长时间运行的智能体：让一个任务跨越多个会话持续推进

智能体一连跑几个小时，会在哪里出问题

让一个编程智能体去做一个 claude.ai 的克隆版，然后放手让它跑，会出现两种失败。Anthropic 用 Claude Agent SDK 上的 Opus 4.5 做过这个实验，并把两种失败都写进了一篇讲长时间运行智能体的工程文章。第一种出现在开头：智能体想一口气把整个应用做完，做到一半上下文用光了，留给下一个会话的是一个做了一半、没有任何说明的功能。第二种出现在后期：一个新会话看了一圈，发现已经有不少能跑的代码，就宣布任务完成了，其实并没有。

较早的模型还有第三种失败。Anthropic 的 Labs 团队发现，Claude Sonnet 4.5 在接近它以为的上下文上限时会提前收尾，他们把这叫作“上下文焦虑”。单靠压缩治不好它，所以那套 harness 改成清空上下文，再把一份写好的交接说明交给一个新的智能体。

Anthropic 对 Claude Code 会话的研究看了最长的那些回合（第 99.9 百分位）。它们在 2025 年 10 月到 2026 年 1 月之间几乎翻了一倍，从不到 25 分钟变成超过 45 分钟。文章还写道，从 1 月中旬起，极端的回合时长已有所下降。上下文窗口是模型一次调用能看到的全部文字，而长时间运行的智能体就是为跨越许多个窗口而设计的：一个任务，许多个会话，每个会话都从空白开始。

开始之前

这一课接着什么是智能体 harness里的循环，以及第 2 课的工具设计往下讲。压缩、记忆文件和上下文编辑能让一个会话撑得更久，智能体记忆那一课专门讲它们。这一课要解决的，是会话与会话之间的断档。

示例用的是 Anthropic 在 GitHub 上的 autonomous-coding 快速入门，一个用 Python 写、基于 Claude Agent SDK 的智能体 harness，也就是模型外围的那层代码。

运行它需要 Claude Code CLI、Python 和 ANTHROPIC_API_KEY，它的 README 也提醒，做完一个完整应用要跨很多个会话、花上好几个小时。

这个快速入门仍然导入旧的 claude_code_sdk 包。现在这个 SDK 的包名是 claude-agent-sdk，它的 README 写明了 ClaudeCodeOptions 已改名为 ClaudeAgentOptions。

布置第一个会话：需求说明、功能清单、初始化脚本和 git

第一个会话几乎不写应用代码，这是有意为之。Anthropic 把它叫作初始化智能体。它和之后的每个会话用同一套系统提示词、工具和 harness，只有第一条用户消息不同。它的任务，是把需求说明变成一套陌生人也能接手的文件。

防止过早宣布完成的，就是这份功能清单。清单里每一项都是一个端到端测试，带一个 passes 标记，所有标记一开始都是 false。下面的格式原样摘自快速入门的初始化提示词。Anthropic 选 JSON 的原因是，和 Markdown 文件相比，模型更不容易乱改或覆盖 JSON 文件。

[
  {
    "category": "functional",
    "description": "Brief description of the feature and what this test verifies",
    "steps": [
      "Step 1: Navigate to relevant page",
      "Step 2: Perform action",
      "Step 3: Verify expected result"
    ],
    "passes": false
  },
  {
    "category": "style",
    "description": "Brief description of UI/UX requirement",
    "steps": [
      "Step 1: Navigate to page",
      "Step 2: Take screenshot",
      "Step 3: Verify visual requirements"
    ],
    "passes": false
  }
]

1. 把需求说明放进 app_spec.txt，并让初始化智能体先读它。
2. 让它根据需求说明写出 feature_list.json。快速入门要求写 200 个测试，按优先级排列，短的检查和十步以上的长测试都要有。它的 README 建议，想快点看到演示效果，可以减到 20 到 50 个。
3. 用明确的话禁止修改清单。提示词用全大写写着，删除或修改功能是灾难性的，之后的会话只能改 passes 这一个字段。
4. 让它写出 init.sh，负责安装依赖、启动开发服务器，这样之后的会话不必再花上下文去摸索怎么运行应用。
5. 把清单、脚本和一份 README 做成第一次 git 提交，再在上下文用满之前写好 claude-progress.txt。

之后的每个会话，都用同一套开场

第一个会话之后的每个会话，都是一个毫无记忆的编程智能体。它的提示词以一套固定流程开头，用七条命令从文件里重新拼出全貌。下面这段原样摘自快速入门的编程提示词。

接下来流程就变得严格了。开始新工作之前，智能体要重跑一两项已经标为通过的核心测试，因为上一个会话可能把它们弄坏了，发现问题先修。然后它挑出优先级最高的未通过功能，只做这一个，并像用户那样在浏览器里点一遍、截图检查。只有到这一步，它才能把 passes 改成 true、提交代码，并在进度文件里写下这次做了什么、下一步该做什么。

Anthropic 发现，让模型用写清楚的提交说明提交到 git，再把进展写进一个摘要文件，是让它每次都把代码留在干净状态的最好办法，git 还让它能撤回坏的改动。下表把每种失败和对应的做法一一对上。

# 1. See your working directory
pwd

# 2. List files to understand project structure
ls -la

# 3. Read the project specification to understand what you're building
cat app_spec.txt

# 4. Read the feature list to see all work
cat feature_list.json | head -50

# 5. Read progress notes from previous sessions
cat claude-progress.txt

# 6. Check recent git history
git log --oneline -20

# 7. Count remaining tests
cat feature_list.json | grep '"passes": false' | wc -l

端到端检查也有盲区。文章提到，Claude 通过 Puppeteer MCP 服务器看不到浏览器原生的弹窗提示，依赖这类弹窗的功能问题也更多。

用一个循环重启智能体

一个会话结束时，总得有东西启动下一个。在快速入门里，这是一个 Python 循环。它为每个会话新建一个客户端，第一次发初始化提示词，之后都发编程提示词，等三秒再来一轮。它自己永远不会停下。--max-iterations 参数限制会话的数量，按 Ctrl+C 会暂停，再运行同一条命令就能接着跑。

Anthropic 安全防护团队的研究员 Nicholas Carlini 只用一个简单的 shell 循环，就让 16 个智能体在将近 2,000 个 Claude Code 会话里用 Rust 写出了一个 C 编译器。这个编译器约 100,000 行，能在 x86、ARM 和 RISC-V 上构建 Linux 6.9。

下面的循环原样摘自他的文章，文章在它正上方写了一句：在容器里运行，不要在你自己的机器上运行。循环里那个参数会关掉所有权限确认，下一课智能体护栏讲的，就是该在它外面加些什么。

多个智能体共用一个仓库之后，他的 harness 还有几条经验：

#!/bin/bash

while true; do
    COMMIT=$(git rev-parse --short=6 HEAD)
    LOGFILE="agent_logs/agent_${COMMIT}.log"

    claude --dangerously-skip-permissions \
           -p "$(cat AGENT_PROMPT.md)" \
           --model claude-opus-X-Y &> "$LOGFILE"
done

• 智能体认领任务的方式，是往 current_tasks/ 里写一个文本文件，比如 current_tasks/parse_if_statement.txt。如果两个智能体认领了同一项任务，git 的同步会让后到的那个另挑一项。
• 测试输出是写给模型看的。测试 harness 不该打印成千上万字节没用的内容，失败的那一行以 ERROR 开头，原因写在同一行，这样 grep 就能找到。
• 慢的测试集只抽样跑。默认的 --fast 选项会随机跑 1% 或 10% 的测试。
• 每个智能体都在一个全新的容器里启动，所以提示词要求它随时更新 README 和进度文件。

什么时候把工作拆给多个智能体

多加智能体，换来的是并行的工作和每个工作者各自干净的上下文，代价是 token。Claude 的研究功能做的就是这笔交易。一个主智能体先规划研究，把计划存进记忆，因为上下文窗口超过 200,000 个 token 就会被截断。然后它启动几个子智能体并行搜索。

每个子智能体把发现交回给主智能体。文章末尾的建议里还说，子智能体可以把工作成果存进外部系统，只交回一个轻量的引用，这样长结果在层层转述中损失更少。在 Anthropic 内部的研究评估里，由 Claude Opus 4 带领 Claude Sonnet 4 子智能体的系统，比单个 Claude Opus 4 智能体高出 90.2%。

token 消耗涨得很快，见下图：Anthropic 说，智能体通常用掉的 token 约是一次对话的 4 倍，多智能体系统约是 15 倍。在 BrowseComp 这项测试浏览智能体能否找到冷僻信息的评估里，光是 token 用量一项，就解释了得分差异的 80%。换作我们，编程任务会先用一个智能体加一套好笔记开始，只有彼此不相干的部分才另派工作者。原因文章里也写了：大多数编程任务里真正能并行的部分比研究少，所有智能体都需要同一份上下文的工作，目前也不适合多智能体系统。

为什么每换一代模型，harness 就变小一些

harness 里写着我们对“模型自己做不到什么”的猜测，而新模型会让其中一些猜测过时。Anthropic 的 Labs 团队为要花几个小时才能做完的应用搭了一套三智能体 harness。规划者把一到四句话的提示扩写成完整的需求说明，生成者按功能逐个实现。评估者用 Playwright MCP 服务器在运行中的应用里点来点去，只要有一项评分低于门槛，这一轮冲刺就判为失败。同样一个做 2D 复古游戏制作器的提示，单个智能体跑了 20 分钟，三个智能体齐上的 harness 跑了六个小时。

OpenAI 的 Codex 团队把同样的部件放进了文件，而不是交给多个智能体。在一次运行里，GPT-5.3-Codex 在 Extra High 推理档位上，从一个空仓库开始做一个设计工具，持续了大约 25 小时，用了大约 13M 个 token，写了大约 30k 行代码。它遵循四个 Markdown 文件：一份带 “Done when” 小节的需求说明、一份带验证命令的里程碑计划、一份操作手册和一份状态日志。检查一旦失败，就先修好再往下走。

换模型时，就重新审视你的 harness。一次只拿掉一个部件，在同一批任务上比较结果，怎么衡量可以看 AI 评估课程。

Claude Code 的作者怎样让长任务一直跑下去

Boris Cherny 是 Claude Code 的作者，在 Anthropic 做 Claude。2026 年 1 月 2 日，他在 X 上一个讲自己配置的帖子串里，第 12 条列了三种让 Claude 坚持做完长任务的办法，引文见下。第二种最值得搬进你自己的 harness：Claude 想结束时会触发 Stop 钩子，由代码里的检查来决定工作是否真的做完了。

第三种是 ralph-wiggum 插件，他说这个点子最早出自 Geoffrey Huntley，现在它以 ralph-loop 的名字放在 Anthropic 的插件仓库里。

Anthropic 在 2025 年 11 月 26 日发帖介绍那篇 harness 文章，说的正是这一课开头的问题：智能体跨越多个上下文窗口时依然吃力。它的答案借鉴了人类工程师交接班的方式，所以上面的步骤靠的是文件和提交，而不是更聪明的提示词。下面的工作坊来自 AI Engineer 频道，由 Anthropic 的工程师主讲。

X 官方嵌入卡片的截图，拍摄于 2026-11-06，时间为 UTC。点击截图可到 X 上打开原帖。Boris Cherny 的那条帖子被 X 用“Show more”截短了。

常见错误

• 功能清单还没写，就开始写应用代码。
• 把任务清单放在 Markdown 文件里，任由之后的会话随意改写。
• 代码能编译、curl 返回 200，就把功能标为完成。快速入门要求在界面上截图检查。
• 没有先重跑核心测试就开始新工作，让上一个会话留下的缺陷扩散开。
• 在容器之外跑跳过权限确认的循环。
• 把成千上万行测试输出倒进智能体的上下文，让它自己去读。
• 给一个没什么可并行部分的编程任务加子智能体，白白多付几倍的 token。

自己试一试

• 为一个你熟悉的小应用写一份五项的 feature_list.json，每项的步骤都能在浏览器里照着做。
• 把快速入门的初始化提示词减到十个功能，用 --max-iterations 3 运行，每个会话结束后读一读 claude-progress.txt 和 git log。
• 在两个会话之间，亲手把一个已通过的功能弄坏。下一个会话会在开始新工作之前发现它吗？
• 让你的测试程序每个失败只打印一行 ERROR，比较改动前后一次失败的运行占用了多少上下文。

常见问题

资料来源

1. Anthropic Engineering: Effective harnesses for long-running agents (2026年11月6日 查阅)https://www.anthropic.com/research/effective-harnesses-for-long-running-agents
2. GitHub: anthropics/claude-quickstarts, autonomous-coding README (2026年11月6日 查阅)https://github.com/anthropics/claude-quickstarts/tree/main/autonomous-coding
3. GitHub: autonomous-coding initializer prompt (2026年11月6日 查阅)https://github.com/anthropics/claude-quickstarts/blob/main/autonomous-coding/prompts/initializer_prompt.md
4. GitHub: autonomous-coding coding prompt (2026年11月6日 查阅)https://github.com/anthropics/claude-quickstarts/blob/main/autonomous-coding/prompts/coding_prompt.md
5. GitHub: autonomous-coding agent.py session loop (2026年11月6日 查阅)https://github.com/anthropics/claude-quickstarts/blob/main/autonomous-coding/agent.py
6. GitHub: anthropics/claude-agent-sdk-python README (2026年11月6日 查阅)https://github.com/anthropics/claude-agent-sdk-python
7. Anthropic Engineering: How we built our multi-agent research system (2026年11月6日 查阅)https://www.anthropic.com/research/multi-agent-research-system
8. Anthropic Engineering: Harness design for long-running application development (2026年11月6日 查阅)https://www.anthropic.com/research/harness-design-long-running-apps
9. Anthropic Engineering: Building a C compiler with a team of parallel Claudes (2026年11月6日 查阅)https://www.anthropic.com/research/building-c-compiler
10. Anthropic Research: Measuring AI agent autonomy in practice (2026年11月6日 查阅)https://www.anthropic.com/research/measuring-agent-autonomy
11. OpenAI Developers: Run long horizon tasks with Codex (2026年11月6日 查阅)https://developers.openai.com/blog/run-long-horizon-tasks-with-codex
12. GitHub: anthropics/claude-plugins-official, ralph-loop plugin (2026年11月6日 查阅)https://github.com/anthropics/claude-plugins-official/tree/main/plugins/ralph-loop
13. X: Boris Cherny on long-running tasks (2026年11月6日 查阅)https://x.com/bcherny/status/2007179858435281082
14. X: Anthropic shares its post on long-running agent harnesses (2026年11月6日 查阅)https://x.com/AnthropicAI/status/1993733817849303409
15. YouTube (AI Engineer): Anthropic Workshop, Build Agents That Run for Hours (2026年11月6日 查阅)https://www.youtube.com/watch?v=mR-WAvEPRwE