Проектирование обвязки для длительной (автономной) разработки приложений

Как организовать работу кодингового агента, чтобы он мог несколько часов создавать приложение, проверять результат и исправлять ошибки?

Продолжаем серию про инженерную обвязку агентов. И здесь мы разберём статью Anthropic Harness design for long-running application development. Её автор экспериментирует с разделением планирования, разработки и оценки результата.

В прямом эфире обсудим:
- Как устроены роли planner, generator и evaluator.
- Зачем до написания кода согласовывать критерии готовности и как проверять работающее приложение.
- Можно ли формализовать вкус при оценке дизайна и насколько надёжен отдельный агент-критик.
- Сколько стоят дополнительные итерации и что показывают приведённые сравнения.
- Почему с усилением моделей некоторые части обвязки становятся лишними.

А в конце поговорим о следующем шаге: сможет ли агент сам улучшать собственный harness — и кто тогда будет проверять эти улучшения?

Timeline
00:00 - Четвёртый разбор обвязок: приложения по одному запросу
01:33 - Две задачи Anthropic Labs
03:04 - Идея из GAN: отдельный критик
06:22 - Предел контекста и снисходительная самооценка
08:10 - Сжатие, сброс и стоимость передачи работы
12:40 - Четыре критерия качества дизайна
15:00 - Итерации фронтенда и выбор варианта
17:16 - Планировщик, генератор и оценщик
18:39 - Контракт спринта до реализации
20:32 - Ретро-игры: двадцать минут против шести часов
23:40 - Почему проверяющему нужна настройка
25:43 - Opus 4.6: проверка и упрощение компонентов
30:46 - Звуковая станция и оценщик, который не слышит
34:41 - Автономность и внешний контроль риска
38:56 - Журнал событий и дальнейшая эволюция обвязки