AI-Wiki

基本定义

Harness架构Generator组件是Harness架构的三大核心智能体组件之一，属于架构的生成执行层，负责承接Planner组件下发的迭代合约，输出代码、UI设计、文案、数据分析报告等各类可交付开发产物，是生成与评估分离模式下的核心执行载体，可适配多代理协作模式与单代理模式两类运行场景。

所处语境

该组件是Anthropic团队为解决大模型上下文焦虑、自我评估失效两大核心痛点设计的多代理开发架构的组成部分，当前主要适配Claude大模型系列尤其是Claude Opus 4.5、Claude Opus 4.6等高端模型，结合Playwright MCP、Claude Agent SDK等工具链，可支撑数小时级长时AI自主开发任务，推动AI自主开发软件开发范式落地。其设计思路遵循动态适配模型能力AI工程思维，功能会随大模型能力迭代持续调整优化。

核心运作机制

Generator的核心运作依赖AI开发反馈闭环实现产物质量迭代：

初始生成阶段：Generator根据Planner拆分的迭代任务要求，完成对应产物的首次输出，提交至Harness架构Evaluator组件评估；
反馈优化阶段：Evaluator会基于对应领域的量化评估标准（如前端设计四大评分标准、AI数据分析量化评估标准、AI内容创作量化评估标准等）输出具体可落地的修改意见，而非简单的「合格/不合格」判定，典型反馈包括「代码第127行权限校验逻辑错误，应修改为xxx」「首页banner配色对比度不足，建议增加#2E86AB色值的辅助色」等；
问题定位阶段：Generator无需重新梳理全量上下文，可直接基于Evaluator的精准反馈快速定位问题点，高效完成产物优化，大幅降低迭代的上下文重置成本。

该机制有效规避了朴素AI编程模式下大模型自我评估不准、迭代方向模糊的问题，相比传统单代理开发模式效率提升300%以上。

能力边界与未来规划

当前能力边界

当前版本的Generator仅承担生成与优化执行职责，所有修改动作独立完成，Evaluator仅承担评估、反馈输出职责，不直接参与产物修改；除Agentic Coding场景外，Generator的能力可迁移至内容创作、设计、数据分析等多领域的多代理协作流程。

未来规划

随着Harness架构的迭代优化，未来Evaluator将不仅输出反馈意见，还可以生成具体的修改方案，甚至直接协助Generator完成代码修改，进一步压缩迭代周期，提升开发效率。同时根据动态适配模型能力AI工程思维，后续Generator的功能会随大模型能力升级不断调整，剥离冗余模块，新增更多原生生成能力，最终可支撑企业级大型应用的自主开发。