gan-style-harness

GAN 风格线束技能

灵感来自 Anthropic 的长时间运行应用开发的线束设计（2026 年 3 月 24 日）

一种将生成与评估分离的多智能体线束，创建对抗性反馈循环，将质量推远超单个智能体所能达到的水平。

核心洞察

当被要求评估自己的工作时，智能体是病态的乐观主义者——它们赞美平庸的输出，并说服自己忽略合理的问题。但工程化一个独立的评估器使其无情地严格，远比教生成器自我批评更可行。

这与 GAN（生成对抗网络）的动态相同：生成器产出，评估器批评，反馈驱动下一次迭代。

何时使用

• 从一行提示构建完整应用
• 需要高视觉质量的前端设计任务
• 需要工作功能的全栈项目，而不仅仅是代码
• 任何不接受"AI 垃圾"美学的任务
• 愿意投资 $50-200 获得生产级质量输出的项目

何时不使用

• 快速的单文件修复（使用标准 claude -p）
• 预算紧张的任务（<$10）
• 简单重构（改用去凌乱化模式）
• 已经有测试明确规范的任务（使用 TDD 工作流）

架构

                    ┌─────────────┐
                    │   规划器    │
                    │ (Opus 4.6)  │
                    └──────┬──────┘
                           │ 产品规格
                           │ (特性、冲刺、设计方向)
                           ▼
              ┌────────────────────────┐
              │                        │
              │  生成器-评估器         │
              │    反馈循环            │
              │                        │
              │  ┌──────────┐          │
              │  │ 生成器   │--构建-->│──┐
              │  │(Opus 4.6)│          │  │
              │  └────▲─────┘          │  │
              │       │                │  │ 实时应用
              │    反馈                │  │
              │       │                │  │
              │  ┌────┴─────┐          │  │
              │  │ 评估器   │<-测试---│──┘
              │  │(Opus 4.6)│          │
              │  │+Playwright│         │
              │  └──────────┘          │
              │                        │
              │   5-15 次迭代          │
              └────────────────────────┘

三个智能体

1. 规划器智能体

角色： 产品经理——将简短提示扩展为完整产品规格。

关键行为：

• 接受一行提示并产生 16 个特性、多冲刺的规格
• 定义用户故事、技术需求和视觉设计方向
• 刻意雄心勃勃——保守的规划导致令人失望的结果
• 产生评估器稍后使用的评估标准

模型： Opus 4.6（规格扩展需要深度推理）

2. 生成器智能体

角色： 开发者——根据规格实现特性。

关键行为：

• 在结构化冲刺中工作（或使用更新模型的连续模式）
• 在编写代码前与评估器协商"冲刺契约"
• 使用全栈工具：React、FastAPI/Express、数据库、CSS
• 在迭代间使用 git 进行版本控制
• 读取评估器反馈并在下一次迭代中纳入

模型： Opus 4.6（需要强编码能力）

3. 评估器智能体

角色： QA 工程师——测试实时运行的应用，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
• 按四个标准评分（可配置）：
  1. 设计质量 — 是否感觉像一个连贯的整体？
  2. 原创性 — 自定义决策 vs 模板/AI 模式？
  3. 工艺 — 排版、间距、动画、微交互？
  4. 功能性 — 所有特性是否实际工作？
• 返回带评分和具体问题的结构化反馈
• 被工程化为无情严格——从不赞美平庸的工作

模型： Opus 4.6（需要强判断力 + 工具使用）

评估标准

默认四个标准，每项 1-10 分：

## 评分标准

### 设计质量（权重：0.3）
- 1-3：通用的、模板化的、"AI 垃圾"美学
- 4-6：合格但不突出，遵循惯例
- 7-8：独特的、连贯的视觉标识
- 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、素材布局、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：令人惊喜、令人愉悦、真正新颖

### 工艺（权重：0.3）
- 1-3：损坏的布局、缺失的状态、没有动画
- 4-6：能用但感觉粗糙、间距不一致
- 7-8：精致的、平滑的过渡、响应式
- 9-10：像素级完美、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：正常路径工作，边缘情况失败
- 7-8：所有功能工作，良好的错误处理
- 9-10：无懈可击，处理每个边缘情况

评分

• 加权分数 = sum of (标准分数 * 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）

用法

通过命令

# 完整的三智能体线束
/project:gan-build "构建一个带看板、团队协作和深色模式的项目管理应用"

# 带自定义配置
/project:gan-build "构建一个食谱分享平台" --max-iterations 10 --pass-threshold 7.5

# 前端设计模式（仅生成器 + 评估器，无规划器）
/project:gan-design "为加密投资组合追踪器创建一个落地页"

通过 Shell 脚本

# 基本用法
./scripts/gan-harness.sh "构建一个音乐流媒体仪表板"

# 带选项
GAN_MAX_ITERATIONS=10 \
GAN_PASS_THRESHOLD=7.5 \
GAN_EVAL_CRITERIA="functionality,performance,security" \
./scripts/gan-harness.sh "构建一个任务管理 REST API"

通过 Claude Code（手动）

# 步骤 1：规划
claude -p --model opus "你是一个产品规划器。阅读 PLANNER_PROMPT.md。将这个简短提示扩展为完整产品规格：'构建一个看板应用'。将规格写入 spec.md"

# 步骤 2：生成（迭代 1）
claude -p --model opus "你是一个生成器。阅读 spec.md。实现冲刺 1。在端口 3000 启动开发服务器。"

# 步骤 3：评估（迭代 1）
claude -p --model opus --allowedTools "Read,Bash,mcp__playwright__*" "你是一个评估器。阅读 EVALUATOR_PROMPT.md。测试 http://localhost:3000 的实时应用。按评分标准打分。将反馈写入 feedback-001.md"

# 步骤 4：生成（迭代 2——读取反馈）
claude -p --model opus "你是一个生成器。阅读 spec.md 和 feedback-001.md。解决所有问题。提高分数。"

# 重复步骤 3-4 直到达到通过阈值

跨模型能力的演进

线束应随模型改进而简化。遵循 Anthropic 的演进：

阶段 1 — 较弱模型（Sonnet 级别）

• 需要完整的冲刺分解
• 冲刺间重置上下文（避免上下文焦虑）
• 最少 2 个智能体：初始化器 + 编码智能体
• 大量脚手架补偿模型局限

阶段 2 — 能力模型（Opus 4.5 级别）

• 完整 3 智能体线束：规划器 + 生成器 + 评估器
• 每个实现阶段前的冲刺契约
• 复杂应用的 10 冲刺分解
• 上下文重置仍有用但不那么关键

阶段 3 — 前沿模型（Opus 4.6 级别）

• 简化线束：单次规划，连续生成
• 评估减少到单次最终通过（模型更智能）
• 不需要冲刺结构
• 自动压缩处理上下文增长

关键原则： 每个线束组件都编码了关于模型单独不能做什么的假设。当模型改进时，重新测试这些假设。剥离不再需要的部分。

配置

环境变量

变量	默认值	描述
GAN_MAX_ITERATIONS	15	最大生成器-评估器循环次数
GAN_PASS_THRESHOLD	7.0	通过的加权分数（1-10）
GAN_PLANNER_MODEL	opus	规划器智能体模型
GAN_GENERATOR_MODEL	opus	生成器智能体模型
GAN_EVALUATOR_MODEL	opus	评估器智能体模型
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	跳过规划器，直接使用规格
GAN_EVAL_MODE	playwright	playwright、screenshot 或 code-only

评估模式

模式	工具	最适用于
playwright	浏览器 MCP + 实时交互	带有 UI 的全栈应用
screenshot	截图 + 视觉分析	静态站点、仅设计
code-only	测试 + linting + 构建	API、库、CLI 工具

反模式

1. 评估器过于宽松——如果评估器在第 1 次迭代就通过所有内容，你的评分标准太宽松了。收紧评分标准并对常见 AI 模式添加显式惩罚。

2. 生成器忽略反馈——确保反馈作为文件传递，而非内联。生成器应在每次迭代开始时读取 feedback-NNN.md。

3. 无限循环——始终设置 GAN_MAX_ITERATIONS。如果生成器在 3 次迭代后无法突破分数平台期，停止并标记为人工审查。

4. 评估器表面测试——评估器必须使用 Playwright 交互实时应用，而不仅是截图。点击按钮、填写表单、测试错误状态。

5. 评估器赞美自己的修复——永远不要让评估器建议修复然后评估这些修复。评估器只批评；生成器修复。

6. 上下文耗尽——对于长时间会话，使用 Claude Agent SDK 的自动压缩或在主要阶段之间重置上下文。

结果：预期什么

基于 Anthropic 公布的结果：

指标	单一智能体	GAN 线束	改进
时间	20 分钟	4-6 小时	12-18 倍
成本	$9	$125-200	14-22 倍
质量	勉强可用	生产就绪	质的飞跃
核心功能	损坏的	全部工作	N/A
设计	通用 AI 垃圾	独特的、精致的	N/A

权衡是明确的： 约 20 倍的时间和成本，换来输出质量的质的飞跃。这适用于质量至关重要的项目。

参考文献

• Anthropic：长时间运行应用的线束设计 — Prithvi Rajasekaran 的原始论文
• Epsilla：GAN 风格智能体循环 — 架构解构
• Martin Fowler：线束工程 — 更广泛的行业背景
• OpenAI：线束工程 — OpenAI 的并行工作