Anthropic 长时运行应用开发的协作框架设计

TL;DR

Anthropic 发布了一个三代理协作框架（规划者、生成者、评估者），使 Claude 能够在数小时的运行中自主生成丰富的前端设计和全栈应用，克服了上下文窗口限制和自我评估偏差问题。

为何简单的长时运行代理会失败

上下文焦虑 – 随着 Claude 的上下文窗口逐渐填满，模型会过早结束任务或失去连贯性。简单的上下文压缩虽然保留了历史记录，但并未重置模型的内部状态，因此 Claude 依然表现出焦虑。通过完整的上下文重置，配合结构化的交接成果，可为模型提供一个全新的起点，防止过早终止。
自我评估偏差 – 当代理对自己的输出进行评分时，往往会过度赞美，尤其是在设计等主观任务上。将生成与评估分离，可以让专门的评估者被调校为更具怀疑精神，从而提供具体反馈，供生成者迭代优化。

"代理倾向于自信地赞美自己的工作——即使人类观察者认为其表现平庸。" – Anthropic 工程团队博客

将主观设计质量转化为可评分标准

Anthropic 为前端设计定义了四项明确的评分标准：

设计质量 – 颜色、排版、布局、图像和氛围的一致性。
原创性 – 是否包含自定义决策，而非使用通用或现成的 AI 模式。
工艺 – 技术实现，如间距、对比度比例和层级结构。
功能性 – 独立于美学的可用性。

权重分配 侧重于设计质量和原创性，因为 Claude 在工艺和功能性方面已表现良好。评估者通过少量示例进行校准，使评分与作者偏好保持一致。

生成者创建 HTML/CSS/JS 页面，而评估者使用 Playwright 与实时页面交互、截图并生成详细批评。每轮运行中（5–15 次迭代）交替进行生成与评估，生成者决定是优化当前方向，还是彻底转向新方向。

观察到的结果

评分在迭代中持续提升，尽管并非总是线性增长。
评分标准的措辞直接影响视觉风格（例如，“博物馆级”引导设计朝特定美学方向发展）。
在一个荷兰艺术博物馆网站的第 10 次迭代中，生成者从传统的首页切换为基于 3D CSS 的空间体验，实现了显著的创意飞跃。

将受 GAN 启发的模式扩展至全栈开发

三代理架构

代理	角色
规划者	将 1–4 句提示扩展为详细的产品规格，识别 AI 增强机会，并避免过度指定低层级细节。
生成者	逐功能（冲刺）实现规格，使用 React-Vite-FastAPI-SQLite/PostgreSQL 技术栈，维护 git 历史，并在交接前进行自我评估。
评估者	通过 Playwright 执行运行中的应用，检查 UI、API 和数据库行为，并根据标准（设计、功能、深度、代码质量）对每个冲刺进行评分。

关键机制

冲刺契约 – 每次冲刺前，生成者提出交付成果和验证步骤；评估者审查并批准，确保与高层规格一致。
基于文件的交接 – 代理通过读写结构化文件进行沟通，保留状态而无需持续对话。
自动上下文压缩 – 使用 Claude Agent SDK，协作框架让 Opus 4.5 能够处理不断增长的上下文而无需显式重置，得益于模型自身“上下文焦虑”的降低。

对比基准：单代理 vs. 完整协作框架

协作框架	持续时间	成本
单代理 Claude 运行	20 分钟	$9
完整三代理协作框架	6 小时	$200

协作框架生成了一个功能更丰富的复古游戏制作工具，拥有精美的 UI、AI 辅助精灵生成和可运行的测试模式；而单代理运行则存在布局浪费、实体连接错误和游戏功能不可用等问题。

Opus 4.6 之后的协作框架简化

Opus 4.6 改进了长上下文处理、规划和自调试能力，促使移除了冲刺分解机制。
规划者和评估者仍具价值；若无规划者，生成者会低估项目范围。
评估者调整为单次运行结束时的 QA 检查。在 Opus 4.6 单独能力范围内的任务中，评估者贡献有限；但在边缘案例任务中，仍能发现关键缺陷。

更新后的成本分解（DAW 生成）

阶段	持续时间	成本
规划者	4.7 分钟	$0.46
构建第 1 轮	2 小时 7 分钟	$71.08
QA 第 1 轮	8.8 分钟	$3.24
构建第 2 轮	1 小时 2 分钟	$36.89
QA 第 2 轮	6.8 分钟	$3.09
构建第 3 轮	10.9 分钟	$5.88
QA 第 3 轮	9.6 分钟	$4.06
总计	3 小时 50 分钟	$124.70

评估者仍能识别缺失的核心 DAW 交互（如可拖拽剪辑、乐器面板），表明即使模型更强，有针对性的 QA 依然是高杠杆组件。

经验与未来方向

上下文重置 vs. 压缩 – 重置模型上下文可消除“上下文焦虑”，但增加编排开销。当模型（如 Opus 4.5）表现出强烈焦虑时，重置至关重要；而新模型可能仅依赖压缩即可。
独立评估者 – 将专用评估者调校为更具怀疑精神，比让生成者自我批判更可行。评估者的反馈循环驱动迭代改进。
可评分的主观标准 – 将设计原则编码为明确评分，可将模糊的审美判断转化为可操作的反馈。
迭代式协作框架精简 – 随着模型能力提升，系统性地移除不再带来可衡量提升的组件。评估者的效用取决于任务，而非二元存在。
混合分解策略 – 高层规划 + 功能级冲刺契约，在控制范围与保持灵活性之间取得平衡，防止早期规格错误引发连锁反应。

Anthropic 的工作表明，精心设计的协作框架可以拓展当前 LLM 的实际能力，且随着模型能力增强，有用协作组合的范围反而在扩大——而非缩小。

致谢

感谢 Mike Krieger、Michael Agaby、Justin Young、Jeremy Hadfield、David Hershey、Julius Tarng、Xiaoyi Zhang、Barry Zhang、Orowa Sidker、Michael Tingley、Ibrahim Madha、Martina Long、Canyon Robbins、Jake Eaton、Alyssa Leonard 和 Stef Sequeira 的贡献。

附录：规划者输出示例（RetroForge 游戏制作工具）

RetroForge - 2D 复古游戏制作工具

概览
RetroForge 是一个基于网页的创意工作室，用于设计和构建 2D 复古风格的视频游戏。它融合了经典 8 位和 16 位游戏美学的怀旧魅力与现代、直观的编辑工具——让从业余创作者到独立开发者都能无需编写传统代码，将游戏创意变为现实。

功能
1. 项目仪表板与管理
   * 创建、打开、复制、删除项目
   * 带缩略图和时间戳的可视化卡片
   * 元数据：名称、描述、分辨率、瓦片大小、调色板
2. 基于瓦片的关卡编辑器
   * 拖放瓦片、图层、滚动视口
3. 像素艺术精灵编辑器
   * 调色板选择器、缩放、帧动画
4. 实体行为系统
   * 可视化脚本实现移动、碰撞
5. 可玩测试模式
   * 实时预览、键盘控制
6. AI 辅助工具
   * 提示驱动的精灵生成、关卡布局建议