在 AI 领域，我们经历了从简单的提示词工程到复杂的 Agent 系统设计的演进。Claude Code 核心开发者 Thariq (@trq212) 的系列实践分享，揭示了一个重要真相：构建可靠、可规模化的 AI Agent，关键不在于模型有多聪明，而在于系统工程（Harness Engineering）。
本文将梳理五大核心主题，带你理解从“提示工程”走向“环境设计”的范式转变。
一、Skills：Agent 能力的可复用基础
1.1 超越 Markdown 文件的复合体
Skills 不是简单的 Markdown 文档，而是一个包含文件夹、脚本、资产和钩子的复合体。这种设计支持渐进披露（progressive disclosure），让模型能够按需深入，而非一次性加载所有信息。
1.2 高价值 Skills 类别（按 ROI 排序）
- 库/API 参考 + gotchas - 最常见高回报
- 产品验证 - 自动化测试、断言、录屏验证
- 数据获取与分析 - 漏斗、cohort、Grafana 映射
- 业务流程自动化 - standup、ticket 创建、weekly recap
- 代码脚手架与模板
- 代码质量与审查 - adversarial review、style enforcement
- CI/CD 与部署 - babysit PR、渐进 rollout、cherry-pick
- Runbooks - 症状 → 工具 → 报告
- 基础设施运维 - orphans 清理、成本调查
1.3 关键实践要点
- 聚焦 gotchas：记录常见陷阱而非显而易见的知识
- 文件系统分层组织：让模型自主决定何时深入读取
- 持久化存储记忆：使用
${CLAUDE_PLUGIN_DATA} 保存日志、JSON、SQLite 数据
- 辅助脚本优先：让模型专注组合而非重写 boilerplate
- 描述字段写成触发条件：而非简单摘要
- Hooks 动态行为：如
/careful 防止 rm -rf、/freeze 限目录等
- 分发方式：小团队检入 repo，大团队建内部 marketplace + 审核机制
- 度量迭代：PreToolUse 钩子记录使用率，优化低活跃 skill
1.4 核心价值
Skills 是将组织专有知识、流程、陷阱转化为可共享、可演化、可组合的能力，是 Agent 工程从“提示”转向“环境设计”的核心跃迁。
二、Action Space 设计：以模型真实能力为导向
2.1 不要预设工具集
不要预先假设模型需要什么工具集，而是通过持续观察模型输出来迭代 action space。
2.2 典型演进路径
| 维度 |
演进前 |
演进后 |
| 用户交互 |
纯文本 |
结构化 AskUserQuestion（多选项、阻塞等待） |
| 任务管理 |
Todo |
Task（支持依赖、Sub Agents 协作、可修改） |
| 上下文构建 |
被动 RAG |
Grep + 渐进披露（模型自主层层挖掘） |
2.3 核心原则
- 小而精：优先小而精的工具，避免过载
- Sub Agents 模式：处理元问题，保持主上下文干净
- 像 Agent 一样思考：如果你是模型，面对这个问题最想要什么工具？
2.4 设计本质
好的 action space 是实验 + 观察的产物，随模型能力提升而演进。
三、Prompt Caching：生产级长会话的经济基础
3.1 缓存依赖前缀匹配
缓存依赖前缀匹配，任何前缀变更会导致整条缓存失效。
3.2 布局铁律：静态在前、动态在后
system prompt + tools + claude.md → session context → messages
静态部分 动态部分
3.3 常见破坏点
3.4 应对策略
| 策略 |
说明 |
| 更新信息用消息 |
不改 prompt，用消息传递更新 |
| 避免中途加/删工具 |
用 Enter/ExitPlanMode 模拟状态变化 |
| Tool search 延迟加载 |
使用 defer_loading（轻量 stub，按需加载完整 schema） |
| Cache-safe forking |
Compaction 必须复用父会话前缀 + compaction prompt 作为 user message |
3.5 监控要点
像监控可用性一样监控hit rate，掉几个百分点就是严重问题。
3.6 设计约束
缓存不是优化，而是整个系统的设计约束。围绕它构建 Plan Mode、Tool Search、Compaction，才能真正规模化长会话。
四、文件系统 + Bash：Agent 的持久状态与通用计算能力
4.1 文件系统的核心价值
文件系统是天然的持久记忆、验证、多代理协作层（远优于全塞上下文）。
典型用途：
- 邮件分析
- 规划草稿
- Sub Agents 协作
- 架构记忆银行
4.2 非编码 Agent 也需要 Bash
| 即使非编码 Agent 也强烈需要 Bash： |
用途 |
说明 |
| 保存中间结果 + grep |
支出统计、API 链式调用等复杂处理 |
| 视频处理 |
ffmpeg 视频剪辑 |
| 定时任务 |
cron 定时任务 |
| 组合性与可验证性 |
模型可多次尝试、验证输出 |
4.3 安全保障
沙箱 + 权限控制（Claude Agent SDK 已内置）。
4.4 核心价值
文件系统 + Bash = Agent 的“外部大脑 + 双手”，让模型能迭代、验证、组合，而非一次性猜对。
五、Playgrounds：可视化交互的突破
5.1 生成独立 HTML 界面
Playgrounds 能够生成独立 HTML 界面，实现终端难以表达的交互：
- 架构可视化 + 用户评论
- UI 迭代、游戏平衡
- 写作审阅（inline 建议、接受/拒绝）
5.2 核心思路
把“独特交互方式”描述给模型，让它自己表达成 HTML。
5.3 核心价值
突破纯文本局限，开启视觉 + 交互闭环迭代。
六、整体工程哲学
6.1 Agent 成功的关键
Agent 成功的关键不是模型聪明程度，而是系统工程（Harness Engineering）：
- 文件系统
- Skills
- Bash
- 渐进披露
- 缓存优化
- 持续观察模型行为
6.2 范式转变
从 “提示工程” → “环境设计”
6.3 核心方法论
- 持续实验
- 认真读输出
- 像 Agent 一样思考
- 迭代工具与抽象
6.4 适用性
这些经验对任何想构建可靠、可规模化 AI Agent 的人都有极高参考价值。
七、行动建议
强烈建议：把这份清单当作 Agent 工程 Checklist，逐条对照实践。
结语
AI Agent 的成功，是一场从“如何更好地告诉模型做什么”到“如何为模型创造更好的工作环境”的范式转变。
在这条路上，我们不再是简单的提示词工程师，而是系统设计师。我们的任务是构建一个让智能能够自然涌现、可靠执行、持续进化的环境。
正如 Thariq 所强调的：Agent 工程的核心不是让模型变得更聪明，而是让环境变得更聪明。
本文基于 Claude Code 核心开发者 Thariq 的系列实践分享整理，涵盖了 Agent 工程的关键实战经验。
想要持续获得此类关于人工智能与系统工程的深度技术分享，欢迎关注技术社区的动态。
发表于 2 小时前
|
查看: 4|
回复: 0
