• 什么是套件，到底包含什么
• "不是模型不行，是配置不行"
• 棘轮模式：每次犯错都变成永久规则
• 对抗上下文腐败
• 长程执行：让 agent 干几个小时不跑偏
• Hooks：从"告诉它做 X"到"系统强制执行 X"
• AGENTS.md 和工具选择的设计原则
• 模型变好了，套件怎么办
• Harness-as-a-Service：从 API 到运行时
• 这门学科的方向

Viv Trivedy 给出了最清晰的定义。一个裸模型不是智能体因为它只能一问一答。只有当套件为它配上状态管理、工具执行、反馈循环和可执行的约束之后，它才变成一个能干活的智能体。

套件具体包含这些东西：

• 提示词层 ：system prompt、CLAUDE.md、AGENTS.md、skill 文件、子智能体提示词
• 工具层 ：skills、MCP 服务器、工具描述
• 基础设施层 ：文件系统、沙箱、浏览器
• 编排层 ：子智能体调度、任务交接、模型路由
• 执行保障层 ：钩子（hooks）、中间件—负责确定性执行，比如压缩、续接、lint 检查
• 可观测性 ：日志、链路、成本和延迟计量

imon Willison 把核心循环提炼成一句话：智能体就是"在循环中运行工具来达成目标的系统"。设计智能体的关键，在于同时设计好工具和循环本身。

如果你用过 Claude Code、Cursor、Codex、Aider、Cline 中的任何一个，你用的就是套件。底下的模型可能一样，但你感受到的行为差异，主要来自套件的设计，而不是模型的能力。

多数工程师遇到 agent 犯蠢时的反应是：等下一个模型版本。套件工程思维不认同这种默认反应。

当agent 做了一件蠢事,先问它：为什么会这样做？如果：

• 它不知道某个约定 → 写进 AGENTS.md
• 它执行了破坏性命令 → 加一个 hook 拦截
• 它在 40 步的任务中迷失了 → 拆成规划者和执行者
• 它反复提交有 bug 的代码 → 把类型检查接入反馈循环

HumanLayer 的说法是：套件工程不把责任推给模型，而是积极通过配置来解决问题。

有一个例子很能说明问题。在 Terminal Bench 2.0 基准测试中，同一个 Claude Opus 4.6 模型，在 Claude Code 里的得分远低于跑在定制套件里的得分。Viv 的团队只改了套件（更贴合代码库的工具、更精准的提示词、更紧的反馈信号），就把排名从 Top 30 拉到 Top 5。模型还是那个模型，能力没有变——是套件把"被浪费的能力"释放出来了。

这跟"等 GPT-6 就好了"的想法完全不同。当前模型能做的事和你在实际使用中看到它做的事之间的差距，就是套件的差距。

套件工程中最重要的习惯：把 agent 的每一次错误都当作积累的一次机会。

agent 提交了一个注释掉的测试，你不小心合并了？这不是"下次注意"的事。正确的做法是：

1. 在 AGENTS.md 里加一条规则："永远不要注释掉测试；要么删除，要么修复"
2. 在 pre-commit hook 里加一个检查，扫描 diff 中是否有 .skip() 或 xit()
3. 让审查子智能体把"注释掉的测试"标记为阻塞项

关键约束：只在真正出过错的地方加规则，只在更强的模型证明某条规则多余时才删掉。AGENTS.md 里的每一行都应该能追溯到一次具体的失败。这也是为什么套件工程是一门学科而不是一个框架——适合你代码库的套件是由你的失败历史塑造的，没法下载。

上下文腐败（context rot）是指：随着上下文窗口越来越满，模型的推理和任务完成能力会下降。上下文是稀缺资源，套件在很大程度上就是上下文工程（context engineering）的交付机制。

文章总结了三种对抗手段：

1. 压缩（Compaction） ：当窗口快满时，套件智能地总结和卸载旧上下文，让 agent 继续工作。让 API 直接报错不是生产级套件能接受的。
2. 工具调用卸载 ：大型工具输出（比如 2000 行的日志文件）直接塞进上下文，信号很少、噪声很多。套件只保留头尾若干 token，把完整输出卸载到文件系统，agent 需要时可以按需读取。
3. 渐进式披露（Progressive Disclosure） ：启动时把所有工具和 MCP 服务器都加载到上下文里，会导致 agent 还没开始干活就已经被信息淹没。Skills 机制让套件只在任务真正需要时才揭示相关指令和工具。

Anthropic 的团队还补充了第四种手段：对于特别长的任务，彻底重置上下文——套件销毁当前会话，从一个紧凑的交接文件重建新会话。他们明确说，光靠压缩不够；有时候你需要带着一份结构化摘要从头开始。这更像是"给新工程师做交接"而不是我们通常理解的"记忆"。

让 agent 自主完成长任务是最难做对的事情。当前模型的问题是：过早停止（觉得干完了其实没干完）、复杂问题分解能力差、跨多个上下文窗口后行为不连贯。套件必须为所有这些问题兜底。

几个关键模式：

• Ralph Loop ：一个钩子拦截 agent 会话结束的事件，把原始提示词重新注入一个新的上下文窗口，迫使 agent 继续朝完成目标推进。每次迭代从干净状态开始，但通过文件系统读取上一次的状态。这是一个出奇简单的技巧——用一个钩子就把单次会话 agent 变成了多会话 agent。
• *规划-生成-评估分离 * ：Anthropic 的实践表明，把生成和评估交给不同的智能体，效果远好于自我评估——因为 agent 给自己的工作打分时，几乎总是偏乐观。这本质上是文字领域的 GAN（生成对抗网络）。配套的模式是 *sprint contract*——生成者和评估者在代码写出来之前先谈好"什么叫完成"。Addy Osmani 的个人经验是：在开始之前写下完成条件，比任何提示词调整都能抓到更多的范围蔓延。
• 自验证 ：每完成一步，hook 运行预定义的测试套件，把失败信息反馈给模型让它自我修正；或者模型按明确标准审查自己的输出。

Hook 是套件中最关键的分界线——它把"我告诉 agent 要做 X"变成了"系统保证执行 X"。

Hook 是在特定生命周期点运行的脚本：工具调用前、文件编辑后、提交前、会话开始时。适合放那些 agent 应该永远记住但经常忘记的事情：

• 每次编辑后自动运行类型检查、lint、测试，把失败信息送回循环
• 拦截破坏性命令（ rm -rf 、 git push --force 、 DROP TABLE ）
• 打开 PR 或推送到 main 前要求人工审批
• 写文件后自动格式化，省得 agent 浪费 token 在空白符上

HumanLayer 强调的原则是： 成功时静默，失败时详细 。类型检查通过了？agent 什么也听不到。失败了？错误文本直接注入循环，agent 自动修正。这让反馈循环在正常情况下几乎零成本，出问题时立刻可操作。

根目录下的那个 markdown 规则文件仍然是投入产出比最高的配置点——因为它出现在每轮对话的系统提示词里。放什么？包管理器用什么、测试框架是什么、格式化规则、"不要碰 /legacy 目录"、"统一用我们的 logger"。两条经验：

1. 保持简短 。HumanLayer 把他们的控制在 60 行以内。每条规则都在争夺注意力，规则越多，每条规则的分量越轻。这是飞行员检查单，不是风格指南。
2. 每条规则都要"挣"来的 。规则应该追溯到一次具体的失败或一个硬性外部约束。如果追溯不到，就是噪声。棘轮式增长，不要头脑风暴式增长。

同样的纪律也适用于工具。每个工具的名字、描述和 schema 每次请求都被塞进提示词。十个专注的工具胜过五十个功能重叠的工具，因为模型能记住十个工具各自干什么，但记不住五十个。HumanLayer 还指出了一个安全风险：工具描述本身就是提示词的一部分，所以你安装的每一个 MCP 服务器都是受信文本。一个粗劣或恶意的 MCP 可以在你输入任何内容之前就对 agent 执行提示词注入。

Anthropic 的一个重要观察：随着模型变强，套件不会缩小，只会转移。

直觉上你会觉得更好的模型让套件过时——模型能规划了就不需要规划器，模型在长上下文中能保持连贯了就不需要上下文重置。确实，Opus 4.6 基本消灭了"上下文焦虑"导致的提前收工（Sonnet 4.5 及更早版本会在接近自认为的上下文极限时匆忙结束工作），这意味着半年前为这个问题写的一大堆缓解脚手架现在都是死代码。

但天花板跟着模型一起提高了。以前做不到的任务现在能做了，而这些新任务有自己的失败模式。上下文焦虑的脚手架消失了，取而代之的是你需要多天记忆策略、需要协调三个专业智能体的套件、或者针对生成 UI 的设计质量评估器。

Anthropic 说得清楚："套件中的每一个组件都编码了一个关于'模型靠自己做不到什么'的假设。"当模型在某方面变强了，对应的组件就不再承重，应该移除。当模型解锁了新能力，新的脚手架又需要建起来。

还有一个值得注意的现象：模型和套件之间存在训练循环。今天的 agent 产品在后训练阶段就把套件纳入了循环——模型会专门变强于套件设计者认为它应该擅长的事：文件系统操作、bash、规划、子智能体调度。这就是为什么同一个模型在不同套件里表现差异很大，也是为什么改一个工具的逻辑有时会引发奇怪的退化。

Viv 提出的另一个重要框架：我们正在从基于 LLM API 的构建（给你一个补全结果）转向基于套件 API 的构建（给你一个运行时）。Claude Agent SDK、Codex SDK、OpenAI Agents SDK 都指向同一个方向——你开箱即得循环、工具、上下文管理、钩子和沙箱原语，然后做定制。

这让"技能问题"变得可操作了。每次出问题你不需要从头重建 agent，而是在一个已经分好层的配置面上做调整。

Viv 还有一句很适合作为行动指南的话："好的 agent 构建是一个迭代练习。如果你没有 v0.1，就没法做迭代。"

看看顶级的代码智能体——Claude Code、Cursor、Codex、Aider、Cline——它们的套件架构之间的相似度，远高于它们所用的不同模型之间的差异。模型不同，套件模式在收敛。这不是巧合，是行业在慢慢找到把生成模型变成可交付产品的关键脚手架。

文章列出的开放问题中最令人兴奋的方向：编排多个智能体并行工作在共享代码库上；agent 分析自己的运行轨迹来识别和修复套件级别的失败模式；套件不再是预配置的静态配置，而是在任务到来时动态组装合适的工具和上下文。

最后一个方向尤其让人期待——那意味着套件从静态配置变成了某种更接近编译器的系统。