状态必须在上下文之外
规格、进度、决策、证据、失败记录保存在版本化文件与 Git 中。上下文窗口是一次执行的工作台，不是项目数据库。
结论先行
社区方案的共同底座
OpenAI、Anthropic、METR、HumanLayer 与 Ralph 社区在实现细节上不同，但高质量方案收敛在三件事上。
“完成”必须由外部判定
优先确定性测试，再用隔离的评估器处理主观质量；构建者不能只凭自己的总结把状态改成 PASS。
错误要快速、结构化地返回
编译、类型、单测、真实路径、浏览器、日志、性能阈值形成逐层背压。失败要产生下一轮可执行的发现，而不是一句“继续努力”。
需要纠正的前提：“Agent 能自主运行 7 小时”只是运行能力，不是质量证明。METR 的 time horizon 衡量的是任务难度与成功概率，不是 Agent 实际运行时长；50% time horizon 更不能当成生产验收线。
可靠性直觉
长链条会放大小误差
下面只是独立步骤假设下的说明性计算，不是实测 benchmark；它解释了为什么应把大任务切成可独立验收的小增量。
0.95²⁰ = 35.8%若 20 个关键步骤各自有 95% 成功率，整条链全部成功的理论概率仅约 35.8%。
方案比较
哪里一致，哪里不能混为一谈
“循环”“计划”“评估”“可观测性”是不同层。把所有问题都归结为提示词，通常会修错层。
| 方案 | 解决的核心问题 | 高价值做法 | 主要盲点 | 证据判断 |
|---|---|---|---|---|
| Ralph / while-loop | 让工作在新上下文中继续 | 一轮一项；文件持久化；快速背压 | 若只信完成信号，可能无限循环或“绿而不真” | 实践模式 |
| Anthropic 长任务 Harness | 跨上下文保持连贯与质量 | 默认 FAIL；构建/评估分离；浏览器实测；交接文件 | 成本高；LLM 评估器仍需校准 | 官方实验 |
| OpenAI Agent-first Repo | 让仓库对 Agent 可读、可检验 | AGENTS 作地图；结构测试；隔离 worktree；日志指标可查询 | 从零搭建、内部产品经验未必适配棕地项目 | 官方实战 |
| ExecPlan / PLANS.md | 让多小时任务可重启、可观察 | 自包含活文档；准确命令与预期；验收写成用户行为 | 计划本身不阻止 Agent 伪造或弱化证据 | 官方方法 |
| 12-Factor Agents | 降低长流程上下文与控制流失控 | 状态自持；小而专；确定性 DAG 包住 Agent | 更偏系统构建原则，不给项目级验收模板 | 工程经验 |
| Benchmark / Evals | 衡量能力、回归与一致性 | 任务可解；参考解；隔离试验；pass^k；读轨迹 | 离线基准不等于你的仓库与用户分布 | 研究方法 |
我的方案
八段式验收契约
每一段都必须落成外部工件。计划可以修改，但验收口径的修改必须记录理由，不能由构建者静默降级。
1 结果用户能做什么；输入、输出与可观察行为。
2 边界允许修改、禁止修改、非目标和权限范围。
3 不变量回归、架构、安全、数据与兼容性底线。
4 判定器谁观察、怎么测、阈值、失败信号。
5 证据日志、截图、测试结果、环境与时间戳。
6 独立性确定性门禁优先；新鲜上下文评估；人工口味。
7 运行预算、重试、无进展、停止、恢复与升级。
8 回执变更、通过、失败、风险、遗留与重放命令。
选择工作模式
不要给每个任务套同一套仪式
请选择与你的任务风险最接近的模式。默认推荐“证据门禁”，适用于多小时编码与复杂调研。
事实护栏
本研究不替你做的假设
这些限制决定了方案应如何落地，也防止把社区热度误当成工程真相。
LLM 评估器不是事实机器
它会宽松，也会因“请找问题”而过度挑错。必须用人类样本校准，并允许返回 INCONCLUSIVE；确定性传感器优先。
社区案例大多不可复现
“2 小时做完 26 项”“睡觉时跑 20 个 Agent”属于自报实践。它们能提示模式，不能证明普遍成功率。
功能与日期会快速过期
Claude /goal、Codex ExecPlans 与具体模型能力按 2026-08-01 快照记录。使用前应复核当前产品文档。
并发不是免费质量
多个 Agent 共享目录会放大覆盖、冲突与会话泄漏风险。只有依赖清晰、写区隔离、合并验证存在时才并行。
继续阅读
四页研究包
所有页面均可离线打开；外部链接仅用于回查来源。