有人工干预的情况下构建完整应用。这项工作源自此前对前端设计技能和长时间运行的编程智能体运行框架(harness)的探索。在这些工作中,我和同事通过提示工程和运行框架设计,让 Claude 的表现显著超越基线,但两条路线最终都遇到了瓶颈。

为了突破瓶颈,我尝试寻找新的 AI 工程方法,使其能够同时适用于两个截然不同的领域:一个由主观品味定义,另一个由可验证的正确性和可用性定义。受到生成对抗网络(GAN)的启发,我设计了一种包含生成器和评估器智能体的多智能体结构。要构建一个既能可靠评分、又具有品味的评估器,首先需要制定一套标准,将“这个设计好吗?”这样的主观判断,转化为具体、可评分的项目。

随后,我将这些技术应用到长时间运行的自主编程中,并沿用了此前运行框架工作中的两条经验:将构建过程拆成可处理的工作块,以及使用结构化产物在会话之间交接上下文。最终得到的是一个由规划器、生成器和评估器组成的三智能体架构,能够在持续数小时的自主编程会话中,产出功能丰富的全栈应用。

为什么朴素实现效果不足

我们此前已经展示,运行框架设计会显著影响长时间运行的智能体编程的有效性。在早期的一项实验中,我们使用初始化智能体将产品规格拆成任务列表,再由编程智能体一次实现一个功能,之后交接产物,以便在会话之间传递上下文。更广泛的开发者社区也逐渐形成了类似认识,例如“Ralph Wiggum”方法,就使用钩子或脚本,让智能体持续处于迭代循环之中。

但一些问题始终存在。对于更复杂的任务,智能体仍然容易随着时间推移偏离轨道。在拆解这个问题时,我们观察到执行此类任务的智能体有两种常见的失败模式。

第一,随着上下文窗口逐渐填满,模型往往会在长任务中失去连贯性,参见我们关于上下文工程的文章。有些模型还会表现出“上下文焦虑”:当它们接近自己认为的上下文上限时,开始提前收尾。上下文重置能够解决这两个问题:彻底清空上下文窗口,启动一个新的智能体,同时通过结构化交接,传递上一个智能体的状态和后续步骤。

这与上下文压缩不同。压缩是在原处总结较早的对话内容,让同一个智能体在缩短的历史记录上继续工作。压缩保留了连续性,却没有让智能体从干净的上下文重新开始,因此上下文焦虑仍然可能存在。重置则提供了一个全新的起点,代价是交接产物必须包含足够的状态,使下一个智能体能够顺利接手。在此前的测试中,我们发现 Claude Sonnet 4.5 的上下文焦虑足够严重,仅靠压缩无法让它在长任务中取得良好表现,因此上下文重置成为运行框架设计的必要部分。这解决了核心问题,但也为每次运行增加了编排复杂性、token 开销和延迟。

第二个问题是我们此前尚未处理的自我评估。当要求智能体评估自己产出的工作时,它们往往会自信地赞扬自己的成果,即便在人类观察者看来,质量明显平庸。这个问题在设计等主观任务中尤为突出,因为这类任务没有类似可验证软件测试那样的二元检查标准。一个布局看起来是精致还是千篇一律,属于判断问题,而智能体给自己的工作评分时,总是偏向正面。

然而,即使任务具有可验证的结果,智能体有时仍会表现出不良判断,妨碍任务完成。将执行工作的智能体与评判工作的智能体分开,是解决这个问题的有效手段。单靠这种分离,并不能立即消除宽松倾向:评估器仍然是 LLM,也倾向于对 LLM 生成的输出宽容。但事实证明,将独立评估器调优得更有怀疑精神,远比让生成器批判自己的工作更容易。一旦有了外部反馈,生成器就有了可以据此迭代的具体依据。

前端设计:让主观质量可以评分

我首先在前端设计上进行实验,因为自我评估问题在这里最明显。如果不作任何干预,Claude 通常会倾向于安全、可预测的布局:技术上可以使用,但视觉上并不出众。

两条认识影响了我为前端设计构建的运行框架。第一,虽然美感不能完全归结为分数,而且个人品味始终各有不同,但将设计原则和偏好纳入评分标准,可以改善美感。“这个设计美吗?”很难得到一致的回答,但“它是否遵循我们关于优秀设计的原则?”能给 Claude 提供具体的评分依据。第二,将前端生成与前端评分分开,可以形成反馈循环,推动生成器产出更好的结果。

据此,我编写了四项评分标准,并将它们放入生成器和评估器智能体的提示词中:

  • 设计质量: 设计是否让人感觉是一个连贯的整体,而不是零件的堆积?优秀的表现意味着颜色、字体、布局、图像及其他细节,共同营造出鲜明的氛围和身份特征。
  • 原创性: 是否能看出针对性设计的决策,还是只有模板布局、组件库默认样式和 AI 生成的套路?人类设计师应当能够识别出有意作出的创意选择。未经修改的现成组件,或白色卡片上铺紫色渐变等典型 AI 生成痕迹,都无法通过这一项。
  • 工艺: 技术执行水平,包括字体层级、间距一致性、色彩协调和对比度。这是在检查基本能力,而不是创造力。大多数合理实现默认就能在这里表现不错;不合格意味着基础出了问题。
  • 功能性: 独立于美感的可用性。用户能否理解界面的作用、找到主要操作,并在无需猜测的情况下完成任务?

我将设计质量和原创性置于工艺和功能性之上。Claude 默认就能在工艺和功能性方面拿到不错的分数,因为所需的技术能力通常是模型自然具备的。但在设计和原创性方面,Claude 的输出往往顶多只能算平淡。评分标准明确惩罚高度通用的“AI 垃圾内容”式套路,并通过赋予设计和原创性更高权重,推动模型在美学上作出更大胆的尝试。

我用带有详细分项评分的少样本示例校准评估器。这使评估器的判断与我的偏好保持一致,也减少了不同迭代之间的评分漂移。

我使用 Claude Agent SDK 构建循环,使编排保持简单。生成器智能体首先根据用户提示,创建一个 HTML/CSS/JS 前端。我给评估器配备了 Playwright MCP,让它可以直接与运行中的页面交互,然后对各项标准评分,并写出详细评语。在实践中,评估器会自行浏览页面,截图并仔细研究实现,再给出评估。反馈随后作为输入传回生成器,用于下一轮迭代。每次生成,我运行 5 到 15 轮迭代;生成器响应评估器的批评时,每一轮通常都会推动它朝更有特色的方向发展。由于评估器是在主动浏览页面,而不是给静态截图评分,每一轮都需要实际经过一段时间。完整运行最长持续了四个小时。我还要求生成器在每次评估后作出策略决策:如果分数呈良好趋势,就继续完善当前方向;如果方法不起作用,就转向完全不同的美学风格。

在多次运行中,评估器的评分随着迭代提高,之后趋于平台期,但仍有提升空间。有些生成过程是渐进式改进,另一些则在迭代之间发生了剧烈的美学转向。

评分标准的措辞,以一些我没有完全预料到的方式影响了生成器。例如,加入“最好的设计具有博物馆级品质”之类的表述,会让设计朝某种特定视觉风格收敛。这表明,与评分标准相关的提示措辞,直接塑造了输出的风格。

虽然分数通常随着迭代提高,但并不总是呈现清晰的线性趋势。较晚的实现整体上往往更好,但我经常遇到自己更喜欢中间某一轮、而不是最终一轮的情况。实现复杂性也往往随着轮次增加:生成器为了响应评估器的反馈,会尝试更有雄心的方案。即使在第一轮,输出也明显优于完全没有提示干预的基线。这说明,在评估器反馈带来进一步改进之前,评分标准及其相关语言本身,就已经让模型偏离了通用的默认样式。

一个值得一提的例子是,我要求模型为一家荷兰艺术博物馆创建网站。到第九轮时,它为一家虚构博物馆制作了一个简洁的深色主题落地页。页面在视觉上很精致,但大体仍符合我的预期。然后,在第十轮,它彻底抛弃原来的方案,将网站重新构想为一种空间体验:使用 CSS 透视渲染带棋盘格地板的 3D 房间,将艺术品自由摆放在墙上,通过门口在不同展厅之间导航,而不是滚动或点击。这种创意飞跃,是我此前从未在单次生成中见过的。

扩展到全栈编程

有了这些发现,我将这种受 GAN 启发的模式应用到全栈开发中。生成器—评估器循环可以自然地映射到软件开发生命周期:代码审查和 QA 在结构上扮演的角色,与设计评估器相同。

架构

在此前的长时间运行框架中,我们通过初始化智能体、一次开发一个功能的编程智能体,以及会话之间的上下文重置,实现了连贯的多会话编程。上下文重置是一个关键突破:该运行框架使用 Sonnet 4.5,而它会表现出前面提到的“上下文焦虑”。构建一个能在上下文重置过程中正常工作的运行框架,是让模型持续专注于任务的关键。Opus 4.5 基本上自行消除了这种行为,因此我能够完全移除这个运行框架中的上下文重置。智能体在整个构建过程中以一个连续会话运行,由 Claude Agent SDK 的自动压缩处理不断增长的上下文。

在这项工作中,我以原有运行框架为基础,构建了一个三智能体系统。每个智能体都针对我在此前运行中观察到的某个具体缺口。系统包含以下智能体角色:

规划器: 我们此前的长时间运行框架要求用户预先提供详细规格。我希望将这一步自动化,因此创建了规划器智能体,将一个简单的、由 1 到 4 句话组成的提示,扩展为完整产品规格。我要求它在功能范围上有雄心,专注于产品背景和高层技术设计,而不是详细的技术实现。这是因为我担心,如果规划器提前指定细粒度技术细节,并在其中出错,规格中的错误就会层层传递到下游实现。更合理的做法似乎是,约束智能体需要交付什么,而让它们在工作过程中自行确定实现路径。我还要求规划器寻找将 AI 功能融入产品规格的机会。(示例见文末附录。)

生成器: 此前运行框架中一次处理一个功能的方法,在范围管理方面表现不错。我在这里采用了类似模式,要求生成器按冲刺周期工作,每次从规格中选取一个功能。每个冲刺周期使用 React、Vite、FastAPI 和 SQLite(后来改为 PostgreSQL)技术栈实现应用,并要求生成器在每个周期结束时先自我评估,再交给 QA。它还配备了 Git,用于版本控制。

评估器: 早期运行框架生成的应用往往看起来令人印象深刻,但真正使用时,仍然存在实实在在的 bug。为了发现这些问题,评估器使用 Playwright MCP,像用户一样点击操作运行中的应用,测试 UI 功能、API 端点和数据库状态。随后,它根据发现的 bug,以及一套从前端实验改编而来的标准,对每个冲刺周期评分。这里的标准涵盖产品深度、功能性、视觉设计和代码质量。每项标准都有硬性门槛,只要有一项低于门槛,该冲刺周期就判定为失败,生成器会收到关于问题的详细反馈。

每个冲刺周期开始之前,生成器和评估器会协商一份冲刺契约:在写任何代码之前,先就这一块工作怎样才算“完成”达成一致。之所以设置这一步,是因为产品规格有意保持在高层,我希望增加一个步骤,弥合用户故事与可测试实现之间的差距。生成器提出要构建什么,以及如何验证成功;评估器则审查提案,确保生成器在构建正确的东西。双方反复迭代,直到达成一致。

智能体之间通过文件通信:一个智能体写入文件,另一个读取并在同一文件中回复,或写入新文件供前一个智能体接着读取。随后,生成器根据已经商定的契约进行构建,再将工作交给 QA。这样既能让工作忠于规格,又不会过早地将实现细节规定得过死。

运行框架

在这个运行框架的第一个版本中,我使用 Claude Opus 4.5,将用户提示分别交给完整运行框架和单智能体系统运行,以作比较。我选择 Opus 4.5,是因为开始这些实验时,它是我们最好的编程模型。

我编写了以下提示,用于生成一个复古电子游戏制作工具:

创建一个 2D 复古游戏制作工具,功能包括关卡编辑器、精灵编辑器、实体行为,以及可玩的测试模式。

下表列出了运行框架类型、运行时长和总成本。

运行框架 时长 成本
单智能体 20 分钟 9 美元
完整运行框架 6 小时 200 美元

完整运行框架的成本超过单智能体的 20 倍,但输出质量的差异立刻就能看出来。

我期待的是一个界面,可以构建关卡及其组成部分(精灵、实体、图块布局),然后点击播放,真正玩这个关卡。我先打开单智能体运行的输出,应用的初始状态似乎符合这些预期。

然而,随着我逐步点击操作,问题开始出现。布局浪费空间,固定高度的面板让视口的大部分区域空着。工作流程很僵硬。尝试往关卡里添加内容时,系统提示我先创建精灵和实体,但 UI 中没有任何东西引导我遵循这个顺序。更重要的是,实际游戏是坏的。实体出现在屏幕上,却完全不响应输入。深入检查代码后发现,实体定义与游戏运行时之间的连接出了问题,而且界面上没有任何提示说明问题在哪里。

打开单智能体运行框架创建的应用时,看到的初始界面。

评估完单智能体运行后,我转向完整运行框架的结果。这次运行从相同的一句话提示出发,但规划器将它扩展成了涵盖 16 项功能、分布在 10 个冲刺周期中的规格,远远超出单智能体尝试的范围。除了核心编辑器和游玩模式,规格还要求精灵动画系统、行为模板、音效和音乐、AI 辅助精灵生成器和关卡设计器,以及带可分享链接的游戏导出功能。我给规划器提供了我们的前端设计技能。它阅读后,将应用的视觉设计语言也写入了规格。在每个冲刺周期中,生成器和评估器会协商一份契约,定义该周期的具体实现细节,以及用于验证完成情况的可测试行为。

这个应用立即表现得比单智能体结果更精致、更流畅。画布利用了整个视口,面板尺寸合理,界面有一致的视觉风格,并且遵循规格中的设计方向。单智能体结果里的一些笨拙之处仍然存在:工作流程仍没有明确告诉用户,应先创建精灵和实体,再尝试填充关卡,我不得不通过摸索自己弄清楚。这看起来更像是基础模型在产品直觉上的缺口,而不是运行框架原本打算解决的问题。不过,它也指出了一个可以通过在运行框架内进行针对性迭代,进一步改善输出质量的方向。

逐一使用编辑器后,这次运行相对于单智能体的优势更加明显。精灵编辑器更丰富、功能更完整,工具面板更清晰,颜色选择器更好,缩放控件也更易用。

由于我要求规划器将 AI 功能融入规格,应用还内置了 Claude 集成,让我可以通过提示生成游戏的不同部分。这显著加快了工作流程。

初始界面:在完整运行框架构建的应用中创建新游戏。

最大的差异在游玩模式中。我确实能够移动实体并玩游戏。物理效果还有一些粗糙之处:角色跳上平台后,最后却与平台发生重叠,直觉上感觉不对。但核心功能能够工作,这是单智能体运行没能做到的。移动了一会儿之后,我确实遇到了 AI 构建关卡的局限:有一面很高的墙,我跳不过去,因此被困住了。这说明,运行框架还可以通过改善一些常识问题和边界情况,进一步打磨应用。

阅读日志后可以清楚看到,评估器让实现保持与规格一致。每个冲刺周期,它都会逐条检查契约中的测试标准,通过 Playwright 操作运行中的应用,并对所有偏离预期行为的情况提交 bug。契约非常细致:仅第 3 个冲刺周期,就有 27 项覆盖关卡编辑器的标准。评估器的发现也足够具体,无需额外调查就能着手处理。下表列出了一些评估器识别出的问题:

契约标准 评估器发现
矩形填充工具允许用户通过点击拖动,使用所选图块填满一个矩形区域 失败——工具只在拖动的起点和终点放置图块,而不是填满整个区域。fillRectangle 函数存在,但没有在 mouseUp 时被正确触发。
用户可以选择并删除已放置的实体生成点 失败——LevelEditor.tsx:892 中的 Delete 键处理器要求同时设置 selection 和 selectedEntityId,但点击实体只会设置 selectedEntityId。条件应该是 selection || (selectedEntityId && activeLayer === 'entity')。
用户可以通过 API 调整动画帧顺序 失败——PUT /frames/reorder 路由定义在 /{frame_id} 路由之后。FastAPI 将 reorder 当作整数类型的 frame_id 来匹配,并返回 422:“无法将字符串解析为整数。”

让评估器达到这种水平,需要投入工作。默认情况下,Claude 并不是一个好的 QA 智能体。在早期运行中,我看到它发现了真实问题,随后又说服自己认为这些问题没什么大不了,最终仍然批准工作。它也倾向于进行表面测试,而不是探查边界情况,因此更隐蔽的 bug 经常漏过。调优循环是:阅读评估器日志,找出它的判断与我的判断不同的例子,再更新 QA 提示词来解决这些问题。经过多轮这样的开发循环后,评估器的评分方式才变得让我觉得合理。即便如此,运行框架的输出仍然体现了模型 QA 能力的局限:小的布局问题、某些不直观的交互,以及更深层功能中尚未被发现的 bug,因为评估器没有充分测试它们。显然,进一步调优还能挖掘更多验证空间。但与核心功能完全不能工作的单智能体结果相比,提升已经很明显。

迭代运行框架

第一批运行框架结果令人鼓舞,但它也庞大、缓慢且昂贵。合乎逻辑的下一步,是寻找在不降低表现的前提下简化运行框架的方法。这既来自常识,也来自一个更普遍的原则:运行框架中的每个组件,都包含了关于模型不能独立完成什么的假设。这些假设值得进行压力测试,一方面它们可能不正确,另一方面随着模型进步,它们很快就可能过时。我们的文章《构建有效的智能体》将背后的思想表述为“寻找尽可能简单的解决方案,只在必要时增加复杂性”。任何维护智能体运行框架的人,都会不断遇到这种模式。

第一次尝试简化时,我大幅削减了运行框架,并尝试了一些有创意的新想法,但没能复现原始版本的表现。同时,也变得很难判断运行框架设计中的哪些部分真正支撑了效果,以及它们以何种方式发挥作用。基于这次经验,我转向更有条理的方法:每次移除一个组件,再检查它对最终结果的影响。

在进行这些迭代的同时,我们也发布了 Opus 4.6,这进一步推动我降低运行框架的复杂性。我们有充分理由预期,4.6 所需的辅助结构会比 4.5 更少。正如发布博客中所说:“[Opus 4.6] 会更谨慎地规划,能够更长时间持续执行智能体任务,在更大的代码库中更可靠地工作,并具有更好的代码审查与调试能力,能够发现自己的错误。”它在长上下文检索方面也有显著提升。这些正是运行框架原本用来补足的能力。

移除冲刺结构

我首先完全移除了冲刺结构。冲刺结构曾帮助将工作拆成块,使模型能够连贯地处理。考虑到 Opus 4.6 的改进,我们有充分理由相信,模型可以原生处理这项工作,而不需要这种拆解。

我保留了规划器和评估器,因为两者仍然带来明显价值。没有规划器时,生成器对功能范围的设定不足:面对原始提示,它会在没有先制定规格的情况下开始构建,最终创建的应用,功能丰富程度不如规划器所规划的应用。

移除冲刺结构后,我将评估器改为在整个运行结束时进行一次评估,而不是逐个冲刺周期评分。由于模型能力明显更强,在某些运行中,评估器对效果的关键程度也发生了变化;它的作用取决于任务相对于模型独立可靠完成能力边界的位置。在 4.5 上,这个边界较近:我们的构建任务处于生成器独立完成能力的边缘,评估器能够在整个构建过程中发现有意义的问题。到了 4.6,模型的原始能力增强,边界也向外扩展。过去需要评估器检查才能连贯实现的任务,现在往往已经在生成器独立胜任的范围内。对于位于这个边界之内的任务,评估器就成了不必要的开销。但对于仍然处于生成器能力边缘的构建部分,评估器依然能带来真实的提升。

实际含义是:是否使用评估器,并不是一个固定的是非选择。当任务超出当前模型独立可靠完成的范围时,它才值得这笔成本。

在简化结构的同时,我也加入了提示,改善运行框架将 AI 功能融入各个应用的方式,具体而言,是让生成器构建一个真正的智能体,能够通过工具驱动应用自身的功能。这需要实实在在的迭代,因为相关知识比较新,Claude 的训练数据对它覆盖较少。但经过充分调优,生成器能够正确构建智能体了。

更新后的运行框架结果

为了测试更新后的运行框架,我使用以下提示生成一个数字音频工作站(DAW),也就是用于作曲、录音和混音的音乐制作程序:

使用 Web Audio API,在浏览器中构建一个功能完备的 DAW。

这次运行仍然耗时且昂贵,约需 4 小时,token 成本约为 124 美元。

大部分时间花在构建智能体上。它连贯地运行了两个多小时,没有采用 Opus 4.5 所需的冲刺拆解。

智能体与阶段 时长 成本
规划器 4.7 分钟 0.46 美元
构建(第 1 轮) 2 小时 7 分钟 71.08 美元
QA(第 1 轮) 8.8 分钟 3.24 美元
构建(第 2 轮) 1 小时 2 分钟 36.89 美元
QA(第 2 轮) 6.8 分钟 3.09 美元
构建(第 3 轮) 10.9 分钟 5.88 美元
QA(第 3 轮) 9.6 分钟 4.06 美元
V2 运行框架总计 3 小时 50 分钟 124.70 美元

与之前的运行框架一样,规划器将一句话提示扩展成完整规格。从日志中可以看出,生成器模型在规划应用和智能体设计、连接智能体,以及交给 QA 前进行测试方面,做得不错。

不过,QA 智能体仍然发现了真实的缺口。在第一轮反馈中,它指出:

这是一个很强的应用:设计还原度出色,AI 智能体可靠,后端也不错。主要不合格项是功能完整性——虽然应用看起来令人印象深刻,AI 集成也运行良好,但若干核心 DAW 功能只是展示,没有深入的交互能力:片段无法在时间线上拖动或移动,没有乐器 UI 面板(合成器旋钮、鼓垫),也没有可视化效果编辑器(EQ 曲线、压缩器电平表)。这些不是边界情况,而是让 DAW 可用的核心交互,而且规格明确要求了这些功能。

在第二轮反馈中,它再次发现了多个功能缺口:

仍然存在的缺口:

  • 音频录制仍然只有占位实现(按钮会切换状态,但没有采集麦克风)。
  • 尚未实现通过拖动边缘调整片段长度,以及分割片段。
  • 效果可视化是数值滑块,而不是图形界面(没有 EQ 曲线)。

当完全由生成器自行处理时,它仍然容易遗漏细节,或者只做功能的占位实现。QA 依然能够发现这些最后阶段的问题,交给生成器修复。

根据提示,我期待的是一个程序:可以创建旋律、和声与鼓点,将它们编排成歌曲,并在过程中获得内置智能体的帮助。下方视频展示了结果。

这个应用距离专业音乐制作程序还很远,智能体的作曲能力显然也需要大量改进。此外,Claude 实际上听不到声音,这使 QA 反馈循环在音乐品味方面的作用减弱。

但最终应用具备了一个可用音乐制作程序的所有核心组成部分:在浏览器中运行的编排视图、混音器和播放控制。除此之外,我还能完全通过提示制作一段简短的歌曲片段:智能体设置速度和调性,写出旋律,创建鼓轨,调整混音器电平,并加入混响。作曲所需的核心基础操作已经具备,智能体可以自主驱动它们,使用工具从头到尾完成一段简单的音乐制作。你可以说,它还没有做到“音准完美”——但正在接近。

接下来会怎样

随着模型持续进步,我们大体可以预期,它们能够工作更长时间,处理更复杂的任务。有时,这意味着围绕模型搭建的辅助结构会随着时间推移变得不那么重要;开发者可以等下一个模型到来,看着某些问题自行解决。另一方面,模型越强,就越有空间开发运行框架,完成超出模型基线能力的复杂任务。

考虑到这一点,这项工作有几条经验值得延续。针对你正在构建所用的模型进行实验,阅读它在真实问题上的执行记录,并调优其表现以达到期望结果,始终是良好实践。在处理更复杂的任务时,有时可以通过拆解任务,并为问题的不同方面配置专门智能体,挖掘更多提升空间。当新模型发布时,通常也应该重新审视运行框架:移除那些不再对效果起关键作用的部分,并加入新的部分,实现此前可能无法达到的更强能力。

这项工作让我确信,有价值的运行框架组合空间,不会随着模型进步而缩小。它只会移动;AI 工程师有意思的工作,就是不断寻找下一种新的组合。

致谢

特别感谢 Mike Krieger、Michael Agaby、Justin Young、Jeremy Hadfield、David Hershey、Julius Tarng、Xiaoyi Zhang、Barry Zhang、Orowa Sidker、Michael Tingley、Ibrahim Madha、Martina Long 和 Canyon Robbins 对这项工作的贡献。

也感谢 Jake Eaton、Alyssa Leonard 和 Stef Sequeira 帮助完善这篇文章。

附录

规划器智能体生成的计划示例。

RetroForge——2D 复古游戏制作工具

概述
RetroForge 是一个基于 Web 的创作工作室,用于设计和构建 2D 复古风格电子游戏。它将经典 8 位与 16 位游戏美学的怀旧魅力,与现代、直观的编辑工具结合起来,让业余创作者到独立开发者都能够实现游戏创意,而无需编写传统代码。

平台提供四个集成的创作模块:基于图块的关卡编辑器,用于设计游戏世界;像素画精灵编辑器,用于制作视觉素材;可视化实体行为系统,用于定义游戏逻辑;以及即时可玩的测试模式,用于实时测试游戏玩法。通过在各处融入由 Claude 驱动的 AI 辅助,RetroForge 加快了创作过程,帮助用户通过自然语言交互生成精灵、设计关卡和配置行为。

RetroForge 面向喜欢复古游戏美学、又希望享受现代便利的创作者。无论是重现童年的平台跳跃游戏、RPG 或动作游戏,还是在复古约束下创造全新体验,用户都能够快速制作原型、通过可视化方式迭代,并与他人分享作品。

功能
1. 项目仪表盘与管理
项目仪表盘是 RetroForge 所有创作工作的起点。用户需要一种清晰、有条理的方式来管理游戏项目:创建新项目、返回进行中的作品,并一眼了解每个项目包含什么。

用户故事:作为用户,我希望:

- 创建一个带名称和描述的新游戏项目,以便开始设计游戏。
- 看到所有现有项目以可视化卡片形式展示,显示项目名称、最后修改日期和缩略图预览,以便快速找到并继续我的工作。
- 打开任意项目,进入完整的游戏编辑器工作区,以便开发游戏。
- 删除不再需要的项目,并通过确认对话框防止误操作,以便保持工作区整洁。
- 复制现有项目,作为新游戏的起点,以便复用之前的工作。

项目数据模型:每个项目包含:

项目元数据(名称、描述、创建/修改时间戳)
画布设置(分辨率:例如 256x224、320x240 或 160x144)
图块尺寸配置(8x8、16x16 或 32x32 像素)
调色板选择
所有关联的精灵、图块集、关卡和实体定义

...

术语解释

以下为译文涉及的术语说明,不属于原文正文。

  • Harness(运行框架):围绕模型组织任务执行的程序,包括上下文管理、任务交接、工具调用、评估和迭代等机制。
  • Scaffold(脚手架):围绕模型搭建、弥补其能力不足的辅助结构;本文讨论随着模型升级重新检查这些结构是否仍有必要。
  • Generator / Evaluator(生成器/评估器):分别负责产出实现和独立检查质量的智能体。
  • Planner(规划器):将简短需求扩展为产品规格的智能体。
  • GAN(Generative Adversarial Network,生成对抗网络):通过生成器与判别器的对抗训练学习生成数据的模型结构。本文只是借鉴其思路构建智能体反馈循环,并非训练一个 GAN。
  • Context reset(上下文重置):清空上下文,通过包含必要状态和后续步骤的交接材料,让新的智能体接续工作。
  • Compaction(上下文压缩):将较早对话压缩为摘要,让同一个智能体在缩短的历史上继续执行。
  • Context anxiety(上下文焦虑):本文指模型察觉上下文上限临近时提前结束工作的行为,不表示模型具有人的情绪。
  • Sprint(迭代周期):本文用于把开发工作拆成可管理的功能块。
  • Sprint contract(迭代契约):开始实现前,由生成器与评估器共同确定的交付范围、完成标准和验证方式。
  • QA(Quality Assurance,质量保证):检查功能、交互与实现是否达到预期的过程。
  • Few-shot(少样本示例):在提示中提供少量示例,引导模型按相近的标准执行。
  • Playwright MCP:通过 MCP 向智能体提供浏览器自动化操作能力,使其可以访问页面、点击和检查交互。
  • DAW(Digital Audio Workstation,数字音频工作站):用于编曲、录音和混音的音乐制作软件。
  • Web Audio API:浏览器中的音频处理接口。
  • Sprite(精灵):用于游戏角色或物体等的二维图像素材。
  • Tile / Tileset(图块/图块集):用于拼接游戏地图的基础图像单元及其集合。
  • Stub(占位实现):外观或接口已经存在,但实际功能尚未完整实现的代码。
  • Trace(执行轨迹):智能体运行中的调用、行为与结果记录,用于检查失败原因并调整运行框架。