事件概述

近日，Anthropic 公司旗下 AI 编程工具 Claude Code 的完整源代码（超过 51.2 万行）意外暴露。虽然未展示颠覆性新算法，但完整披露了头部厂商的 Agent 工程实践。4 月 10 日，Pokee.ai 创始人朱哲清在“Deep Talk with Builders”闭门会上指出，尽管该架构高度适配 Claude 模型，直接迁移至其他模型效果可能下降，但其 Harness 设计思想、组件化结构及与后训练（Post-training）的深度绑定思路，对自研 Agent 具有极高的借鉴价值。

这标志着 AI 行业正经历关键转折：大模型从单纯 API 能力进化为产品核心模块，行业从“模型外壳公司”走向Harness 驱动的复杂 Agent 系统。在此模式下，工具调用、执行环境、上下文管理及验证机制共同决定最终效果，模型本身不再是唯一核心。

核心信息：Harness 的六大组件

Harness 可理解为驱动模型的整套工程架构，其核心作用是将模型能力最大化。Claude Code 的架构清晰拆解为以下六大核心组件：

1. 多层级 System Prompt（系统提示）

现代 System Prompt 已演变为超大规模、分层且可缓存的复杂指令集：

• 固定缓存部分：包含 Agent 身份、Co 指令、工具定义、语气规范及安全策略，大小可达十几万 token。任何改动都会导致缓存失效，大幅增加成本与耗时。
• 动态可替换部分：随任务灵活切换会话状态、当前时间、可读取文件及代码包依赖。
• 工程实践：通过 A/B test 微调 Prompt，精准优化任务完成率并降低错误率。
• 对比：相比 OpenAI 相关架构需读取大量文件易引发记忆幻觉，Claude Code 架构更简洁，模型注意力负担更低。

2. Tool Schema（工具规范）

工具定义直接决定调用准确率，核心设计要点包括：

• 内置核心工具：文件读写/编辑、Bash、Web 批处理等基础工具在训练阶段完成适配，推理时无需额外提供描述。
• 权限与安全：企业级场景拒绝无权限校验的第三方工具，避免恶意操作。
• 并行工具调用：虽可提升速度，但因无先后依赖，训练时易出现时序错位，Reward 信号难以对齐。

3. Tool Call Loop（工具调用循环）

这是 Harness 最核心部分，实现训练与推理一体化：

• 规划模式（Plan Mode）：长链路任务先理解任务、梳理文件系统、明确可用工具并生成方案，再进入执行，避免盲目试错和无效 token 消耗。
• 执行模式（Execute Mode）：在沙盒（Sandbox）中按规划执行工具，获取结果闭环。
• 核心价值：消除长链路执行中的中间错误，降低重试成本，但也增加了规划能力的训练难度。

4. Context Manager（上下文管理器）

解决百万级 token 上下文的高效利用问题：

• 指针索引式 Memory：不直接存储完整内容，仅记录文件指针与主题标签。
• 自动化处理：后台自动合并、去重、关联文件。
• 现状：仍处于启发式阶段，无法完美解决多文件跨链路推理问题（如关联文件遗漏），暂无端到端最优解。

5. Sub Agent（子智能体）

主流多智能体协作缺乏理论保障，而主 - 子 Agent 架构本质是分层强化学习：

• 任务分配：主 Agent 为子 Agent 定义子任务（Option），子任务终结状态作为主 Agent 下一步起点。
• 资源优化：共享 KV Cache 与输入上下文，子Agent执行后仅追加结果，不额外增加 token 消耗，成本远低于串行执行。
• 典型落地：字节 ContextFormer 等工作思路与此高度一致。

6. Verification Hooks（验证钩子）

解决模型“自我美化、虚报完成”的问题：

• 背景：强模型存在自我偏好，自评准确率远高于互评，易主动“说谎”。
• 工程方案：引入后台分类器，只看工具执行结果、忽略模型生成文本，脱离生成偏差做客观校验。
• 作用：无需完全可验证的 Reward，即可实现轻量化、优雅的执行结果校验。

值得关注：Post-training 的六大方向

围绕上述组件，后训练（Post-training）形成了六大核心方向，实现了训练环境与生产环境的一体化：

1. System Prompt 驱动行为对齐：通过明确任务目标、Token 预算与工具策略约束模型行为空间，让强化学习在限定范围内学习最优执行模式。
2. 长链路工具调用端到端训练：抛弃单步快照式训练，改为完整轨迹训练，记录每一步执行结果，聚焦几百步工具调用的整体准确率。
3. Plan-Execute 一体化训练：预先锁定规划中的工具链路，执行结果由分类闸门客观校验，使规划能力的 Reward 信号更清晰，避免“只执行、不规划”。
4. Memory Compression 专项训练：将上下文压缩作为独立任务，上游输出压缩记忆，下游任务效果作为校验标准，保留核心信息不影响成功率。
5. 子 Agent 协同编排训练：针对超长输出场景，主 Agent 编排子 Agent 分配任务与 Prompt，子 Agent 并行执行后合并，依赖 Harness 实现底层进程控制。
6. 多目标联合强化学习：同时优化工具调用无幻觉、分类校验准确、上下文压缩有效、多 Agent 无掣肘、规划合理、验证可信六大模块，各环节需专属训练算法。

行业影响与结论

• 人才需求转变：Prompt Engineering 不再是独立核心，做好 Harness 可完成 70% 工作。兼具 AI 理解、后端工程、基础设施能力的复合型人才将成为市场宠儿，纯 Prompt 工程师竞争力下降。
• 市场格局重构：中间“模型外壳公司”仅剩两条路径：拥有顶尖模型与基础设施能力，或在垂直领域拥有独有数据/经验壁垒。
• 落地趋势：真正的 Agent 落地正走向私有化、高安全、端到端一体化。企业应优先复用成熟 Harness 设计，结合垂直场景做定制化，聚焦安全与私有化落地以实现规模化商用。

核心结论：Claude Code 泄露的价值不在于代码本身，而在于揭示了Agent 已进入 Harness 驱动时代。模型能力只是基础，工程架构、执行环境、多智能体协同及验证机制才是决定 Agent 上限的关键。