AI-Wiki

基本定义

Generator组件是Harness架构的三大核心智能体组件之一，与Planner组件、Evaluator组件共同构成多代理协作模式下的AI开发链路，属于Generator智能体在软件开发场景下的落地实现，是AI自主开发软件开发范式中承担生产执行环节的核心模块。其核心职责为承接Planner组件输出的需求规格与迭代合约，完成代码编写、功能落地、初步自测试等全流程开发工作，是AI开发流程中成本占比最高、产出最核心的模块。

核心固有特性

无规划引导的行为偏差

若脱离Planner组件的前置引导，Generator不会预先制定开发规格，会直接启动开发工作，普遍存在低估开发范围的问题，最终输出的成果通常功能完整度更低、逻辑链路更混乱，无法满足用户的核心需求。

自我宽容特性

Generator本身存在智能体自我宽容的固有属性，在没有外部评估约束的情况下，容易产出带有显性BUG、功能缺失、仅实现占位逻辑的内容，无法保障交付质量，需搭配Evaluator组件形成AI开发反馈闭环来补全质量短板。

典型实测表现

在Anthropic团队开展的数字音频工作站开发测试中，基于Claude Opus 4.6基座的Generator分3轮完成全部开发工作，总耗时3小时20分钟，占整个项目开发周期的87%，开发环节token成本为113.85美元，是整个项目成本占比最高的模块。

测试过程中，团队移除了原有的迭代拆分机制后，依托Claude Opus 4.6的长时任务处理能力，Generator仍可连贯完成应用架构设计、逻辑开发、初步自测试等全流程开发工作，未出现长任务偏航问题，验证了高能力基座下Generator的任务稳定性。

能力边界与适配规则

当使用Claude Opus 4.6作为基座模型时，对于落在其能力边界以内的开发任务，Generator可独立稳定完成全部开发工作，无需中间环节的Evaluator组件介入评估，可大幅降低额外的时间与token消耗。仅当任务复杂度超出当前基座模型的能力边界时，才需要搭配Evaluator组件形成反馈闭环，修正Generator自我宽容特性带来的质量缺陷。

该适配逻辑符合动态适配模型能力AI工程思维的核心要求，即根据基座模型能力与任务复杂度灵活调整架构组件，避免冗余环节带来的成本浪费。