长任务的核心矛盾不是“模型能不能写代码”，而是：任务可能持续数小时或数天，但一次 Context Window 终究有限。把整个历史无限重放，会同时遇到容量和噪声问题。

Anthropic 第一代 Long-Running Agent Harness 的答案是：重置对话上下文，但把项目状态写进结构化工件，让下一轮 Agent 可以恢复工作。

系列导航：（一）从 Workflow 到 Agent · （二）Context Reset 与 Structured Handoff · （三）Planner–Generator–Evaluator · （四）Managed Agent Runtime

1. 为什么 Compaction 还不够？

Context Compaction 会总结较早的对话，把压缩结果留在同一个 Agent 和 Session 中。它的优势是连续、便宜、编排简单，但它不能保证提供真正干净的起点：

  • 摘要可能遗漏未来才显得重要的细节；
  • 过期计划、错误假设和噪声可能被一同保留；
  • 模型仍能感受到 Context 接近上限，并出现提前收尾的 “Context Anxiety”；
  • 下一轮可能只看到“已经完成了很多”，于是过早宣布成功。

Context Reset 则清空 Context Window，用全新的 Agent 实例继续。代价是必须有足够完整的 Handoff，否则状态会丢失。

方法 优点 风险
Context Compaction 保持同一 Session 的连续性；编排简单；延迟和 Token 开销较低 摘要可能失真；旧假设与噪声继续存在；不是干净起点
Context Reset 清空噪声和过期假设；每一轮都能重新聚焦 依赖高质量 Handoff；增加编排、恢复和检查成本

这两者不是互斥关系。成熟系统可以在短周期内 Compaction，在阶段边界或上下文明显劣化时 Reset。

2. 两类 Agent：Initializer 与 Coding Agent

Anthropic 将工作拆成两个角色：

2.1 Initializer Agent

第一轮不急着实现功能，而是建立后续所有 Session 共享的工作环境：

  • feature_list.json：完整功能、验收步骤和通过状态；
  • claude-progress.txt：本轮进展、测试结果、已知问题和下一步；
  • Git 初始提交：建立可追溯、可回退的基线；
  • init.sh：统一启动环境和基本检查方式。

其中 Feature List 很关键。它把“完成项目”从模糊感觉变成一组初始均为失败、需要逐项验证的外部事实。

2.2 Coding Agent

后续每一个新 Context 都执行相同协议：

  1. 读取目录、Git 历史、Progress 和 Feature List；
  2. 运行 init.sh 并做基础端到端检查；
  3. 只选择一个尚未通过的高优先级 Feature；
  4. 实现并通过真实环境验证；
  5. 只在证据充分时修改 passes 状态；
  6. 写 Progress、提交 Git，留下干净状态。

Context Reset 与 Structured Handoff 的完整循环

3. Structured Handoff 到底传递什么？

好的 Handoff 不是一段“我大概做了这些”的自然语言摘要，而是多层互相校验的状态：

  • Spec / Feature List 回答“完整目标是什么”；
  • Progress Log 回答“上一轮做了什么、哪里有风险”；
  • Git History 回答“代码实际发生了什么变化”；
  • Code + Tests 是当前系统状态的最终事实来源；
  • Startup Script 回答“如何恢复一个可验证的运行环境”。

它们解决了两个不同问题：Context Reset 清理模型内部的短期工作区；Structured Handoff 保留模型外部的长期项目状态。

可以概括为：

Fresh Context + Durable Artifacts + Ground-Truth Tests = 可持续的长任务执行

4. 为什么强调“一次只完成一个 Feature”？

裸 Agent 容易试图一次性完成整个应用，结果在 Context 用完时留下半成品。下一轮既无法判断设计意图，也不清楚哪些部分可靠。

增量策略把每轮输出约束为一个可合并状态：

  • 变更范围足够小，便于理解和回退；
  • 每轮都必须恢复并检查现有系统；
  • 完成条件对应可执行的验收步骤；
  • Session 结束时没有与当前 Feature 无关的烂尾状态。

这与优秀人类工程团队的换班方式非常相似：不是共享每一次聊天，而是共享 Issue、提交、测试和可运行系统。

5. 测试是 Handoff 的一部分

模型的自我评价并不足够。Anthropic 发现，只运行单元测试或 curl 也可能错过真实用户路径。对 Web 应用，Agent 需要使用浏览器自动化像用户一样点击、输入、观察 UI 与后端状态。

因此，“测试通过”不能只是 Progress 文件里的文字。它应该包含可重放步骤和环境反馈。下一轮 Agent 首先执行冒烟测试；如果前一轮留下损坏状态，应先修复基线，再开始新 Feature。

6. 这一代 Harness 的边界

Initializer + Coding Agent 解决了跨 Context 连续性，却没有完全解决质量判断：

  • Generator 仍可能对自己的成果过度乐观；
  • 主观质量很难靠单一通过/失败字段表达；
  • 更复杂应用需要在产品规划、实现和 QA 之间形成制衡；
  • Harness 组件本身也可能随模型变强而成为负担。

这直接引出了下一阶段：把“做工作”和“判断工作”分离，形成 Planner–Generator–Evaluator 三 Agent 系统。

参考资料