Утилита Claude Code Harness для структурирования работы ИИ-агентов через цикл Plan-Work-Review

Вышел инструмент Claude Code Harness, который оборачивает базового ИИ-агента в жесткий цикл разработки Plan-Work-Review. Обычно при работе с Claude Code планы теряются в истории чата, тесты пропускаются, а ревью происходит слишком поздно. Данная обертка превращает хаотичную генерацию кода в контролируемый процесс, где источником истины выступают локальные файлы spec.md и Plans.md, а не контекст диалога.
Архитектура проекта опирается на движок, написанный на Go, что позволило отказаться от хуков на Node.js и снизить задержку с 40-60 мс до ~10 мс. Процесс управляется через набор команд: /harness-plan формирует спецификацию, /harness-work реализует утвержденную часть задачи с обязательным использованием TDD, а /harness-review проводит независимую проверку написанного кода. При этом тринадцать встроенных защитных правил автоматически блокируют опасные операции, такие как принудительный пуш или запись секретов, что делает автономную работу агента более безопасной.
Для ускорения цикла применяются параллельные воркеры, каждый из которых выполняет самопроверку перед передачей результатов на следующий этап. После того как план полностью согласован, команда /harness-work all позволяет запустить весь процесс от написания кода до финального ревью без промежуточных остановок. Инструмент изначально спроектирован для Claude Code, однако поддерживает интеграцию с Codex, OpenCode и Cursor, предоставляя стандартизированный интерфейс управления агентами независимо от выбранной среды выполнения.
Поделиться:
Ещё из архива
Все публикации
Интервью с Владимиром Аюевым: графический язык бигтеха, студия SASHA и дизайн-образование
1 месяц назад
Jockey от TwelveLabs: ИИ-агент для семантического поиска по видеоархивам и извлечения метаданных
1 месяц назад
Архитектура винной этикетки: баланс наборного шрифта и каллиграфии в кейсе Winecraft
1 месяц назад
Оптимизация контекста в Claude Code: как работает кэширование промптов и за что мы платим
1 месяц назад
Архитектура памяти для LLM-агентов: от базового SQLite до Graph RAG
1 месяц назад