@bibryam: https://x.com/bibryam/status/2108946927098208547

X AI KOLs Timeline 新闻

摘要

对在 Claude Code 中观察到的 12 种可复用的智能体(agentic)脚手架设计模式的拆解,按记忆/上下文、工作流/编排、工具/权限和自动化四类进行分组。

https://t.co/56EGseScFU
查看原文
查看缓存全文

缓存时间: 2026/10/11 15:18

来自 Claude Code 的 12 种 Agent 框架模式

模型只是编码 Agent 的一部分。

框架(harness)决定了模型记住什么、看到哪些上下文、如何拆分任务、可以使用哪些工具、哪些操作需要审批,以及每次工具调用前后自动执行什么。

纵观 Claude Code 的设计,可以提炼出十二种可复用的模式。它们分为四类:记忆与上下文、工作流与编排、工具与权限、自动化。

记忆与上下文

  1. 持久化指令文件

在每次会话开始时加载一个持久的项目文件。它携带构建命令、架构规则、命名约定和编码标准,随代码仓库一起存在。

这避免了每次对话都从空白开始。代价是维护:过时的指令可能以自信的方式教给模型错误的行为。

  1. 作用域上下文组装

大型代码仓库无法将所有指导都塞进一个有用的文件中。从组织、用户、仓库、目录等不同作用域组装上下文,使 Agent 只看到与其正在修改的区域相关的规则。

这在 monorepo 中非常强大,但当作用域之间冲突时,理解最终的指令集会变得更加困难。

  1. 分层记忆

不要以相同的优先级加载所有记忆。始终保持一个紧凑的索引可用,按需加载主题相关的文件,并将完整的对话记录留在磁盘上供搜索。

不同的记忆值得不同的保留和加载策略。

  1. 记忆固化(Dream Consolidation)

长期记忆会积累重复、矛盾和过时的事实。在空闲时间运行一个后台进程来审查、去重、修剪和重新组织这些记忆。

这是 Agent 状态的垃圾回收。它同样存在风险:过于激进的清理可能会删除用户仍然需要的内容。

  1. 渐进式上下文压缩

长时间的会话需要有损压缩。保留最近几轮对话的完整细节,对较早的轮次进行轻度摘要,对非常久远的历史进行更激进的折叠。

目标不是完美回忆,而是在原始对话记录已无法全部保留时,保留继续有效工作所需的决策和状态。

工作流与编排

  1. 探索-规划-执行循环

将阅读与写入分开。先用只读工具映射代码库,然后就方案达成一致,最后才授予完整的编辑权限。

这为简单任务增加了流程开销,但能防止在不熟悉的系统中过早进行修改。

  1. 上下文隔离的子 Agent

将研究、规划、审查或日志分析交给拥有独立上下文窗口和受限工具的子 Agent 处理。返回一个聚焦的结论,而不是整个嘈杂的对话记录。

隔离保护了主线程,代价是交接质量和协调开销。

  1. 分叉-汇合并行

当工作可以分解为独立单元时,将多个 Agent 分叉到隔离的 worktree 中,让它们并行推进,最后汇合结果。

只有在边界清晰时,加速才是真实的。重叠的编辑会把并行变成合并工作。

工具与权限

  1. 渐进式工具暴露

不要在启动时暴露所有可能的工具。从一个小的默认工具集开始,当任务需要时再激活 MCP 工具、远程能力或专业技能。

这减少了选择错误和上下文开销,但框架必须能够识别何时需要扩展。

  1. 命令风险分类

无论是不受限制的 shell 访问,还是每条命令都需要审批,都无法扩展。在执行前解析命令,根据动词、标志和目标进行风险分类,然后应用允许、询问或拒绝规则。

确定性的分类减少了审批疲劳,但随着新命令和失败模式的出现,其规则需要持续调优。

  1. 单一用途工具设计

用类型化的工具替代常见的 shell 即兴操作,分别用于读取、编辑、搜索和列出文件。狭窄的输入和清晰的边界使操作更容易被模型和权限系统理解和推理。

保留一个通用 shell 作为边缘情况的后备方案,而不是一切操作的默认接口。

自动化

  1. 确定性生命周期钩子

有些操作必须每次执行:在执行前验证命令、编辑后运行格式化工具、工作目录变化时重新加载配置,或将审计事件记录下来。

将这些不变量放在提示词之外的生命周期钩子中。任何绝不能被遗忘的事情,都不应依赖模型的记忆。

钩子在提升可靠性的同时,增加了一个需要可观测和可调试的第二执行层。

Agent 背后的架构

![架构示意图](read image descriptionALT)

这些不是临时的提示词技巧,而是架构层面的决策,即使底层模型持续进步,它们依然保持价值。

原文发布于 The Generative Programmer。

相似文章

@unicodef1wn: https://x.com/unicodef1wn/status/2070179071548395916

X AI KOLs Timeline

一篇推文解释了Anthropic在Claude Code中的动态工作流如何让Claude为复杂任务构建自定义框架,通过将工作拆分到不同的智能体来防止智能体惰性、自我偏好偏差和目标漂移等失败模式。内容包含供用户参考的实用示例和模式。

Building an Advanced Agentic Harness

Hacker News Top

A technical blog post that walks through building a production-grade agentic harness around a basic LLM loop, covering typed tools, plan DAGs, tiered memory, verification hierarchies, budgets, and tracing.