夜雨聆风
AI和管理学,骨子里是同一件事
让AI连续跑10小时，它变傻了、崩溃了、罢工了。
你以为是AI不够聪明？错。是你没有给它设计一套”不依赖记忆”的工作流程。今天这篇文章，管理学家看了沉默，AI工程师看了流泪。
很多人用Claude Code跑长任务，跑着跑着AI就变傻、甚至彻底罢工。
原因很简单：上下文窗口爆了。
但真正的问题不在窗口大小，而在——你让AI一个人扛下了所有。
今天分享一套让AI「无限续航」的系统级方案，叫Harness Engineering。它不只让AI干活，更能让它自我进化。
01核心原理：重置上下文
AI的记性是有限的。Anthropic官方给的思路是：把大任务拆碎，每次只让AI在一个全新的、干净的上下文里干一件小事。
错误做法
把所有需求一次性塞给AI。100个需求一起上，AI前面还记得住，后面就彻底混乱。
正确做法
拆解任务 → 独立循环执行 → 记录进度 → 下一个循环。每一步都在干净上下文里运行，AI永远只做一件事。
这像什么？像流水线工厂。每个工人只负责一道工序，做完传给下一个。产品一致性高，不依赖任何一个工人的「全能」。
02方案对比：Ralph循环 vs 多智能体
具体怎么实现？有两个方案：
方案A：Ralph循环
用Bash脚本写个while循环，每次强制重启一个新会话。简单粗暴，适合极客自己玩。缺点是：流程一复杂，脚本就变成了噩梦。
方案B：多智能体协同（推荐）
更灵活，更接近真实团队的工作方式。
主Agent（Coordinator）：只负责调度和分配任务，绝不写代码——这样它的上下文永远干净，只有几行调度指令。
子Agent（Workers）：计划Agent、开发Agent、测试Agent，各司其职。每个Agent独立运行、独立记忆，互不干扰。
你发现没有？这其实就是管理学里的「组织设计」。
03工作流设计：四步闭环
说说我自己跑通的实战工作流：
第一步
主Agent接收完整需求 → 交给计划Agent出排期。主Agent不参与分析，只当分拣员。
第二步
主Agent拿到计划 → 派给开发Agent写代码。只传文件路径，不传大段代码！路径只有几个字符，上下文永远不爆。
第三步
开发完 → 派给测试Agent找Bug。测试Agent会发现问题并报告。
第四步（关键）
Bug修复闭环：测试挂了？用resume参数唤醒同一个开发Agent修Bug——保留现场上下文，而不是开新号重头再来！
为什么要强调「同一个」Agent？因为它记得自己刚才改了什么，开新号会丢失这个上下文，修同一个Bug可能要反复多次。
04让AI自我进化的Secret Sauce
做到以上几步，AI已经能「续航」了。但要让AI真正越用越聪明，还需要两件事：
经验库：踩过的坑不再踩
建一个经验库文件（Lessons Learned）。每次踩坑，强制AI把错误写进去。下一次开发，先读这个文件，避免重复犯错。
这相当于企业的知识沉淀机制——个人会离职，但组织记忆永在。
文件通信：只传路径，不传内容
Agent之间只传递文件路径，不传递具体代码内容。主Agent的上下文永远只有几行字，永远不会爆窗。
这对应管理学里的「信息分层」原则——管理层不需要知道每个员工写的代码，只需要知道进度和问题。
这套系统我跑了一个通宵，生成了一个程序，质量还行。
真正的Harness不是让AI更聪明，而是设计一套不依赖AI记性的流程。
下次再遇到AI跑长任务就崩溃，别急着升级模型。先问自己一句：我的流程设计得像管理学吗？