gan-style-harness

name gan-style-harness description 受GAN启发的生成器-评估器代理框架，用于自主构建高质量应用。基于Anthropic 2026年3月的框架设计论文。 origin ECC-community tools Read, Write, Edit, Bash, Grep, Glob, Task GAN 风格编排技能 灵感来源于 Anthropic 的长时间运行应用开发编排设计 （2026年3月24日） 一种多智能体编排，将 生成 与 评估 分离，形成对抗性反馈循环，推动质量远超单个智能体所能达到的水平。 核心洞察 当要求评估自身工作时，智能体是病态的乐观主义者——它们会赞美平庸的输出，并说服自己忽略真正的问题。但设计一个 独立的评估器 并使其极度严格，远比教会生成器自我批评要容易得多。 这与 GAN（生成对抗网络）的机制相同：生成器负责产出，评估器负责批评，这种反馈驱动下一轮迭代。 适用场景 根据一行提示构建完整应用 需要高视觉质量的前端设计任务 需要工作功能而不仅仅是代码的全栈项目 任何"AI 垃圾"美学不可接受的任务 愿意投入 50-200 美元以获得生产级质量输出的项目 不适用场景 快速单文件修复（使用标准 claude -p ） 预算紧张的任务（<10 美元） 简单重构（改用去垃圾化模式） 已有完善测试规范的任务（使用 TDD 工作流） 架构 ┌─────────────┐ │ 规划器 │ │ (Sonnet) │ └──────┬──────┘ │ 产品规格 │ (功能、冲刺、设计方向) ▼ ┌────────────────────────┐ │ │ │ 生成器-评估器 │ │ 反馈循环 │ │ │ │ ┌──────────┐ │ │ │ 生成器 │--构建-->│──┐ │ │ (Sonnet) │ │ │ │ └────▲─────┘ │ │ │ │ │ │ 实时应用 │ 反馈 │ │ │ │ │ │ │ ┌────┴─────┐ │ │ │ │ 评估器 │<-测试---│──┘ │ │ (Sonnet) │ │ │ │+Playwright│ │ │ └──────────┘ │ │ │ │ 5-15 次迭代 │ └────────────────────────┘ 三个智能体 1. 规划器智能体 角色： 产品经理——将简短的提示扩展为完整的产品规格。 关键行为： 接收一行提示，生成包含 16 个功能、多个冲刺的规格 定义用户故事、技术需求和视觉设计方向 故意 雄心勃勃 ——保守规划会导致结果平庸 生成评估器后续使用的评估标准 模型： 默认 Sonnet；可通过 GAN_PLANNER_MODEL=opus 提升以获得更深入的规格扩展 2. 生成器智能体 角色： 开发者——根据规格实现功能。 关键行为： 按结构化冲刺工作（或使用较新模型的连续模式） 在编写代码前与评估器协商"冲刺合约" 使用全栈工具：React、FastAPI/Express、数据库、CSS 管理 git 进行迭代间的版本控制 读取评估器反馈并在下一轮迭代中采纳 模型： 默认 Sonnet；可通过 GAN_GENERATOR_MODEL=opus 提升以获得最强编码能力 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 根据四个标准评分（可配置）： 设计质量 ——是否感觉像一个连贯的整体？ 原创性 ——自定义决策 vs. 模板/AI 模式？ 工艺 ——排版、间距、动画、微交互？ 功能性 ——所有功能是否真正工作？ 返回结构化反馈，包含分数和具体问题 设计为 极度严格 ——从不赞美平庸的工作 模型： 默认 Sonnet；可通过 GAN_EVALUATOR_MODEL=opus 提升以获得更强的判断力 + 工具使用能力 评估标准 默认四个标准，每个评分 1-10： ## 评估标准 ### 设计质量（权重：0.3） - 1-3分：模板化、千篇一律的"AI生成"美学 - 4-6分：合格但平庸，遵循常规设计 - 7-8分：独特且连贯的视觉识别 - 9-10分：可媲美专业设计师作品 ### 原创性（权重：0.2） - 1-3分：默认配色、模板布局，缺乏个性 - 4-6分：部分自定义选择，整体仍属常规模式 - 7-8分：清晰的创意构思，独特的设计手法 - 9-10分：令人惊喜、愉悦，真正新颖 ### 工艺水平（权重：0.3） - 1-3分：布局错乱，状态缺失，无动画效果 - 4-6分：功能可用但粗糙，间距不统一 - 7-8分：精致流畅，过渡平滑，响应式设计 - 9-10分：像素级完美，令人愉悦的微交互 ### 功能性（权重：0.2） - 1-3分：核心功能损坏或缺失 - 4-6分：主流程可用，边缘情况处理失败 - 7-8分：所有功能正常，错误处理良好 - 9-10分：无懈可击，覆盖所有边缘情况 评分 加权分数 = 总和（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） 使用方法 通过命令行 # Full three-agent harness /project:gan-build "Build a project management app with Kanban boards, team collaboration, and dark mode" # With custom config /project:gan-build "Build a recipe sharing platform" --max-iterations 10 --pass-threshold 7.5 # Frontend design mode (generator + evaluator only, no planner) /project:gan-design "Create a landing page for a crypto portfolio tracker" 通过 Shell 脚本 # Basic usage ./scripts/gan-harness.sh "Build a music streaming dashboard" # With options GAN_MAX_ITERATIONS=10 \ GAN_PASS_THRESHOLD=7.5 \ GAN_EVAL_CRITERIA= "functionality,performance,security" \ ./scripts/gan-harness.sh "Build a REST API for task management" 通过 Claude Code（手动） # Step 1: Plan claude -p --model sonnet "You are a Product Planner. Read PLANNER_PROMPT.md. Expand this brief into a full product spec: 'Build a Kanban board app'. Write spec to spec.md" # Step 2: Generate (iteration 1) claude -p --model sonnet "You are a Generator. Read spec.md. Implement Sprint 1. Start the dev server on port 3000." # Step 3: Evaluate (iteration 1) claude -p --model sonnet --allowedTools "Read,Bash,mcp__playwright__*" "You are an Evaluator. Read EVALUATOR_PROMPT.md. Test the live app at http://localhost:3000. Score against the rubric. Write feedback to feedback-001.md" # Step 4: Generate (iteration 2 — reads feedback) claude -p --model sonnet "You are a Generator. Read spec.md and feedback-001.md. Address all issues. Improve the scores." # Repeat steps 3-4 until pass threshold met 随模型能力的演进 编排应随模型改进而简化。遵循 Anthropic 的演进路径： 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 大量脚手架弥补模型限制 阶段 2 — 能力型模型（Opus 4.5 级别） 完整的 3 智能体编排：规划器 + 生成器 + 评估器 每个实现阶段前有冲刺合约 复杂应用分解为 10 个冲刺 上下文重置仍有帮助但不再关键 阶段 3 — 前沿模型（Opus 4.6 级别） 简化编排：单次规划，连续生成 评估简化为单次最终评估（模型更智能） 无需冲刺结构 自动压缩处理上下文增长 关键原则： 编排的每个组件都编码了一个关于模型无法独立完成什么的假设。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 通过所需的加权分数（1-10） GAN_PLANNER_MODEL sonnet 规划智能体的模型 GAN_GENERATOR_MODEL sonnet 生成器智能体的模型 GAN_EVALUATOR_MODEL sonnet 评估器智能体的模型 GAN_EVAL_CRITERIA design,originality,craft,functionality 逗号分隔的标准 GAN_DEV_SERVER_PORT 3000 实时应用的端口 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 最适合 playwright 浏览器 MCP + 实时交互 带 UI 的全栈应用 screenshot 截图 + 视觉分析 静态网站、纯设计 code-only 测试 + 代码检查 + 构建 API、库、CLI 工具 反模式 评估器过于宽松 ——如果评估器在第一次迭代就通过所有内容，你的评分标准过于慷慨。收紧评分标准，并为常见的 AI 模式添加明确惩罚。 生成器忽略反馈 ——确保反馈以文件形式传递，而非内联。生成器应在每次迭代开始时读取 feedback-NNN.md 。 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，停止并标记为人工审查。 评估器测试流于表面 ——评估器必须使用 Playwright 交互 实时应用，而不仅仅是截图。点击按钮、填写表单、测试错误状态。 评估器赞美自己的修复 ——绝不允许评估器建议修复后再评估这些修复。评估器只负责批评；生成器负责修复。 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：预期效果 基于 Anthropic 已发布的结果： 指标 单智能体 GAN 编排 改进 时间 20 分钟 4-6 小时 12-18 倍更长 成本 9 美元 125-200 美元 14-22 倍更多 质量 勉强可用 生产就绪 质变 核心功能 有缺陷 全部工作 不适用 设计 通用 AI 垃圾 独特、精致 不适用 权衡很明确： 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 Anthropic：长时间运行应用的编排设计 — Prithvi Rajasekaran 的原始论文 Epsilla：GAN 风格智能体循环 — 架构解构 Martin Fowler：编排工程 — 更广泛的行业背景 OpenAI：编排工程 — OpenAI 的并行工作