Anthropic 機制設計：用於長時間執行應用程式開發

簡要重點

Anthropic 發布了一個三代理機制（規劃者、生成者、評估者），讓 Claude 能夠在數小時的運行中自主產生豐富的前端設計與全棧應用程式，克服了上下文視窗限制與自我評估偏見。

為何 naïve 的長時間執行代理會失敗

上下文焦慮 – 當 Claude 的上下文視窗填滿時，模型會過早結束工作或失去連貫性。簡單的歷史壓縮雖能保留紀錄，但無法重置模型的內部狀態，因此 Claude 仍會表現出焦慮。完整的上下文重置，搭配結構化的交接文件，能讓模型獲得全新的起點，避免過早終止。
自我評估偏見 – 當代理評估自己的輸出時，往往會過度讚揚，特別是在設計等主觀任務上。將生成與評估分離，讓專門的評估者朝向懷疑態度調整，能提供具體的反饋，讓生成者得以迭代改進。

"代理傾向於自信地讚揚自己的工作——即使人類觀察者認為它只是平庸。" – Anthropic 工程團隊文章

將主觀設計品質轉化為可評分的標準

Anthropic 為前端設計定義了四項明確的評分標準：

設計品質 – 顏色、字型、版面、影像與氛圍的一致性。
原創性 – 是否包含自訂決策，而非使用現成或通用的 AI 模式。
工藝 – 技術執行，例如間距、對比度比率與層次結構。
功能性 – 無關美學的可用性。

權重強調設計品質與原創性，因為 Claude 在工藝與功能性上已表現良好。評估者透過少量範例校準，使評分與作者偏好一致。

生成者建立 HTML/CSS/JS 頁面，而評估者使用 Playwright 互動於即時頁面、截圖並產出詳細批判。每輪運行中（5–15 次迭代）交替進行生成與評估，由生成者決定是改良當前方向，還是完全轉向。

觀察到的成果

評分在迭代中提升，雖非總是線性。
標準的措辭直接影響視覺風格（例如「博物館級」引導設計朝特定美學發展）。
在一個荷蘭藝術博物館網站的第 10 次迭代中，生成者從傳統首頁轉向基於 3D CSS 的空間體驗，實現顯著的創意突破。

將 GAN 啟發的模式延伸至全棧開發

三代理架構

代理	角色
規劃者	將 1–4 句提示擴展為詳細的產品規格，識別 AI 增強機會，並避免過度指定低階細節。
生成者	以 React-Vite-FastAPI-SQLite/PostgreSQL 結構，逐功能實作（Sprint），維護 git 歷史，並在交接前自我評估。
評估者	使用 Playwright 執行運行中的應用程式，檢查 UI、API 與資料庫行為，並根據標準（設計、功能、深度、程式碼品質）為每個 Sprint 評分。

關鍵機制

Sprint 合約 – 每個 Sprint 前，生成者提出交付成果與驗證步驟；評估者審查並批准，確保與高階規格一致。
檔案式交接 – 代理透過讀取/寫入結構化檔案溝通，保留狀態，無需持續對話。
自動上下文壓縮 – 使用 Claude Agent SDK，機制讓 Opus 4.5 處理不斷增長的上下文，無需明確重置，歸功於模型降低的「上下文焦慮」。

比較基準：單一代理 vs. 完整機制

機制	時間	成本
單一 Claude 執行（單一代理）	20 分鐘	$9
完整三代理機制	6 小時	$200

機制產出的是一款功能更豐富的懷舊遊戲製作工具，擁有精緻的 UI、AI 協助的圖示生成與可運作的遊玩模式；而單一執行版本則面臨版面浪費、實體連接錯誤與無法運作的遊戲玩法問題。

在 Opus 4.6 後簡化機制

Opus 4.6 改進了長上下文處理、規劃與自我除錯能力，促使移除 Sprint 分解。
規劃者與評估者仍具價值；若無規劃者，生成者會低估專案範圍。
評估者改為單一終端 QA 通過。在 Opus 4.6 單一能力範圍內的任務，評估者貢獻有限；但在邊際案例中，仍能捕捉關鍵錯誤。

更新後的成本分解（DAW 生成）

階段	時間	成本
規劃者	4.7 分鐘	$0.46
建構回合 1	2 小時 7 分鐘	$71.08
QA 回合 1	8.8 分鐘	$3.24
建構回合 2	1 小時 2 分鐘	$36.89
QA 回合 2	6.8 分鐘	$3.09
建構回合 3	10.9 分鐘	$5.88
QA 回合 3	9.6 分鐘	$4.06
總計	3 小時 50 分鐘	$124.70

評估者仍識別出缺失的核心 DAW 互動（例如可拖曳的片段、儀器面板），顯示即使模型更強大，針對性的 QA 仍是高效益的組成部分。

經驗教訓與未來方向

上下文重置 vs. 壓縮 – 重置模型上下文可消除「上下文焦慮」，但增加協調開銷。當模型（如 Opus 4.5）表現出強烈焦慮時，重置至關重要；新模型可能僅依賴壓縮。
獨立評估者 – 調整專用評估者保持懷疑態度，比讓生成者自我批判更可行。評估者的反饋迴路驅動迭代改進。
可評分的主觀標準 – 將設計原則轉化為明確分數，能將模糊的美學判斷轉化為可操作的反饋。
迭代式機制精簡 – 隨著模型進步，系統性移除不再提供可衡量提升的元件。評估者的效用取決於任務，非二元。
混合式分解 – 高階規劃加上功能級 Sprint 合約，平衡範圍控制與彈性，防止早期規格錯誤蔓延。

Anthropic 的工作顯示，經過深思熟慮的機制設計能擴展當前 LLM 的實用能力，且隨著模型能力提升，有用的機制組合空間不減反增。

致謝

感謝 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 與 Stef Sequeira 的貢獻。

附錄：規劃者輸出範例（RetroForge 遊戲製作工具）

RetroForge - 2D 懷舊遊戲製作工具

概觀
RetroForge 是一個基於網頁的創意工作室，用於設計與建立 2D 懷舊風格的電子遊戲。它結合了經典 8 位元與 16 位元遊戲美學的懷舊魅力，與現代直覺的編輯工具——讓從業餘創作者到獨立開發者都能在不寫傳統程式碼的情況下，實現遊戲構想。

功能
1. 專案儀表板與管理
   * 建立、開啟、複製、刪除專案
   * 帶縮圖與時間戳的視覺卡片
   * 元資料：名稱、描述、解析度、瓦片大小、調色盤
2. 瓦片式地圖編輯器
   * 拖曳瓦片、圖層、捲動視窗
3. 點陣圖角色編輯器
   * 調色盤選擇器、縮放、幀動畫
4. 物件行為系統
   * 用視覺化腳本控制移動、碰撞
5. 可遊玩測試模式
   * 即時預覽、鍵盤控制
6. AI 協助工具
   * 提示驅動的圖示生成、地圖佈局建議