@undefinedKi：这可能是今年关于 AI 智能体最有用的论文。Wavestone AI Lab 团队拆解了 Claude Code、Codex 等…

X AI KOLs Timeline 论文
ai-agents harness-architecture claude-code codex software-engineering agent-design open-source

摘要

Wavestone AI Lab 拆解了 11 个编码智能体——包括 Claude Code 和 Codex——发现它们都遵循一套共通的 7 部件框架（循环、LLM 层、工具、记忆、安全、编排、扩展），最终提炼出一个可复用的 90 行框架和 18 条设计建议。

这可能是今年关于 AI 智能体最有用的论文。 Wavestone AI Lab 团队拆解了 Claude Code、Codex 以及另外 9 个编码智能体，发现了每个优秀智能体背后的 7 部件蓝图。 他们的定义：智能体 = 模型 + 框架（harness）。全部 11 个智能体都用相同的 7 个部件搭建框架，只是规模大小不同。 > 循环（Loop）：Mini-SWE-Agent 就是一个普通的 while 循环；OpenHands 记录每一个事件，因此运行过程可以完整重放 > LLM 层：一端是一个提示词模板，另一端是 29 个提供商配置档 > 工具（Tools）：有的智能体只有 bash，最大的一个按需加载了 43 个类型化工具 > 记忆（Memory）：从保留完整历史，到跨会话由智能体自行维护的笔记 > 安全（Safety）：从简单的步数限制，到策略规则 + 审查模型 + 操作系统沙箱 > 编排（Orchestration）：Aider 故意不使用子智能体，其他项目则会 fork 出带有独立上下文的子智能体 > 扩展（Extensions）：hooks、skills 和 MCP。SKILL.md 出现在 11 个项目中的 9 个，MCP 出现在 8 个中 论文最后给出了一个覆盖全部 7 个部件的 90 行框架实现，可以直接作为你自研项目的起点。 关键页码： > 第 4 页：7 部件全景图 > 第 12 页：3 种循环类型，以 Claude Code 和 Codex 为例 > 第 53 页：为什么它们都不使用框架或向量嵌入 > 第 67 页：18 条设计建议 > 第 71 页：可以直接抄用的 90 行框架
查看原文
查看缓存全文

缓存时间: 2026/10/04 15:16

这可能是今年关于 AI agents 最有用的一篇论文。

Wavestone AI Lab 的一个团队拆解了 Claude Code、Codex 以及其他 9 个 agent，发现了所有优秀 agent 所共有的 7 个组成部分构成的蓝图。

他们的定义：agent = 模型 + harness。这 11 个 agent 的 harness 都由相同的 7 个部分组成，唯一不同的是各自的规模。

Loop（循环）：Mini-SWE-Agent 是一个朴素的 while 循环；OpenHands 会记录每一次事件，因此一次运行可以被重放

LLM 层：一端是一套 prompt 模板，另一端是 29 个 provider 配置

Tools（工具）：有的 agent 只有 bash，最大的一个按需加载了 43 个类型化工具

Memory（记忆）：从保留完整历史，到 agent 自己维护的跨会话笔记

Safety（安全）：从简单的步数限制，到策略规则 + 审查模型 + 操作系统沙箱

Orchestration（编排）：Aider 有意不使用子 agent，其他 agent 则会 fork 出拥有独立上下文的子 agent

Extensions（扩展）：hooks、skills 和 MCP。SKILL.md 出现在 11 个 agent 中的 9 个，MCP 出现在 8 个中

论文最后给出了一个覆盖全部 7 个部分的 90 行 harness，可以作为你自己搭建的良好起点。

重点页面：

p.4：7 部分的架构图 p.12：3 种循环类型，以 Claude Code 和 Codex 为例 p.53：为什么这些 agent 都不用框架、也不用 embeddings p.67：18 条设计建议 p.71：可以直接复制的 90 行 harness

相似文章

深入Claude Code：当前与未来AI代理系统的设计空间

Hugging Face Daily Papers

本文分析了Claude Code作为代理编程工具的架构，识别出影响其实现的五种人类价值观和十三项设计原则，包括安全系统、上下文管理和可扩展机制。研究将Claude Code与OpenClaw进行比较，展示了不同的部署环境如何针对常见的AI代理设计挑战产生不同的架构解决方案。

@shao__meng: Claude Code、Cursor、Codex、Aider、Cline 部分底层模型可能完全相同，但 Agent 表现却不一样，为什么？ @addyosmani 认为：是因为模型之上的那层“外壳” —— Harness，它包括「提示词、…

X AI KOLs Timeline

The article discusses how Addy Osmani argues that the performance difference between AI coding agents like Claude Code, Cursor, and Cline stems from their 'Harness'—the layer of prompts, tools, and constraints around the model—rather than the underlying model itself. It details best practices for harness engineering, including hooks, sandboxing, and context management, to bridge the gap between model capability and actual agent performance.