具体怎么构建 repo harness，有什么好的实践吗

回复 群友 1384：先分清层级。产品级是厂商内置的 harness，你不控制；repo 级是你给某个仓库配的一套 guides + sensors；组织级是跨仓库共享的模板。你要做的是 repo 级，目标是让 agent 一次就做对、做完能自己纠错。 三块组件 guides（事前引导，确定性优先）：仓库根一份精简的 AGENTS.md，只写 agent 猜不到的东西——目录边界、构建与测试命令、不能碰的目录、历史踩过的坑。别写成大而全的说明书。 sensors（事后反馈，最值钱）：lint、类型检查、结构测试（ArchUnit 那种查模块越界的）、单测、pre-commit hook。关键是让报错信息自带修法，等于给 agent 一次正向的 prompt injection。快跑在 agent 身边，慢的放 CI。 状态与交接：progress 日志 + 有意义的 git commit + 一条 init.sh（怎么起服务怎么跑冒烟测试）。跨多个上下文窗口时，这比 compaction 靠谱得多。 几条实证要注意 ETH Zurich 2026 年那篇 AGENTS.md 研究：加了仓库上下文文件，任务成功率普遍没有提升，推理成本还涨了 20% 以上。所以写规则是被反复验证过的坑才写，不是入职手册。 Anthropic 那篇长时任务：先来个 initializer 把 feature list（JSON，不是 md，模型不容易乱改）和进度文件建好，之后每个会话只做一个 feature，收尾必须 commit 并写进度。 失败模式要提前防：一次性梭哈、提前宣布完工、没测就说做完了。对应的解法分别是 feature list、强制跑 end-to-end 验证、只允许改 passes 字段。 顺序建议：先加 type check + lint + 单测三个确定性 sensor，再写一份二十行的 AGENTS.md，然后加个查架构边界的结构测试。等同一个坑踩两次，再回来补规则，别一上来就搭全套。 延伸读：Anthropic 的 Effective harnesses for long-running agents、Martin Fowler 的 Harness engineering for coding agent users、Joye 的 Learn-Open-Harness 仓库。