GAN 风格工作流工具 (GAN-Style Harness Skill)
灵感来源于 Anthropic's Harness Design for Long-Running Application Development (2026年3月24日)
一个多智能体工作流，将生成与评估分离，形成一个对抗性反馈循环，其驱动质量提升远超过单个智能体所能达到的水平。
核心洞察
当要求评估自己的工作时，智能体是病态的乐观主义者——它们会夸奖平庸的输出，并说服自己忽视真正的问题。然而，设计一个独立的评估者并使其变得极其严格，远比教会生成者自我批评要容易得多。
这与 GAN（生成对抗网络）的动态机制相同：生成者负责产出，评估者负责批评，这种反馈驱动着下一轮迭代。
何时使用
- 根据一行提示构建完整的应用程序
- 需要高视觉质量的前端设计任务
- 需要工作功能而不仅仅是代码的全栈项目
- 任何“AI 拼凑品”美学不可接受的任务
- 您愿意投入 50-200 美元以获得生产质量输出的项目
何时不使用
- 快速单文件修复（使用标准
claude -p） - 预算紧张的任务（低于 10 美元）
- 简单重构（改用 de-sloppify 模式）
- 已有良好规范且附带测试的任务（使用 TDD 工作流）
架构
┌─────────────┐
│ PLANNER │
│ (规划者) │
│ (Sonnet) │
└──────┬──────┘
│ 产品规格
│ (功能、冲刺、设计方向)
▼
┌────────────────────────┐
│ │
│ GENERATOR-EVALUATOR │
│ 生成器-评估器 │
│ 反馈循环 │
│ │
│ ┌──────────┐ │
│ │GENERATOR │--构建--> │──┐
│ │ (生成者) │ │ │
│ │ (Sonnet) │ │ │
│ └────▲─────┘ │ │
│ │ │ │ 实时应用
│ 反馈 │ │
│ │ │ │
│ ┌────┴─────┐ │ │
│ │EVALUATOR │<-测试--- │──┘
│ │ (评估者) │ │
│ │ (Sonnet) │ │
│ │+Playwright│ │
│ └──────────┘ │
│ │
│ 5-15 次迭代 │
└────────────────────────┘
三个智能体
1. 规划者 (Planner Agent)
角色： 产品经理——将一个简短的提示扩展为完整的产品规格。
关键行为：
- 接收一行提示，生成包含 16 个功能、多个冲刺的规格文档
- 定义用户故事、技术需求和视觉设计方向
- 故意雄心勃勃——保守的规划会导致平庸的结果
- 生成评估者后续将使用的评估标准
模型： 默认使用 Sonnet；通过设置 GAN_PLANNER_MODEL=opus 提升以进行更深入的规格扩展
2. 生成者 (Generator Agent)
角色： 开发者——根据规格实现功能。
关键行为：
- 按结构化冲刺工作（使用更新模型时也可连续模式）
- 在编写代码前与评估者协商“冲刺合同”
- 使用全栈工具：React、FastAPI/Express、数据库、CSS
- 管理 git 以进行迭代间的版本控制
- 阅读评估者反馈并在下一次迭代中融入
模型： 默认使用 Sonnet；通过设置 GAN_GENERATOR_MODEL=opus 提升以获得最大编码能力
3. 评估者 (Evaluator Agent)
角色： 质量工程师——测试实时运行的应用程序，而不仅仅是代码。
关键行为：
- 使用 Playwright MCP 与实时应用交互
- 点击功能、填写表单、测试 API 端点
- 根据四个标准进行评分（可配置）：
- 设计质量 — 看起来是否像一个协调的整体？
- 原创性 — 是否做出了自定义决策而非使用模板/AI 模式？
- 工艺 — 字体、间距、动画、微交互？
- 功能性 — 所有功能是否实际可用？
- 返回带有分数和具体问题的结构化反馈
- 被设计为极其严格——绝不表扬平庸的工作
模型： 默认使用 Sonnet；通过设置 GAN_EVALUATOR_MODEL=opus 提升以获得更强的判断力和工具使用能力
评估标准
默认的四个标准，每个评分 1-10：
## 评估细则
### 设计质量 (权重: 0.3)
- 1-3: 通用、模板化、“AI 拼凑品”美学
- 4-6: 合格但不突出，遵循常规
- 7-8: 独特、连贯的视觉识别
- 9-10: 可以冒充专业设计师的作品
### 原创性 (权重: 0.2)
- 1-3: 默认颜色、库存布局、没有个性
- 4-6: 有一些自定义选择，大部分是标准模式
- 7-8: 清晰的创意愿景，独特的方法
- 9-10: 令人惊讶、愉悦、真正新颖
### 工艺 (权重: 0.3)
- 1-3: 布局损坏、缺少状态、无动画
- 4-6: 能工作但感觉粗糙，间距不一致
- 7-8: 精致、流畅的过渡、响应式
- 9-10: 像素完美、令人愉悦的微交互
### 功能性 (权重: 0.2)
- 1-3: 核心功能损坏或缺失
- 4-6: 快乐路径可用，边缘情况失败
- 7-8: 所有功能都工作，错误处理良好
- 9-10: 无懈可击，处理每个边缘情况
评分
- 加权得分 = 总和（标准得分 * 权重）
- 通过阈值 = 7.0（可配置）
- 最大迭代次数 = 15（可配置，通常 5-15 次足够）
使用方法
通过命令
# 完整三智能体工作流
/project:gan-build "Build a project management app with Kanban boards, team collaboration, and dark mode"
# 自定义配置
/project:gan-build "Build a recipe sharing platform" --max-iterations 10 --pass-threshold 7.5
# 前端设计模式（仅生成者+评估者，无规划者）
/project:gan-design "Create a landing page for a crypto portfolio tracker"
通过 Shell 脚本
# 基础用法
./scripts/gan-harness.sh "Build a music streaming dashboard"
# 带选项
GAN_MAX_ITERATIONS=10 \
GAN_PASS_THRESHOLD=7.5 \
GAN_EVAL_CRITERIA="functionality,performance,security" \
./scripts/gan-harness.sh "Build a REST API for task management"
通过 Claude Code（手动）
# 步骤 1: 规划
claude -p --model sonnet "You are a Product Planner. Read PLANNER_PROMPT.md. Expand this brief into a full product spec: 'Build a Kanban board app'. Write spec to spec.md"
# 步骤 2: 生成（迭代 1）
claude -p --model sonnet "You are a Generator. Read spec.md. Implement Sprint 1. Start the dev server on port 3000."
# 步骤 3: 评估（迭代 1）
claude -p --model sonnet --allowedTools "Read,Bash,mcp__playwright__*" "You are an Evaluator. Read EVALUATOR_PROMPT.md. Test the live app at http://localhost:3000. Score against the rubric. Write feedback to feedback-001.md"
# 步骤 4: 生成（迭代 2 — 读取反馈）
claude -p --model sonnet "You are a Generator. Read spec.md and feedback-001.md. Address all issues. Improve the scores."
# 重复步骤 3-4 直到达到通过阈值
随模型能力演进
随着模型改进，工作流应简化。遵循 Anthropic 的演进：
阶段 1 — 较弱模型（Sonnet 级）
- 需要完整的冲刺分解
- 在冲刺之间重置上下文（避免上下文焦虑）
- 最少 2 个智能体：初始化者 + 编码智能体
- 大量脚手架补偿模型限制
阶段 2 — 有能力的模型（Opus 4.5 级）
- 完整的 3 智能体工作流：规划者 + 生成者 + 评估者
- 在每个实现阶段前进行冲刺合同
- 复杂应用分解为 10 个冲刺
- 上下文重置仍然有用，但不再关键
阶段 3 — 前沿模型（Opus 4.6 级）
- 简化工作流：单次规划传递，连续生成
- 评估减少为单次最终传递（模型更智能）
- 无需冲刺结构
- 自动压缩处理上下文增长
关键原则： 工作流的每个组件都编码了对模型无法单独完成之事的假设。当模型改进时，重新测试这些假设。去掉不再需要的部分。
配置
环境变量
| 变量 | 默认值 | 描述 |
|---|---|---|
GAN_MAX_ITERATIONS | 15 | 生成者-评估者最大循环次数 |
GAN_PASS_THRESHOLD | 7.0 | 通过所需的加权得分 (1-10) |
GAN_PLANNER_MODEL | sonnet | 规划智能体的模型 |
GAN_GENERATOR_MODEL | sonnet | 生成智能体的模型 |
GAN_EVALUATOR_MODEL | sonnet | 评估智能体的模型 |
GAN_EVAL_CRITERIA | design,originality,craft,functionality | 逗号分隔的评估标准 |
GAN_DEV_SERVER_PORT | 3000 | 实时应用的端口 |
GAN_DEV_SERVER_CMD | npm run dev | 启动开发服务器的命令 |
GAN_PROJECT_DIR | . | 项目工作目录 |
GAN_SKIP_PLANNER | false | 跳过规划者，直接使用规格 |
GAN_EVAL_MODE | playwright | playwright、screenshot 或 code-only |
评估模式
| 模式 | 工具 | 最适合 |
|---|---|---|
playwright | 浏览器 MCP + 实时交互 | 带 UI 的全栈应用 |
screenshot | 截图 + 视觉分析 | 静态网站、仅设计类应用 |
code-only | 测试 + 代码检查 + 构建 | API、库、CLI 工具 |
反模式
-
评估者过于宽容 — 如果评估者在第一次迭代中通过了所有内容，那么您的评分细则太宽松了。收紧评分标准，并为常见的 AI 模式添加明确的惩罚。
-
生成者忽略反馈 — 确保反馈以文件形式传递，而不是内联。生成者应在每次迭代开始时读取
feedback-NNN.md。 -
无限循环 — 始终设置
GAN_MAX_ITERATIONS。如果生成者在 3 次迭代后无法突破得分平台，应停止并标记为人工审查。 -
评估者测试表面化 — 评估者必须使用 Playwright 与 实时应用交互，而不仅仅是截图。点击按钮、填写表单、测试错误状态。
-
评估者表扬自己的修复 — 绝不让评估者建议修复后又评估这些修复。评估者只负责批评；生成者负责修复。
-
上下文耗尽 — 对于长时间会话，使用 Claude Agent SDK 的自动压缩功能或在主要阶段之间重置上下文。
结果：预期效果
基于 Anthropic 公布的结果：
| 指标 | 单智能体 | GAN 工作流 | 提升幅度 |
|---|---|---|---|
| 时间 | 20 分钟 | 4-6 小时 | 长 12-18 倍 |
| 成本 | 9 美元 | 125-200 美元 | 多 14-22 倍 |
| 质量 | 勉强可用 | 接近生产级 | 质变 |
| 核心功能 | 损坏 | 全部可用 | 不适用 |
| 设计 | 通用 AI 拼凑品 | 独特、精致 | 不适用 |
权衡是显而易见的： 约多花 20 倍的时间和成本，换来质的飞跃。这适用于质量至上的项目。
参考资料
- Anthropic: Harness Design for Long-Running Apps — 由 Prithvi Rajasekaran 撰写的原始论文
- Epsilla: The GAN-Style Agent Loop — 架构解构
- Martin Fowler: Harness Engineering — 更广泛的行业背景
- OpenAI: Harness Engineering — OpenAI 的并行工作