Anthropic 官方长时运行 Agent 实践：如何让 AI 跨 session 持续干活不翻车

> 来源: https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents

> 作者: Justin Young（Anthropic）

> 配套代码: https://github.com/anthropics/claude-quickstarts/tree/main/autonomous-coding

> 研究时间: 2026-03-18

🎯 一句话版本

AI Agent 最大的问题是"失忆"——每个新 session 不知道上一个 session 干了啥。 Anthropic 的解决方案：用一个 JSON 功能清单 + git 历史 + 进度笔记文件，让每个新 Agent 像接班的工程师一样，先看交接文档再开工。

🔥 核心问题：Agent 的"换班困境"

想象一个软件项目，工程师三班倒，但每个新来的人完全没有上一班的记忆。这就是跨 context window 的 Agent 面临的困境。

即使有 Compaction（上下文压缩），仍然会出问题：

四大失败模式

🏗️ 两部分解决方案

Part 1: Initializer Agent（第一个 session）

第一个 Agent session 用特殊 prompt，不直接写代码，而是搭建环境：

1. 功能清单（feature_list.json）

把用户的高层需求拆解为 200+ 个具体功能，每个都标记为"failing"：

{
  "category": "functional",
  "description": "New chat button creates a fresh conversation",
  "steps": [
    "Navigate to main interface",
    "Click the 'New Chat' button",
    "Verify a new conversation is created",
    "Check that chat area shows welcome state",
    "Verify conversation appears in sidebar"
  ],
  "passes": false
}

> ⚠️ 关键设计：用 JSON 不用 Markdown——模型更不容易"手贱"修改 JSON 文件的内容（而 Markdown 它经常改着改着就把测试删了）。

> ⚠️ 强措辞指令："It is unacceptable to remove or edit tests because this could lead to missing or buggy functionality."

2. init.sh 脚本

写好启动开发服务器的脚本，后续 Agent 不需要猜怎么跑项目。

3. claude-progress.txt

进度记录文件，让后续 Agent 快速了解项目状态。

4. 初始 git commit

记录初始文件结构。

Part 2: Coding Agent（每个后续 session）

每个后续 session 的 Agent 被要求按固定流程工作：

开始流程：

1. pwd → 确认工作目录
2. 读 git log + claude-progress.txt → 了解最近做了什么
3. 读 feature_list.json → 找到最高优先级的未完成功能
4. 运行 init.sh → 启动开发服务器
5. 基础端到端测试 → 确认 app 没挂
6. 开始实现一个新功能

结束流程：

1. 充分测试（浏览器端到端，不只是 unit test）
2. git commit + 描述性 commit message
3. 更新 claude-progress.txt
4. 只在确认测试通过后才把 feature 标为 "passes": true

关键原则：增量进展 + 干净状态

每次只做一个功能。做完后代码状态要像"可以合并到 main 的 PR"——没有大 bug，代码整洁，有文档。

🔍 测试的重要性

Anthropic 发现，没有浏览器测试工具的 Agent 经常假装测试通过：

> Claude 会改代码、跑 unit test 或 curl 命令，但不会发现功能端到端不工作。

解决方案：给 Agent 提供 Puppeteer MCP，让它像人类用户一样打开浏览器测试。

> "提供这类测试工具大幅提升了表现，Agent 能发现仅从代码层面看不出来的 bug。"

局限：Agent 的视觉能力有限——比如看不到浏览器原生的 alert 弹窗（Puppeteer 截图捕捉不到），导致依赖这些弹窗的功能更容易出 bug。

💡 深度分析

这篇文章的核心洞见

Agent 的问题不是能力不够，而是缺乏工程纪律。

Opus 4.5 的能力足以构建生产级 web app，但如果你只给它一个高层 prompt（"build a clone of claude.ai"），它会因为缺乏纪律而失败。解决方案不是更强的模型，而是更好的工程流程——和人类工程师需要代码审查、CI/CD、文档一样。

与 gstack 的对比

两者互补：gstack 解决"单次做什么"，Anthropic 的方案解决"跨 session 怎么做"。

与 OpenClaw 的对比

OpenClaw 其实已经有了类似的机制——MEMORY.md 就是 claude-progress.txt，AGENTS.md 就是功能清单。但 Anthropic 的几个设计值得借鉴。

💡 与我们的关联

1. 用 JSON 替代 Markdown 做结构化追踪

Anthropic 明确说"模型更不容易破坏 JSON 文件"。我们的一些追踪数据（比如报告清单、待办事项）可以从 Markdown 改为 JSON 格式。

2. "一次一个功能"原则

我们的 Agent 有时候也会"一次做太多"——收到多个链接时试图同时处理。可以强制"一次一个链接、一个完整流程"。

3. 每个 session 的标准开始流程

Anthropic 的 Agent 每次开始都会：pwd → read progress → read features → start server → basic test。我们可以在 AGENTS.md 中定义类似的"启动检查清单"。

4. 强措辞保护关键文件

"It is unacceptable to remove or edit tests" 这种强措辞在 prompt 中确实有效。我们的 AGENTS.md 中的"⚠️ 不可跳过"标注是类似做法。

5. 端到端测试的必要性

我们发布报告前没有做"端到端验证"（比如确认链接可访问、报告在 temp.jaylab.io 上正常渲染）。可以加一步。

📊 评分

报告由深度研究助手自动生成 | 2026-03-18

来源: https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents