你的 Agent 并不自主：你就是它的循环

你并不是在"使用"你的 Agent。

你就是它的循环。

它写，你读。它说"搞定了"，你验。它弄坏了什么，你解释坏在哪，然后你再敲一遍。

这三个动作一直重复，说明系统本该干的三件事没人干：

• 给模型一个能干活的地方；
• 告诉它到底对不对；
• 决定下一步发生什么。

这三件事有名字：Harness、Loop、Graph。

大多数文章把它们并排摆在架子上当三件工具，这恰好是它们看起来费解的原因。它们不是菜单，是梯子。 上面一层之所以存在，是因为下面那一层会以某种特定、可预测的方式坏掉。

下面七个等级，每一级只讲三件事：加了什么、修了什么、以及把你推到下一级的那次具体失败。一个例子贯穿全文：来了一张 bug 报告，Agent 要修好它并开 PR。

一、30 秒地图

以及你要爬的这七级：

二、Level 0 聊天：系统里唯一没干脏活的部件是模型

你把 bug 报告贴进去。模型给一个修法。你复制到编辑器，跑测试，把报错贴回去，再问一遍。

看谁在干什么：

模型是这个系统里唯一不干脏活的部分——它是一个非常聪明的函数，而你是围着它的整个程序。

一次性提问，这没问题。任何要做第二次的事，这是灾难。

坏在哪：你。 三个岗位同时压在同一个人身上，你就是瓶颈。

三、Level 1 Harness：给它一双手

第一个修法太明显了：让 Agent 碰得到世界。shell、文件读写、一个测试运行器、git，任务需要时再加浏览器。

我见过最干净的 harness 定义是这个：把模型从你的架构图里删掉，图上还剩下的东西全部是 harness。

现在 Agent 自己读仓库、改文件、跑测试，不用再复制粘贴。

但注意 harness 到底是什么。它不是"更多工具"。每加一个工具，就多一个模型可以选错的空格。十个窄的、有文档的工具，胜过四十个互相重叠的。 给它能完成这件活的最小环境。

坏在哪：它动得了手，但没有记忆也没有围墙。

四十分钟后，上下文里塞满了测试日志。压缩一次，Agent 忘了哪个修法已经试过，于是又试一遍。而它对所有东西都有写权限，包括那个它绝不该碰的配置文件。

四、Level 2 Harness：记忆与围墙

缺的是两样东西：活得过上下文窗口的状态，和不依赖模型表现的界限。

记忆活在模型外面：

PROGRESS.md
  goal       fix #482: login redirect loop
  tried      reorder auth middleware  ->  still red
  known      only happens when the session cookie is expired
  next       inspect auth/refresh.py
  never      touch migrations/

再加上用 git 提交当检查点，以及产物按引用传递——而不是把整段记录再贴一遍。

上下文窗口是内存，harness 是硬盘。模型会忘，文件不会。

围墙是所有"模型错了也照样成立"的东西：最小权限、隔离的 worktree 或沙箱、命令白名单、硬性的 token 与时间预算（这条线上已经有人在生产系统里做：沙箱里根本不存凭证）。

围墙不是指令。"请不要动 migration"是一个愿望。Agent 没有那个权限，才是墙。

现在它能干一小时、崩溃之后接着干，并且弄不坏重要的东西。

坏在哪：它以"修好了！测试应该都过了"结账。

应该。

Harness 让 Agent 有能力。系统里没有任何东西让它正确。一个有本事但没检查的 Agent，只是更快地、更自信地错。

五、Level 3 循环：一个能失败的检查

循环是四个动作：产出、检查、纠正、重复。

所有人都在盯"重复"。唯一重要的是"检查"。没有一个真能失败的检查，"重复"就只是"重复同一个错误"。

证据不是等价的，按伪造难度排：

规则是：一个检查只和它接受的最弱那种证据一样强。 如果你的循环接受"模型说完成了"，那这个循环就是自述，堆多少步都一样——这条已经被单独量过一次，同一句"搞定了"在终态和重复 20 次面前站不住。

现在，在 Agent 写第一行代码之前，先把这张单子的检查写出来：

GREEN when
  a new test reproduces #482 and FAILS on the current code
  the same test PASSES after the fix
  the full suite is green
  the diff touches only auth/

看第一行。一个在修复前就已经通过的测试，什么都证明不了。 检查必须有可能失败，而且你得亲眼看到它失败一次。

这里有个隐藏的好处：如果你写不出这个检查，说明你还没想清这个任务。 写检查就是在写规格。

坏在哪：Agent 失败、重试，然后用同样的方式失败六次。

因为"红"不是反馈，是判决。

六、Level 4 循环：能收敛的反馈

判决说的是"错了"。反馈说的是"错在这里、错成这样、而且这条路你已经走过"。

最简单的形状，是"它预期的"和"世界实际给的"之间的那个差：

FAILED      test_expired_session_redirect
EXPECTED    302 -> /login
SAW         302 -> /dashboard      (auth/refresh.py:61)
FENCE       auth/refresh.py only
DEAD ENDS   middleware reorder

EXPECTED 和 SAW 把一盏红灯变成方向。FENCE 把下一次尝试关进一个文件里。DEAD ENDS 是这个循环自己的记忆，这样第三次尝试不会悄悄变回第一次。

然后是出口。没有出口的循环不是坚持，是持续漏钱：

EXIT when
  green                          ->  done
  the same SAW comes back twice  ->  stop and escalate
  budget spent                   ->  stop and escalate

中间那条最重要。当 Agent 拿到完全相同的结果两次，它已经不在从循环里学了。更多尝试帮不上忙，因为缺的不是努力——是它看不见的某个东西，或者一个本来就被问错的问题。

循环能修工作。循环修不了问题本身。

坏在哪：一件一件地看，工作质量变得极好。

但真实工单上写的是：修登录循环，顺便查另外两个服务是不是用了同一个刷新 helper，然后更新文档。

于是 Agent 一行一件、在一个上下文里全做完：先修，再审计 billing，再审计 admin，最后写文档。admin 的审计读到 billing 的结论，于是把那些结论重复一遍。

每一步都对。整体慢、串行，而且只有一个观点。调循环怎么调都没用，因为问题不在任何一步里面，在它们之间。

七、Level 5 图：工作的形状

一个图是三样东西：

NODE    one bounded job: one input in, one output out
EDGE    a real dependency: this output feeds that input
STATE   what survives between nodes

工作流里大多数箭头不是依赖，是习惯——某个人当初想到这些步骤的先后顺序。

所以每条箭头都过一遍"早开始测试"：如果 B 在 A 完成之前就开始，什么会坏？

答案如果是"什么都不会坏"，这条箭头就是习惯，为它等的每一秒都是浪费。

修复还没落地就开始 billing 的审计——会坏吗？不会。

修复还没落地就开 PR——会坏吗？会。那条箭头是真的。

这张工单重画之后：

                         -> FIX auth/refresh.py ------\
ISSUE #482  ->  SCOPE  ->  -> AUDIT billing -------------> MERGE -> GATE -> PR
                         -> AUDIT admin --------------/
                         -> UPDATE docs --------------/

几个选择决定这张图是真帮忙，还是只是看起来厉害：

• 在会分开失败的地方切。 两件事如果会因为不同原因坏，就是两个节点；如果总是一起坏，就是一个。
• 给每个 worker 自己的房间。 四个 agent 共享一个上下文不是团队，是一个 agent 戴四顶帽子——第一份写下来的意见会变成所有人的意见。
• 问"同一个答案"的问题。 这一步如果同样输入永远给同样输出，就写成代码：合并、排序、去重、计数。模型留给那些"换个答案也可能对"的步骤。
• 闸门放在工作离开一个节点的地方，不要放在最末端——末端每个错误都已经和别的东西混在一起了。

两层怎么咬合：循环问"这一块对不对"，图问"这几块是不是对的那几块"。两个都要。 上图每个 FIX 和 AUDIT 节点内部，都在跑自己的 Level 4 循环。

坏在哪：两件新事，都很难看。

一个审计失败，整批重跑。三个好结果回来时变了——不是更好，只是不同，于是现在全都要重新检查一遍。

以及，所有过闸的东西以同样的速度移动：文档里一个错别字和认证流程的一次改动，得到完全一样的对待。

八、Level 6 图：闸门与回流

冻结已经通过的东西。

一个节点的输出过了闸就变成只读，下游任何人都不许把它重新打开。有东西失败时，只重跑失败的那个节点——带着它的反馈——冻结的结果原样不动。

每一次重跑好工作，都是又一次弄坏它的机会，而你要拿回的什么都没有。

闸门看撤销的价钱。 信心是模型给自己判卷。更好的问题是：如果这是错的，把它收回来要花多少？

最后一档身上一个分数都不挂。不是 0.95，不是 0.99。没有数字可以让模型去够，也就没有什么可争的。

前两档里，读证据要按阶梯顺序：先测试，再看 trace，再看第二意见，模型的自信排在最后。

模型给改动贴标签，代码决定这个标签解锁什么。 模型可以说"这碰到认证了"；"认证"意味着一次审批还是两次，是运行之前就写在代码里的。已经有产品把这一档做成了默认行为：不可逆的动作仍然停下来等人点头。

只在撤销不存在的地方花你的注意力。你是这张图里最贵、最慢的节点。 把自己放在错误收不回来的位置，别的地方都不用放。在我们的例子里：文档改动自己上线，认证修复等一次 PR 审批，审计只要不打架你就不用读。

坏在哪：它跑通了。

然后下一周，同一类 bug 来了。Agent 做出同样的第一次错误尝试，烧掉同样的两次重试，落在同一个修复上。系统很快，但跨运行没有记忆。你在付钱让它把同一课学两遍。

九、Level 7 系统逐层学习

走到这一步的人，大多加一条回到规划器的反馈边就停了。

但每一次失败都归属于某一层，而一个教训只有落在拥有它的那一层上才留得住：

教训放错层，就变成建议。"注意不要重复劳动"写在提示词里是一个希望；写在拆图规则里才是结构。

而且教训是约束，不是记录。你不把上周的日志喂进下周的运行，你喂那些日志教会你的那一条规则。

Level 7 的测试很简单：同一类失败，不会让你付两次钱。

十、你在第几层

从上往下找第一个对得上的症状，那就是你的下一层。不是再下一层。

十一、怎么往上爬

不能跳级。 十个没有检查的 agent 不是十倍产出，是十倍清理。一个完美的循环如果没有 harness，就没有地方跑它的测试。

但设计要从中间开始。 动手之前，先在纸上写 Level 3 的那个检查。如果你说得出"绿"是什么意思，你就知道 harness 需要哪些工具来证明它，也就知道图该把闸门放在哪里。

如果你说不出"绿"是什么意思，哪一层都救不了你。

你也不需要爬到顶。 大多数任务在 Level 4 就结束了。只有当这一层的失败比你建下一层更贵的时候，才继续往上。

十二、简短版

Harness 让 agent 有能力，循环让它诚实，图让它有条理，学习让它比昨天好。

少一层，那个缺口就由你来补。

目标从来不是一个不需要你的 agent。而是一个只在正确的位置需要你一次的系统。

十三、我们的整理：明天就能改的三件事

原文的框架好用，但它是一张地图，不是一份施工图。把它的判据落回我们自己的工单，其实只剩三样东西——而且都在 bug 发生之前。

第一，三个岗位各留一件物证。

第二，把"反馈"翻译成四个字段。 这四个字段可以直接抄进任务卡，不依赖任何框架：

• EXPECTED：我以为会发生什么（具体到状态码、行号、字段值）。
• SAW：实际发生了什么（贴原文，不要总结）。
• FENCE：这一轮只许动哪个文件。
• DEAD ENDS：这轮之后，哪条路不要再走。

第三，三条比原文更硬的判据。

1. 写不出"绿"的定义，就别开工。 这是唯一一条能挡住后面所有层的规则。
2. 同一个 SAW 回来两次就停手。 第二次相同结果是"模型看不见某个信息"的信号，不是"再努力一点"的信号。
3. 人只在不可撤销的地方出现。 其余位置放人，等于把最贵的节点浪费在最便宜的判断上。

四条边界，我们替原文打折的地方。

• 这篇文章没有任何样本、基准或现场数据。七个层级是一个人的经验框架，不是测量结果。它的价值在"症状 → 缺哪层"那张对照表，不在"7"这个数字。
• 作者在文末给自建频道导流。框架本身不受影响，但别把文中的判据当成行业标准——它是设计意见，不是规范。
• "不能跳级"当经验法则用没问题。工程上更准确的说法是：可以少建一层，不能少理解一层。两个人的团队在 Level 1 上直接加闸门，比按顺序补齐三层更现实。
• 原文的层级图和几张对照表都是纯文本画的，我们按语义重画成中文表，没有增删条目；ASCII 工单图原样保留。

相关阅读

• 代码能跑 ≠ 系统能用：好开发者为什么对 Agent 开发更谨慎——"构建一直是红的"那一段，就是 Level 3 缺检查的现场记录。
• Agent 写完的代码没人读过：出事时你该潜多深——Level 6 里"你是最贵的节点"的另一面：你不读代码，代价会以什么形式回来。
• Claude Code 团队怎么做代码评审：7 层防线，把人工时间压到最低——把 Level 3 的证据阶梯真的排成一条流水线。

来源：@m4lkxx《Harness, Loops, Graphs: What Each Layer Fixes and What It Breaks》，2026-10-25，原文（X 长文，需登录）。图由我们按原文语义重画为中文表格，ASCII 图保留原样。

本文由汇智网 · Software 2.0 编译整理，转载请注明出处。

这是「Agent / MCP」专题的一部分。完整地图见：Agent / MCP / 自动化完全指南