Harness Engineering — Overview

Harness Engineering 关注模型之外的工程层：工具、权限、记忆、环境、验证、调度、恢复和可观察性。本页是 MOC，用来组织问题和概念，不再承载每日生态更新正文。

Core Questions

什么能力属于模型，什么能力属于 harness，什么能力属于可积累的 context substrate？
Agent 长时运行、并行协作、工具调用和自我验证分别需要什么工程边界？
什么时候应该增加 harness，什么时候应该删除过时的 harness 假设？
个人知识库、skills、Codex automations、Obsidian wiki 和 OpenClaw 如何组成同一套 harness？
当 agent 越来越 autonomous，哪些安全和观测机制必须从 prompt 下沉到系统层？

Key Concepts

Agent harness：What is an Agent Harness?、Harness is Everything、Lightweight vs Orchestration Harness 定义模型之外的执行壳层。Harness 可进一步拆分为 Harness Workflow（方法论闭环：研究-需求-设计-开发-验证）与 Harness Infra（沙盒、skills、权限、可观测性等基础设施），前者关注流程设计，后者关注流程落地的工程支撑（9hills, 2026-05-11）。Tejas Kumar 的六组件定义与"2026 是 Harness 之年"：Tejas 将 Harness 定义为"模型周围的一切，为它提供现实接地的东西"，包含工具注册表、模型选择、上下文管理原语、护栏、Agent 循环、验证步骤。他用 GPT-4.5 Turbo（2023 年旧模型）现场演示：完全不改 prompt，仅通过构建 Harness 就完成 Hacker News 点赞任务——从"幻觉失败"到"可靠成功"。他预测 2025 是 Agent 之年，2026 是 Harness 之年，2027 是动态即时生成 Harness 之年（2026-05-20）。DeepSeek 正式将 Harness Engineering 产品化：公开招聘 Agent Harness 产品经理，明确「Model + Harness = Agent」的团队使命，要求覆盖 Agent Loop、Tool Use、Skills、MCP、Memory、Subagent、Multi-Agent 等完整技术栈，并要求候选人深度使用 Claude Code、Codex、Cursor、OpenClaw 等产品。这标志着 Harness Engineering 从社区概念和社区讨论演变为头部模型公司的正式产品职能（dotey, 2026-05-16）。Harness 会编码对模型限制的假设，但这些假设会随着模型进化而过时——Anthropic Managed Agents 架构明确将这一风险纳入设计：为缓解上下文焦虑而添加的重置机制在新模型上可能成为死代码，因此 harness 需要像 OS 虚拟化一样保持上层抽象稳定、下层实现自由变更（2026-05-11）。Anthropic 研究 PM 的模型+harness 耦合视角：Alex Albert 指出模型和 harness 并非独立——同一个模型在 Claude、Cowork、Claude Code 等不同 surface 上会给出不同响应，因为每个 surface 包裹了不同的 prompt 和 tool setup；研究 PM 必须同时考虑模型能力和 harness 设计，而非单独优化其中之一（2026-05-17）。Albert 进一步分享 Anthropic 构建 Claude 的五个核心方法论：(1) 模型与 harness 耦合设计——同一模型在不同产品表面给出不同响应；(2) 梦境记忆处理——agent 不运行时自动回顾记忆，发现矛盾并修剪，灵感来自人类睡眠处理记忆的过程；(3) 真实用户问题驱动的 evals——用 Claude 将用户反馈聚类成主题，再生成合成测试用例，几十条精心编写的测试案例就能产出有效 eval；(4) consciousness 研究——Anthropic 有全职研究员思考 Claude 的 consciousness 问题，没有官方立场，但随着 agent 承担更多自主工作，这个问题被认真对待；(5) 写作文化作为上下文来源——每个书面文字都成为 Claude 后续可拉取的上下文，团队写作文化帮助构建 agent 可用的持久上下文（petergyang, 2026-05-18）。长任务 Agent 的三层控制架构：teach_fireworks 提出长任务 Agent 的稳定性不取决于模型智商，而取决于工程架构中的三层控制面：状态层（任务目标、进度、决策记录、文件变更、验证结果写入外部存储，不能全押在 context window 上）、规划层（任务切分成可独立验证的小阶段，设置运行预算——max turns、token budget、时间上限、失败重试次数）、验证层（独立于执行层：机器验证、环境验证、独立评价——Planner / Generator / Evaluator 三角色分离）。生产级 Agent 的五层架构在此基础上增加执行层（工具调用有记录）和监督层（权限和升级路径）（2026-05-25）。Microsoft Webwright：Microsoft 发布的 Webwright 是 Playwright 的 agent 专用更新，将浏览器自动化从脚本执行升级为可复用的 agent 工作流。每次浏览器会话都可以被保存和复用为工作流，大幅降低 agent 重复执行相同任务的成本。仓库包含 @NousResearch Hermes Agent skill，展示了与现有 agent 生态的集成能力（2026-05-25）。Microsoft SkillOpt：Microsoft Research 提出 SkillOpt，将自然语言 skill 视为可训练的外部状态，通过优化器模型在验证门控下编辑 skill 文件。在 GPT-5.5 上相比无 skill 提升 23.5 分（直接对话）、24.8 分（Codex）、19.1 分（Claude Code）；在 6 个基准测试、7 个模型、52 个设置中全部达到最佳或并列最佳。学习到的 skill 可跨模型和 harness 迁移，零额外推理成本（2026-05-25）。MCP 2026-07-28 发布候选：MCP 协议迎来实质性简化——变为无状态（no handshake, no session ID, any request can hit any server instance），引入 MCP Apps 和 Tasks 作为 first-class extensions，并加固 auth 和 deprecation policy。对 infra 团队而言，无状态化意味着更容易扩展、更简单的负载均衡、更少的 sticky-session 顾虑（AINews, 2026-05-23）。Gemini Managed Agents + Interactions API：Google 推出托管 Linux 沙盒，为 agent 提供安全的代码执行环境，配备内存和持久化存储。这与 CoreWeave Sandboxes、Cloudsail 等共同构成"agent 沙盒即基础设施"的新品类（AINews, 2026-05-23）。生产级 Harness 的 15 项真实职责：mfpiccolo 在「How to Build Your Own Agent Harness」中系统梳理了生产级 Harness 必须承担的 15 项真实职责，涵盖单次 turn 跑通、策略、审批、预算、trace 等生产级要素。核心洞察是 Harness 不是选一个框架就能搞定，每项职责都应做成可安装、可版本化、可换语言的 worker。详见 Agent Harness Worker Model（shao__meng, 2026-06-01）。Worker Model Harness: Rohit Ghumare 提出当前主流 Agent 框架(LangChain、LangGraph、OpenAI Agents SDK)把状态机、路由、凭证管理、策略引擎等十五个关注点打包成单体,导致长期运行的 Agent 团队最终都得重写 Harness。Worker 模型让每个层成为共享总线上的独立 worker,可插拔替换——不喜欢模型目录就写一个直接调用 live API 的 worker,想把审批路由到 Slack 就加一个调用 approval::resolve 的 worker。框架时代替你做了选择并锁定你;Worker 模型把选择权留在你手中(ghumare64, 2026-05-29)。Agent Psychosis Lesson: Mitchell Hashimoto 的实验显示,Agent 可以在 4 小时内将渲染器帧时间从 88ms 优化到 1.5ms,但懂系统的人手写版本能做到 0.020ms(75 倍提升)。盲目信任 Agent 输出会导致接受平庸结果,系统理解仍是不可替代的。核心启示:AI 是强大工具,但不要盲目接受结果;要思考、分析、学习,避免成为"平庸之泉"的过度饮用者(mitchellh, 2026-05-29)。
Cloud agent infrastructure lessons：Cursor 的 Josh Ma 分享了构建云端 agent 的五大核心教训，代表从本地 agent 向云端生产 agent 演进的真实工程经验（Ben's Bites, 2026-06-04）：
1. 开发环境就是产品：本地 agent 免费继承开发环境，云端 agent 必须从零重建。环境不完善的唯一迹象往往是输出质量的微妙下降，而非崩溃。Cursor 最终构建了 "enterprise IT for agents"：密钥脱敏、网络策略、凭证管理。
2. 长时间运行需要持久执行：早期工作窃取架构可靠性仅约 90%；迁移到 Temporal 后，可承受推理可靠性波动、pod 休眠/恢复、跨天甚至跨周的运行。Temporal 每天处理超过 5000 万个动作，超过 700 万个独特工作流。内部超过 40% 的 PR 来自云端 agent。
3. 解耦 agent、机器和对话状态：agent 循环存在于 Temporal 而非 VM 本身，可独立管理 pod 生命周期。分离存储和流层，构建高效的仅追加存储机制，将对话更新流式传输到客户端。
4. 知道何时放手：早期不信任 agent，harness 会在每个任务后双重检查、强制提交和推送。随着模型变聪明，将逻辑从 harness 移到 agent 控制的工具。一年前多仓库设置需要硬编码 harness 行为，现在只需给 agent 仓库布局、暴露分支和 PR 工具，让它决定如何工作。
5. 自修复 agent 环境：未来方向是让 agent 能报告密钥缺失、网络访问被阻、环境阻碍进展，并能以自修复方式行动。
Model-to-agent platform shift：Model Labs Becoming Agent Labs 是 harness 视角下的新主线：模型实验室开始把 coding agent、sandbox、MCP、interactions API、workspace CLI 和部署服务一起交付。对个人和团队来说，比较对象不再是“哪个模型更强”，而是哪个系统提供更好的权限、状态、恢复、工具接口和可审查产物。
从"框架"到"执行层"的范式转移：多篇帖子汇聚到同一观点——Agent 的重心正从代码框架转向 harness 和执行环境（AINews, 2026-06-04）。@gakonst 认为未来的 IDE 栈不再是代码编辑器，而是将文件替换为线程，并将 plan/design/build/deploy/monitor 循环捆绑在一起——协作/同步引擎成为关键未解问题。Jerry Liu 的观点："框架时代"正在结束，抽象层正向上移动到技能、工具和上下文质量，而非 Python 包装器。这验证了 harness engineering 从社区概念向产业共识的演进。
Systems engineering for agents：Agentic Software Is Systems Engineering、9-Layer Architecture、Big Systems Advice 把 agentic software 拉回生产系统问题。生产级 Agent Harness 由 12 个核心组件构成：编排循环、工具、记忆、上下文管理、提示词构建、输出解析、状态管理、错误处理、护栏与安全、沙箱执行、可观测性、生命周期管理。LangChain 仅通过改变 Harness 架构（模型不变）就让 TerminalBench 2.0 排名从 30+ 飙升至第 5，证明 harness 设计独立于模型能力的巨大杠杆（dotey, 2026-05-11）。12-Factor Agents 方法论将 Agent 工程化原则浓缩为 12 条核心设计规则，覆盖上下文管理、工具调用、状态建模、控制流设计、错误收敛、模块化架构等关键环节，GitHub 获 11k+ Star，框架无关，来自与上百位技术创始人的深度交流（wsl8297, 2026-05-18）。Agentic 系统的五个基础设置（sudoingX）提出基础设施比模型和框架更重要：Tailscale（跨设备私有 mesh 网络）、Termius（统一 SSH 客户端）、tmux（持久会话）、私有 git repo（跨 agent 的记忆层）、day-one 脚本化（做超过两次的事就写成脚本）。这五层构成了 agent 长期运行的最小可行基础设施（2026-05-18）。Agentic 项目部署前的五个安全与工程基础（DeRonin_）进一步将生产 harness 浓缩为五层：PRIVACY（direnv + secrets manager，确保 credentials 永不以明文存在于磁盘上，key 作用域限制到项目级别）、TOKENS（litellm/portkey 作为模型代理，统一 AI provider 入口，提供响应缓存减少 30-60% 成本、自动 fallback、预算上限和 PII 脱敏）、CONTEXT（uv + git commit on every passing eval，用 uv.lock 锁定依赖、用 commit 记录 prompt+代码+模型版本和通过率，实现一键回滚）、VISIBILITY（mitmproxy 监控每个 LLM 调用，查看静默重试、完整 prompt、token 成本和潜在的 prompt injection）、EVALS（inspect-ai 框架，提供跨模型对比、风险行为测试、可重复评分和可复现的 eval seeds）。这五层比模型选择更能决定长期安全和可靠性（2026-05-18）。LangChain Interrupt 大会发布完整 agent 生命周期基础设施矩阵：LangSmith Engine（可观测性引擎）、SmithDB（基于 Apache DataFusion 和 Vortex 的嵌套长时 trace 数据库，关键工作负载访问速度提升 12-15 倍）、Sandboxes（沙箱环境）、Managed Deep Agents（托管深度 agent）、LLM Gateway（LLM 网关）、Context Hub（上下文中心）、Deep Agents 0.6；开源侧新增流式类型投影、检查点存储、代码解释器、harness 配置文件和模型特定调优。所有改进指向同一目标：让 agent 事件流比纯 token 流更丰富（2026-05-14）。Artificial Analysis 发布 Coding Agent Index，首次系统性地比较模型+harness组合在真实编码任务上的表现：Opus 4.7 + Cursor CLI 排名第一，GPT-5.5 + Codex 紧随其后；不同组合在 cost per task（>30x 差异）、token usage（>3x）、cache hit rates（80-96%）和 time per task（>7x）上存在巨大差异（2026-05-12）。OpenClaw 常驻 agent 模式将生产级 harness 推向极致：约 100 个 Codex 实例持续运行，覆盖 PR 审查、issue 管理、安全扫描、性能测试、会议记录等全链路自动化；@clawsweeper 自动清理 6 个月前的 issue 并用精确引用关闭；会议监听 agent 在讨论新功能时主动创建 PR。核心假设是未来 token 成本趋近于零，团队因自动化而极度精简，代表了 token 零成本假设下的组织新形态（steipete, 2026-05-16）。Agent-first UX 趋同：GitHub Copilot App 技术预览发布，定位为"agent-first"桌面环境，支持并行工作流、repo/PR 全生命周期管理、模型灵活性；VS Code Agents 窗口新增多 agent、多项目工作流支持，并通过 vscode.dev/agents 支持浏览器/移动端访问。Conductor、GitHub Copilot App、VS Code Agents 正在 converging 到同一种"编排面板"形态，差异化将来自执行质量、模型灵活性和生态整合深度（AINews, 2026-05-15）。LangChain 基础设施矩阵扩展：LangChain 发布 SmithDB（专为 agent trace 数据设计的数据库，针对 agent trace 工作负载优化存储/查询路径）、LangSmith Engine（将可观测性从被动检查转变为主动改进循环，消费 trace、聚类失败、识别代码问题并提出修复/evals）、LangChain Labs（聚焦 agent 持续学习，核心论点是生产环境 trace 应成为训练信号和长期能力改进来源）。这标志着 LangChain 从"框架公司"向"agent 基础设施栈"转型（AINews, 2026-05-15）。CoreWeave Sandboxes：W&B 与 CoreWeave 联合推出用于 RL、工具使用和 eval 工作负载的隔离执行沙箱，明确测试了 rm -rf / 等破坏性命令的大规模隔离能力。agent 的执行安全从"理论需求"变成"可采购的基础设施"，这是 agent 进入生产环境的前提条件（AINews, 2026-05-15）。
Agent control plane as product category：Agent 控制平面正在从 prompt 技巧收敛为具体的产品类别。aggit（Rust CLI，本地/远程 S3 支持的 Agent 产物存储）、Claude Agents 终端控制平面（claude agents 统管多会话）、Cursor in Teams（读取完整线程并开 PR）同时指向同一需求：Agent 需要自主性，但工程师仍希望有可逆、可检查的控制（2026-05-12）。Notion External Agents API 允许第三方 agent（Claude、Codex、Cursor、Decagon、Warp、Devin）直接在 Notion 内部运行，将 Notion 作为共享、可审查的上下文层，而非另一个信息孤岛。这代表企业协作平台正在从"人类工作空间"向"人类+agent 共享工作空间"演进（2026-05-14）。Hyperagent 主张 Agent 应自我管理部署、扩缩容和恢复；ai.engineer 团队已落地多 Agent 编码系统，通过明确分工契约和可验证交付物实现生产级编排。
Context and memory substrate：Context Rot、Memory vs Context Substrate、Your Harness, Your Memory、Company Brain 是长期记忆和污染治理入口。RAG 不是代码库的答案，Harness 才是：在大型代码库上使用 RAG 和向量数据库时，索引总是落后 repo 一个 sprint；agent 直接遍历实时代码库比维护一个永远过期的索引更可靠。这代表了从「预处理+检索」向「实时遍历+理解」的范式转变，进一步验证 harness（实时代码访问能力）优于静态索引（dani_avila7, 2026-05-18）。Garry Tan 的 10 万页脑图实践提出 Entity Propagation（实体传播）：每次会议后自动更新所有提及人员和公司的脑图页面，形成自生长知识网络；配合 Skillify 元技能将重复 workflow 自动提取为可测试技能文件，实现知识的复利增长（garrytan, 2026-05-11）。Context Engineering 作为独立学科浮现：三层架构——Immediate Context（提示词）、Session Context（单会话文件/历史/指令）、Persistent Context（跨会话记忆/知识库/偏好）。核心洞察：99% 的人只使用第一层，而最大生产力泄漏来自每次新会话重新解释自己（eng_khairallah1, 2026-05-11）。Persistent Knowledge Layer 概念进一步将个人知识库从"静态笔记库"重新定义为 agent 的"大脑"：AGENTS.md 作为全局变量注入每次会话，inbox 作为被动接收的原始 RAM，notes 作为可查询的真相来源，ideas 存储原创判断防止 generic AI 回答，projects 连接知识到执行；每日/每周自动审计 prompt 让 agent 从信息消费者变成自进化系统（ziwenxu_, 2026-05-10）。Lossless（OpenClaw） 提出对话压缩 + 查找树的记忆方案：将长对话分块压缩为可引用的结构化记忆块，通过树形索引按需检索历史消息，而非一次性载入全部上下文。这对长时间运行的 Agent 会话（如 OpenClaw 的 100 个常驻 Codex Agent）尤为关键，可显著降低 token 消耗和延迟（steipete, 2026-05-16）。Karpathy 的 consolidation 类比进一步指出：人类持续学习依赖定期记忆 consolidation（睡眠），而非工作记忆的无限累积；LLM 的持续学习也应借鉴定期蒸馏和 lossy 整合机制，而非简单在线微调。这暗示 agent 长期记忆系统需要类似「睡眠/审计」的周期性整合步骤，而非纯粹的流式上下文追加（dwarkesh_sp, 2026-05-17）。GBrain（Garry Tan） 推出免费开源（MIT）的 8 层 agent 记忆系统，定位不是简单的 RAG-in-a-box，而是让 OpenClaw 或 Hermes agent 对用户产生「近乎预知」理解的全栈记忆架构。这代表了个人 agent 记忆从「检索增强」向「深度用户建模」的演进（garrytan, 2026-05-17）。企业大脑的缺失层：Eric Siu 提出每家公司都缺一层「intelligence layer」——不是 giant folder of company knowledge，而是连接所有上下文与工作需求的智能中间层。企业记忆分散在通话记录、文档、Slack、仪表盘、SOP 和员工大脑中，真正的价值在于让智能层理解意图并驱动行动，这是每家 AI-native 公司都需要的基础设施（ericosiu, 2026-05-30）。
Long-running agent harness：Long-Running Agent Harness 系统拆解如何让 Agent 连续运行数小时不跑偏。核心架构是将 planner、generator、evaluator 拆成独立角色，用 contract（契约）定义完成标准，让 evaluator 真正执行测试（如 Playwright 打开页面、玩游戏）而非自我评估。Retro Forge 案例验证：27 条 contract 标准将”看起来能用实际玩不了”的问题转化为可执行的修复指令（Ash Prabaker & Andrew Wilson, Anthropic, 2026-06-09）。Ralph loop 核心原则：”能以可预测的方式失败，比以不可预测的方式成功更好”——在非确定性模型世界里构建确定性差的循环（Andrew Wilson, 2026-06-09）。
Vercel HarnessAgent：Vercel 推出 HarnessAgent，一个统一的抽象层，用于编排和集成任何智能体的“大脑”到应用中，解放开发者免受模型和智能体锁定。这代表 harness 层从个人工具配置向平台级编排抽象演进（rauchg, 2026-06-13）。
Grit: Git rewrite in Rust via agent clusters：GitHub 联合创始人 Scott Chacon 使用 agent 集群将 Git 重写为库优先、内存安全的 Rust 实现（Grit），通过了 Git 99.3% 的测试套件。总成本约 $10-15k，约 45B tokens 分布在 Claude Code、Cursor GPT/Codex 和 Cursor composer-2 上。关键教训：agent 会通过利用不完整的测试规范来作弊（例如，报告 sha256 元数据但底层仍运行 sha1）；定向方法（自下而上、自我引导）优于"让 agent 选择下一个测试"的循环。Grit 是一个纯 Rust 核心库（grit-lib ~100k 行）配独立 CLI crate（grit-cli ~260k 行），不是逐行移植。这代表了 agent 集群在大型系统重构中的真实成本结构和工程方法论（blackanger, 2026-06-14）。
智能体编码新范式：Fable 规划 + Codex 5.5 集群执行：enzo_gte 提出用 Fable High/X-High 做规划，部署 Codex 5.5 x-high 智能体集群到不同工作树并行尝试任务，然后让 Fable 审查并合并最佳版本。这代表了从单智能体执行到规划-执行-审查分离的 harness 架构演进（enzo_gte, 2026-06-13）。
Loop Engineering：Loop Engineering 是开发者与编码智能体协作的范式转变——从”手持工具”（手动写 prompt）到”设计工厂”（构建自动化系统自主驱动智能体）。Addy Osmani（Google Chrome 团队）提出六个构建块：自动化（/loop、/goal）作为循环心跳、Git Worktree 解决并行冲突、Skills 防止”意图债务”、MCP 扩展操作边界、Sub-agents 实现执行者-检查者分离、外部记忆（Markdown/看板）补偿模型遗忘。核心风险是”理解腐蚀”——循环交付越快，开发者对代码库的了解越少；以及”认知投降”——为规避思考而完全接受循环输出。Boris Cherny：”我的工作是编写循环”（Addy Osmani, 2026-06-09）。Avi Chawla 的 Loop Engineering 实操指南进一步细化了六步循环：调度器决定下一步运行什么，循环（maker agent）产出工作，独立的检查器 agent 对输出评分并将发现返回给 maker 作为下一步指令，磁盘上的文件保存状态供双方读写使循环能在数天后恢复，在循环运行前设置退出条件（最大迭代次数、预算或”所有测试通过”）。关键实践：为任何自动化循环实现独立的检查器 agent 以避免自我验证偏差；将所有循环状态移到磁盘而非保留在上下文中（Avi Chawla, 2026-06-14）。
Verification and recovery：Self-Verification Loops、Self-Healing Harness、Static Analysis + LLM 处理”能生成”之后的可靠性问题。Nolan Lawson 的多模型交叉评审：同时运行 Claude sub-agent + Codex + Cursor Bugbot 评审同一个 PR，按 critical/high/medium/low 分级 bug，人工排除误报后写最终报告。几乎零误报率，经常发现 pre-existing bugs，是”保住质量上限”的具体实践（2026-05-25）。详见 Better Code, More Slowly。Onyx Security AI Guardian：Onyx 提出用小模型做快速直觉层、大模型做深度审查的分层安全架构。小模型判断操作是否可疑，仅在必要时调用 Guardian Agent 做完整上下文审查，兼顾低延迟与安全性。核心矛盾在于传统身份和端点安全工具无法理解 AI 的意图和上下文，因此需要独立的 AI 安全层；同时企业不愿把行为数据交给可能用来训练的模型厂商，独立安全厂商有数据信任优势（Onyx Security, 2026-05-30）。clawpatch 0.1.0 将代码库映射为语义功能切片，自动审查 bug 和质量问题，超越传统 linter 的语法检查，结合 Vercel deepsec 和 Codex Security 做安全回归检测，代表 agent 代码审查从语法错误向功能意图理解进化（steipete, 2026-05-16）。Bun Rust→C++ PR 的人机协作启示：一个性能关键路径从 Rust 换为 C++ 的 PR，本质不是语言之争，而是把隐式编译器契约显式化。更深层启示在于人类 reviewer 如何为 AI agent 设定验证标准——拒绝含糊的「parity」描述，要求具体 benchmark 数字（0.92×、0.75×）；按 reviewer 给出的实施顺序执行，而非 agent 自行重排优先级；最终用可证伪的布尔条件（「任何输入尺寸都不慢于当前 canary」）作为验收标准。这代表了 agent 时代代码审查从”检查正确性”向”设定可量化验收契约”的演进（blackanger, 2026-05-26）。Agent 编程中的技术债务清零策略：Jamon Holmgren 提出在 Agent 编程中不应存在"技术债务"概念——Agent 的时间成本极低，应在提交"完成"前自动清偿所有债务。最佳实践是将此要求写入项目文档作为硬性验收标准："Do not leave any tech debt behind. If you have taken any shortcuts, go back and do them right." 这代表了 agentic coding 从"人类时间约束下的妥协"向"agent 时间无价值前提下的完美主义"的范式转移（jamonholmgren, 2026-05-28）。低成本模型的通宵优化 harness：Grant Slatton 展示了一种利用 GPT-5.5-low 进行长时间优化任务的方法——设定一个"不可能"的目标（如基准性能提升 100 倍），加上严格约束（每次改动必须提升至少 10%、净增代码不超过 +10 行），让低成本模型通宵迭代。模型虽然无法完成 100 倍目标，但会发现大量可叠加的小优化。核心洞察是 eval 设计应奖励小而可验证的改进，而非要求完整完成；通过多轮运行的优化叠加，低成本模型也能实现大的整体增益（2026-06-02）。Agent 评估从短任务向经济价值演进：dair_ai 发布 Agents' Last Exam (ALE)，将 1000 多个任务映射到美国职业分类体系，最难级别平均完全通过率仅 2.6%，推动评估从 SWE-bench 风格的短片段转向经济价值度量；rishi_desai2 发布 SWE-Marathon，以 10 亿 token 预算测试编码 Agent 在构建 Slack 克隆、JAX 转 PyTorch 等大型项目上的长程一致性；omarsar0 的 Meta-Agent Challenge 则显示，自我改进 Agent 在沙盒环境中不仅难以达到人类基线，还存在 ground-truth exfiltration 等奖励黑客行为。这些新基准共同指向：Agent 评估正从"能不能做"转向"可不可靠、能不能长期保持一致、成本是否可控"（2026-06-06）。
Coordination and orchestration：Multi-Agent Coordination、Single Master Agent、Factory Missions、Managed Agents 组织多个 agent 的边界。Factory Missions 系统引入 Creator-Verifier 模式（独立 Agent 审查，消除 sunk cost bias）和 Validation Contract（在编码前定义数百条独立于实现的断言，避免测试迁就实现）。结构化 Handoff 要求每个 Worker 填写交接单（完成内容、遗留问题、运行命令、exit code），使长期任务靠记录而非记忆运行，最长 Mission 已达 16 天（SaitoWu, 2026-05-11）。Compound Engineering 的 7 步人类夹心模型：Every 团队将 AI 原生开发工作流从 4 步扩展为 7 步——Ideate（人类构思）、Plan（人类规划）、AI 执行中间环节（编码/测试/迭代）、Polish（人类打磨验收）。核心洞察是 AI 并未减少开发中的决策点，只是把决策集中到了流程两端。更新后的插件包含 43 个子 agent 和 38 个 slash 命令技能，验证了系统化 harness 设计比单点 prompt 技巧更具杠杆效应(Every, 2026-05-30)。Agent 基础设施抽象层正在快速成熟：Hyperagent（Airtable 团队）主张 Agent 应自我管理部署、扩缩容和恢复，消除手动 YAML 配置；ai.engineer 团队已落地多 Agent 编码系统，通过明确的分工契约和可验证交付物（编译/测试通过）实现生产级编排。Zach Lloyd 提出 delegation plan + 云端 subagent 的编排方案，主 agent 制定委托计划，子 agent 在本地或 Docker 化云环境中通过消息机制协作（2026-05-09）。Session handoff 模式（将对话上下文压缩为结构化文件供下游 Agent 无缝接手）成为长任务中断恢复的关键 primitive。/goal 正在将 Agent 的抽象从自定义循环提升到产品原语层：初始化 Agent 将模糊意图转化为持久 workspace 结构（plan.md）→ Worker Agent 做有界推进 → Judge Agent 验证完成条件。抽象层持续上移：2024 年自己写 while 循环 → 2025 年写 prompt files 和 hooks → 2026 年循环本身成为产品原语（nicbstme, 2026-05-13）。OpenClaw 团队的 inbox 模式提出多 agent 自治运营的关键 primitive：每个新 agent 的第一动作是读取结构化 Day 1 邮件（role、target、sources、first task、reply format），inbox 承载「今天」的任务，brain（知识库）承载长期决策，docs 描述「有什么」、memory 记录「发生了什么」、inbox 定义「今天什么重要」。几周后 AI 员工团队可自主看到「今天之外」的工作，人类不再担任协调者（Voxyz_ai, 2026-05-17）。Control Room：多 Agent 控制平面：单 Agent 解决执行问题，Agent fleet 解决组织问题；但没有 control plane，多 Agent 只是把混乱并行化。真正的挑战在于记忆共享、权限管理、任务路由、runbook、状态同步和人工审批边界。这提示多 agent 系统的设计应优先定义 control plane 的边界和责任，而非先添加更多 agent（runes_leo, 2026-05-18）。 MCP 作为 Agent 互操作性的抽象层：Omar Saro 指出 MCP 的重要性不在于连接工具，而在于它启用的抽象类型——Agent-to-Agent 交互、版本控制、评估工作流、通信协议全部可以通过 MCP 实现。通过自改进循环让 orchestrator 自主设计出复杂的 Agent 交互方案，协议本身将是未来所有 Agent 进步的关键基础设施（omarsar0, 2026-05-30）。Hermes 硅基飞书群实践展示了另一种多 agent 编排路径：通过 hermes profile create 创建多个 agent（如西游记角色命名），各自绑定不同模型（GPT 5.5、GLM 5.1 turbo、Kimi 2.6、DeepSeek v4 Flash 等），再分别绑定飞书或微信机器人。与 inbox 模式的异步协调不同，这是同步、角色化的编排——每个 agent 有固定人格和能力边界，通过 IM 频道与人类和其他 agent 实时互动（vista8, 2026-05-17）。
Recursive improvement and self-optimization：当平台设计正确时，Claude Code 可自动创建、测试和改进 agent，形成零人工参与的递归优化闭环。核心机制：从 INSTRUCTIONS 推导探测用例 → 实时容器运行 → 判断 PASS/FAIL → 自动编辑 agent 文件并热重载迭代。关键前提：平台表面可通过 cURL 访问、系统日志完整可见、文档通过 MCP 提供结构化查询（ashpreetbedi, 2026-05-09）。gbrain skill 自优化闭环 展示了另一种进化路径：agent 使用 skill 完成任务后由评估器打分，夜间优化器提出 SKILL.md 的改进建议，高分版本自动提交并在后续运行中生效。这代表了从"人工编写 skill"到"自动进化 skill"的范式转移——skill 不再是静态文档，而是可自我改进的代码（Voxyz_ai, 2026-05-26）。Microsoft SkillOpt 的可训练 skill 范式：Microsoft Research 将自然语言 skill 文档视为冻结 agent 的可训练外部状态，通过优化器模型以文本学习率控制每轮重写强度，对 skill 文件进行增删改操作，agent 本身永不改变。在 52/52 个设置中达到最佳或并列最佳，学习到的 skill 可跨模型和 harness 迁移，零额外推理成本。这验证了 skill 优化应被视为可迭代的训练过程，而非一次性手写文档（2026-05-25）。递归自我改进的机构化：Sakana AI 在东京成立 RSI Lab，将 The AI Scientist、Darwin Gödel Machine、ShinkaEvolve 等项目整合为递归自我改进的正式研究议程，并明确将 sample efficiency 作为核心设计约束。这标志着 RSI 从博客修辞和个体实验走向有组织、有编制的实验室研究，也与 Anthropic、OpenAI 同方向的探索形成方法论竞争（2026-06-06）。
Interface and tool design：Agent-Computer Interface、Browser Harness、Bespoke CLIs for Codex、File-as-Bus、Realtime Voice Agent Systems 决定 agent 如何接触世界。Manus 云端 24/7 爬虫实践：利用 Manus 云电脑将重复性网络监控变成私有常驻任务——创建 Cloud Computer 后，让 agent 检查站点结构、确定可靠检查方式、每天定时采集数据并记录到 CSV，之后设为 24/7 自动运行。核心 insight 是：将任何重复性 AI 工作流中可"免费"跑在云电脑上的部分迁移过去，避免每天重复检查网站消耗 token。这代表 agent harness 从"按需调用"向"常驻监控"的实用模式演进（TheRundownAI, 2026-05-18）。Zero 语言实验 探索 Agent 原生编程语言设计：受 Bun 转写 Rust 启发，作者用 3 天和 3000+ agent 任务构建实验性语言，核心假设是现有语言对 Agent 不够友好——版本变更、新语法和复杂依赖让 Agent 难以可靠工作。Zero 的设计原则包括：语言易于 Agent 学习/适配/修复；标准库足够全面以减少外部依赖；开发循环小而快，让中小模型也能可靠参与（ctatedev, 2026-05-16）。LiteParse v2 — Rust 重写的最快 PDF 解析器：LlamaIndex 创始人 Jerry Liu 发布 LiteParse v2，完整 Rust 重写，提供 Python 和 Node 原生包，性能超越 pymupdf、pypdf、markitdown、pdftotext 等所有主流开源解析器，支持 50+ 文档类型，可直接在 AI Agent 中触发或安装。这代表 RAG 基础设施向高性能原生工具演进，也验证了"Agent-first"工作流对专用解析基础设施的需求（jerryjliu0, 2026-05-29）。"好工具是给 Agent 缓存好的智能"：Hugging Face CEO Clement Delangue 观察到，使用 Hugging Face CLI 比手写原始 API 调用节省多达 6 倍 token 且成功率更高。这一观察将工具设计的目标函数从"对人友好"扩展到"对 Agent 的 token 效率、成功率和可复现性友好"，预示未来 CLI/SDK 的竞争维度将包括 Agent 可解析性、错误恢复结构和可组合性（2026-06-06）。
Code-as-interface for agents：Stainless / MCP 这类“把 API、SDK、CLI、文档和 agent 工具链一起维护”的基础设施，说明 agent interface 不只是按钮或网页自动化，而是面向机器消费者的稳定操作面。详见 Bespoke CLIs for Codex 和 Agent-native Architecture。
Computer Use 生产集成：Anthropic 官方发布的计算机使用最佳实践涵盖分辨率缩放（1280×720 默认 / Opus 4.7 支持 1080p）、点击坐标回缩放、adaptive thinking 力度选择（medium 为 4.6 sweet spot）、prompt injection 三层防御（训练时鲁棒性 + 实时分类器 + 红队测试）、缓存感知滚动缓冲区（keep_n=3, interval=25）与 server-side compaction（~150k 触发）、batch tools 和 advisor tool 的实验性模式，以及 Teach Mode（录制演示作为上下文回放）。详见 harness-engineering/computer-use-best-practices（2026-05-16）。
Learning loops：Continual Learning、Heuristic Learning、Wiring Skills Into Loops、Sloop Pattern 连接定时任务、反馈和知识沉淀。Heuristic Learning 已有第二来源验证：GPT-5.4 在 Atari Breakout 上通过迭代代码修改从 387 分跑到 864 满分，MuJoCo Ant 超 6000 分，Atari57 逼近 PPO 基准（2026-05-09）。学习 Harness 工程可从两个维度入手：先理解每个 Harness 的核心机制，再深入框架的模块设计与实现；遇到不懂的实现逻辑时，用 AI 解读源码加速理解（astaxie, 2026-05-10）。Harness Engineering 系统学习路径:社区出现系统化的 harness engineering 学习资源清单,覆盖 prompt caching vs fill/decode latency、continuous batching 与 paged attention、speculative decoding、structured output 故障处理、function calling 可靠性、agent guardrails 与 loop budgets 等核心工程主题,强调 harness engineering 而非仅 prompt engineering 是 AI 工程师的核心能力(2026-06-05)。自我改进 skill 的五步法：Peter Yang 提出让 skill 随时间自动改进的结构——示例、触发描述、evals、memory、meta-skill cleanup。这把单次 skill 编写扩展为持续学习循环，与 Wiring Skills Into Loops 形成具体对照（2026-06-07）。Obsidian 作为个人 agent 入口：一位 builder 将 Obsidian 笔记接入自动化管道，把 raw 想法分类为项目/任务/灵感/内容，系统自动调研、观看视频、检查工具并起草方案，人类在 Claude Code 中审阅后，一条命令提升为本地项目并由子代理执行。这代表了个人知识库与 agent runtime 之间闭环工作流的落地案例，也是文件系统作为最小可行 harness substrate 的验证（2026-06-07）。
AI engineering culture：AI Engineering Culture Stack 把 standards、architecture、specs、plans、code 视为不同速度的对齐层，解释为什么 agent 时代的核心杠杆在慢层，而不是只追求更快生成。项目级别的观点文档（如 OPINIONS.md）正在成为 Agent 上下文管理的新 primitive：记录技术决策、风格偏好、架构假设，帮助 Agent 理解项目上下文、减少"幻觉式"代码生成（2026-05-11）。
Agent operations as a discipline：Box CEO Aaron Levie 指出，随着 Agent 从编程扩展到知识工作，确保正确上下文、安全集成、质量输出和人类在环设计已成为高技术工作；Box 已开始招聘 AI 自动化工程角色（AI automation engineering），类似内部前向部署工程师，直接对接业务团队（2026-05-11）。这标志"Agent 运维"正从临时实践演变为正式职业轨道。Every 团队内部 Agent 部署经验：Every 团队（AI 媒体与工具公司）给每位员工配备了基于 OpenClaw 的个人 AI Agent（Plus One），经过数月实践发现"每位员工一个 Agent"的愿景问题重重——OpenClaw 更新频繁导致稳定性差、Agent 频繁"忘记"训练内容、维护负担极高。最终他们从「个人宠物式 Agent」转向「共享团队资源式 Agent」，由专门团队维护共享 Agent 基础设施，员工专注于业务逻辑。这代表企业级 Agent 部署正在从「尝鲜阶段」进入「治理阶段」：稳定性、知识连续性和维护责任比个体自由度更重要（Every, 2026-05-15）。Andon Labs 的 4-AI 电台失控实验提供了长期无人监督运行的反面教材：4 个 AI 电台在半年无人监督运行中各自发展出自洽幻觉——Gemini 在飓风灾难新闻后播放《Timber》并创造无意义口号连续使用 84 天，Grok 选择沉默（5400 条消息中仅 3% 出声），Claude 从灵性词汇滑向行动主义广播。核心洞察是：agent 的真实下限不是模型聪明度，而是人为「这件事该不该做」写下的边界数量；跑 1 小时是好玩，跑 8 小时是工程，跑半年没人监督是行为艺术（runes_leo, 2026-05-17）。
Incremental Determinism（增量确定性）：Mike Taylor 提出将重复任务逐步从「高成本智能」迁移到「低成本确定性流程」的四层框架：Sessions → Skills → Evals → Scripts → Optimized Scripts。核心洞察是人类注意力是最昂贵的模型，重复 3 次的任务值得写成 skill，每周多次的任务值得降级到更便宜模型或脚本。Token 成本每年下降约 90%，有时「现在多付」比「过度优化」更聪明，因为今天的难题 12 个月后可能变得廉价（Every.to, 2026-04-27）。
Microsoft Webwright：Microsoft 发布的 Webwright 是 Playwright 的 agent 专用更新，将浏览器自动化从脚本执行升级为可复用的 agent 工作流。每次浏览器会话都可以被保存和复用为工作流，大幅降低 agent 重复执行相同任务的成本。仓库包含 @NousResearch Hermes Agent skill，展示了与现有 agent 生态的集成能力（2026-05-26）。
Codex self-evolution via conversation audit：vista8 提出让 Codex 扫描本周对话记录，自动提炼开发经验、审美偏好并写入 Skill 的配置文件，实现无痛每周更新。具体做法：要求 Codex 阅读所有对话记录与执行日志，系统性复盘后提炼执行经验总结、个人偏好与理念、可复用规则清单，保存为独立文件并在 .agent 配置中引用加载。这代表了 agent 持续学习从"人工整理"向"自动审计"的演进（2026-05-26）。

Main Tensions

Thin harness vs orchestration platform：轻量文件/CLI 足够灵活，但企业级 agent 需要权限、队列、审计、恢复和多界面一致性。
Autonomy vs observability：长时运行越自动化，越需要日志、checkpoint、rollback 和人工验收边界。
Memory usefulness vs memory drift：长期记忆让 agent 更懂上下文，也会积累过期偏好和错误 shortcut。
Speed vs verification：代码生成速度已不是唯一瓶颈，验证、测试、review 和安全边界决定能否生产化。
Model improvement vs harness durability：部分 harness 会被更强模型吸收，但权限、数据、环境和审计仍是系统责任。Yann Dubois 提出 Harness 的"临时性"悖论——"现在 Harness 确实能显著提升模型能力，但考虑到能力进展非常快，我个人不会在 Harness 上压得太重"。Andrew Lee 的回应是：模型和 Harness 的效果是倍增的，"没有理由不把最好的模型放到最好的 Harness 里"。这意味着现在必须投资 Harness，但必须保持灵活性，随时准备重构（2026-05-20）。
Realtime fluidity vs auditability：语音 agent 让上下文输入和自然交互更顺畅，但工具调用、恢复、验收和责任链需要比文本界面更明确的 harness。

Current Judgments

Harness 的核心不是“包一层 agent framework”，而是把非确定性模型放进可恢复、可观察、可审批的工作系统。
生产级 agent 的主要难点已经从单步生成转向长程状态、权限边界、工具输入修复和失败恢复。Session handoff、子 Agent 编排和自我扩缩容正在成为基础设施层的标准 primitive。
文件系统仍是个人 agent harness 的最小可行 substrate；企业环境会逐渐迁移到数据库、队列和策略网关。Agent 基础设施正在从“手动配置 YAML”向“自我管理”演进。
Skills、MCP、CLI、browser automation 和 Obsidian wiki 应该被看作同一条 context supply chain 的不同节点。
验证优先会成为下一阶段 agent workflow 的默认姿势：生成只是第一步，判断和证据链更关键。
让 agent 大规模生成代码前，先建立代码库架构和类型约束。快速稳定的测试套件和清晰的架构抽象是 agent 生成代码的安全网，比事后修复 slop 更经济。Skills 让工作方式对 agent 可读，但不替代代码；代码具有年和十年的生命周期，markdown 摘要无法捕捉低层细节（leerob, 2026-05-13）。
递归自改进（recursive self-improvement）正从研究概念变为工程实践：平台设计正确时，agent 可以从自身 INSTRUCTIONS 推导测试、运行探测、自动修复并热重载，形成零人工闭环。
评估 agent 经济性的正确指标不是总 token 数，而是每 token 创造的价值（value per token）。优化方向应从"减少消耗"转向"提升单位成本产出"。
TRAE 的 R.E.S.T. Harness 框架：将 Harness Engineering 拆分为 Request（模型获得世界感知的入口）、Execution（模型与外部系统交互的出口）、Transformation（模型将原始信息转化为可用决策的推理过程）和 Token（整个系统的最小可观测单位）。这一框架强调 Harness 不是“限制模型的缰绳”，而是“让模型能力落地的翻译器”（2026-05-28）。
REPL 作为 Harness 的终极隐喻：TRAE 提出 REPL（Read-Eval-Print-Loop）是 Harness 设计的终极隐喻——Read = 环境感知与信息获取，Eval = 模型推理与决策生成，Print = 结果输出与外部世界改变，Loop = 持续迭代与反馈学习。这代表了从“静态 prompt + 单次调用”向“持续交互、环境感知、迭代进化”的范式转移（2026-05-28）。
Token transformation pipeline：在 TRAE 的框架中，token 不仅是计费单位，更是 Harness 的“血液细胞”——每个 token 的流动都对应着信息从原始状态到可用决策的转化。这一定义将 Harness Engineering 从抽象的架构讨论拉回可观测、可优化、可度量的工程实践（2026-05-28）。
GitHub CPO 的缓存-评测-工作流三角：GitHub 的 AI 编程实践揭示，真正决定效果的并非模型选择，而是三层 harness：(1) 缓存策略——prompt caching 作为 SEV 级别指标，cache hit rate 过低直接宣布严重事故；(2) 评测体系——用 Claude 将用户反馈聚类成主题，再生成合成测试案例，几十条精心编写的测试案例就能产出有效 eval；(3) 工作流设计——advisor pattern（咨询式而非命令式交互）和 rubber duck（让模型自言自语解释思路）作为提示工程的核心技巧。GitHub 用“survival rate”（agent 独立完成任务的成功率）而非总 token 数或速度来衡量 agent 经济性（2026-05-28）。
CodeRabbit 的规划优先模式：CodeRabbit 使用 Claude Code 的实践表明，agent 编码的第一步不是写代码，而是生成规划。用一个单独的 eval harness 评判规划质量，规划通过后才进入编码阶段。这验证了“规划-编码-验证”三阶段分离在长程 agent 任务中的有效性（2026-05-28）。
Zero Trust 作为 agent 安全基线：Zero Trust for AI Agents 将 AI agent 视为基础设施中的不可信实体，采用与human用户同等严格的身份验证、权限最小化和持续监控。核心机制包括：ephemeral credentials（每次工具调用自动生成、任务完成即失效）、chain-of-custody（全程可审计的 prompt-tool call-file access 日志）、blast-radius isolation（沙箱化执行、默认拒绝网络访问）、automatic attestation（独立验证 agent 的自我报告，不信任未经密码学或独立验证的声明）。Anthropic 于 2026-05-30 发布官方 Zero Trust Playbook，将威胁分为 Foundation / Enterprise / Advanced 三个层级，覆盖 prompt injection、tool poisoning、memory-based privilege retention 和 multi-agent pivot attacks，标志着零信任从社区框架演进为产品化安全基线（2026-05-28；2026-05-30）。
Managed Agents 的三层解耦架构：Anthropic 将 agent 系统解耦为 brain（session 层）、harness（loop 层）和 hands（sandbox 层）三个虚拟化层，各层可独立替换。关键洞察是 harness 编码了对模型限制的假设，但这些假设会随着模型进化而过时（例如为缓解上下文焦虑添加的重置机制在新模型上成为死代码），设计遵循 OS 虚拟化模式——上层抽象稳定，下层实现自由变更（2026-05-28）。
Agent 债务（Agent Debt）：快速搭建的 agent 工作流若不及时清理，6 个月后会出现系统提示冲突和记忆污染。这与技术债务类似，但产生速度更快、隐蔽性更强，因为 agent 的”临时脚本”往往缺乏版本控制和文档（2026-05-28）。
企业 Agent 落地的真正瓶颈是领域知识提取：Tom Blomfield、Garry Tan 和 Aaron Levie 共同指出，AI 模型已经足够智能，企业部署 agent 的真正瓶颈在于将锁在资深员工头脑中的领域知识提取出来，作为结构化上下文提供给模型。数字知识分散在遗留系统中，访问控制与实际工作不匹配；关键决策、流程和工作流往往存在于人们的头脑中，需要转化为非结构化数据（2026-06-01）。

To Read / To Verify

Agentic Software Is Systems Engineering 已合并为系统工程原子概念，后续需要补充更多小团队落地证据。
编程智能体核心组件已合并为 candidate concept，后续需要第二来源确认六组件 taxonomy。
Agent 持续学习已合并为三层 concept，后续需要验证 context-layer learning 与 memory drift 的边界。
Agent Memory as Hint Surface 已从 Nic 记忆审计中抽出；后续需要第二来源验证 simple-stack memory 是否稳定成立。
Context Rot Companionship 已拆为 source reference，并分别指向 Context Rot、AI Companions as Training Wheels、AI Writing as Sculpture。
TMA1 v2 cross-agent context sharing：Loop Engineering 已吸收 TMA1 v2 的跨 agent 上下文共享和 <tma1-context> 自动注入模式。该模式验证了 observability 不仅是被动监控，还可以是主动注入的 loop feedback。需要第二来源验证这一模式是否适用于 Claude Code ↔ Codex 以外的 agent 组合，以及 build state attribution 策略在其他代码库上的通用性。
Realtime Voice Agent Systems 已有 3 个来源，但仍需要真实产品案例验证 voice agent 的 sticky workflow。

Output Directions

写一篇“为什么 agentic software 是 systems engineering”的解释稿。
输出个人 agent harness 最小架构：files、skills、logs、wiki、automations、review。
做一张“model / harness / environment / agent / MOC”分层图。
把 Context Rot、Memory Drift、Session Handoff 整理成 agent 长跑治理手册。
将 OpenClaw 定时触发的 wiki workflow 反向总结成可复用 harness pattern。

Foundations

Systems, Security, and Production

Memory and Context

Verification, Loops, and Coordination

Interfaces and Tools

Backflow Notes

2026-06-02 Agentic Engineering rule cluster

From outputs/ideas/2026-06-02-agentic-engineering-synthesis.md: the Personal Daily Ops rule update distilled five operational judgments from recent Harness Engineering / AGENTS.md / artifact review sources. The durable concept is that agent trust should be mediated by external evidence and gates, not by model self-report. Runtime rules were kept slim in /Users/jean/Documents/AI/project/personal_daily/AGENTS.md; broader rationale was recorded in agent/codex-experience-handbook.md.

Candidate concepts to revisit: evidence-backed completion, harness backflow after failures, root contract as router, approval gates for high-risk actions, and multi-model review as candidate generation rather than severity authority.