GitHub 开源项目解析：revfactory/harness —— Claude Code 的多智能体团队架构工厂

前言：项目简介

随着 Claude Code、Cursor、Codex、GitHub Copilot 等 AI Coding 工具逐渐进入真实开发流程，开发者开始面临一个新问题：

只让 AI 写代码还不够，如何让 AI 像一个工程团队一样分工、协作、审查和交付？

开源项目 revfactory/harness 正是围绕这个问题展开的。它不是一个传统意义上的代码库框架，也不是单个 Agent，而是一个面向 Claude Code 的 "Team-Architecture Factory"，即"团队架构工厂"。用户只需要告诉 Claude Code：

Build a harness for this project

或者描述自己的业务场景，例如：

Build a harness for comprehensive code review.

Harness 就会根据当前项目或领域需求，自动生成一套专用的 Agent Team 和配套 Skills，并将它们写入项目的 .claude/agents/ 与 .claude/skills/ 目录中。

**发布时间(v1.0.0)：**2026-03-27

---

一、项目定位：Harness 到底解决什么问题？

在使用 Claude Code 处理复杂项目时，用户常常会遇到以下问题：

1. 一个 Agent 处理所有任务，职责过重；

2. 复杂任务缺少稳定分工；

3. 代码生成、审查、测试、文档之间没有明确协作机制；

4. 每次都要重新设计 prompt 和工作流；

5. AI 输出质量不稳定，尤其在复杂任务中容易遗漏边界条件。

Harness 的设计思路是：

领域描述
→ 任务类型识别
→ 团队架构设计
→ Agent 定义生成
→ Skill 生成
→ 协作协议编排
→ 验证与测试

这意味着它将 AI 编程从"单 Agent 执行任务"升级为"多 Agent 团队协作"。

---

二、项目框架设计

从仓库结构看，Harness 的核心非常清晰，主要由插件清单、核心 Skill、参考文档和项目说明组成。

harness/
├── .claude-plugin/
│   └── plugin.json
├── skills/
│   └── harness/
│       ├── SKILL.md
│       └── references/
│           ├── agent-design-patterns.md
│           ├── orchestrator-template.md
│           ├── team-examples.md
│           ├── skill-writing-guide.md
│           ├── skill-testing-guide.md
│           └── qa-agent-guide.md
├── docs/
├── README.md
├── README_KO.md
├── README_JA.md
├── CHANGELOG.md
├── CONTRIBUTING.md
└── LICENSE

1. .claude-plugin/plugin.json：插件元信息

该文件定义了插件名称、版本、作者、协议、关键词和项目描述。

其中最核心的描述是：

The team-architecture factory for Claude Code

也就是说，Harness 是一个 Claude Code 插件，专门用于把领域描述转化为 Agent Team 与 Skills。

关键词中包含：

agent-team
skill-architect
meta-skill
orchestration
multi-agent
pipeline
fan-out-fan-in
expert-pool
producer-reviewer
supervisor
hierarchical-delegation

这些关键词基本概括了项目的核心能力：多 Agent、技能生成、团队编排和架构模式。

---

2. skills/harness/SKILL.md：核心元技能

SKILL.md 是 Harness 的核心逻辑文件。它不是普通技能，而是一个"元技能"。

普通 Skill 解决具体问题，例如写文档、审查代码、生成测试；而 Harness 这个 Skill 的作用是生成其他 Agent 和 Skills。

可以理解为：

普通 Skill：完成一个任务
Harness：生成完成任务所需的 Agent 团队和 Skill 系统

它的工作流程包括：

Phase 0：现状审计
Phase 1：领域分析
Phase 2：团队架构设计
Phase 3：Agent 定义生成
Phase 4：Skill 生成
Phase 5：集成与编排
Phase 6：验证与测试
Phase 7：运行后的演化维护

这使 Harness 更像一个"AI 团队架构师"。

---

3. references/：架构模板与方法论资料

references/ 目录是项目知识库，主要包含：

文件	作用
agent-design-patterns.md	6 种 Agent 团队架构模式说明
orchestrator-template.md	团队/子代理编排模板
team-examples.md	真实团队配置示例
skill-writing-guide.md	Skill 编写方法
skill-testing-guide.md	Skill 测试与评估方法
qa-agent-guide.md	QA Agent 集成指南

这些文件决定了 Harness 的工程质量。它不是简单写几个 prompt，而是把 Agent 团队设计方法、技能编写规范、测试验证方法都整理成了可复用模板。

---

三、核心架构：6 种 Agent Team 模式

Harness 最重要的能力是内置了 6 种团队架构模式。

1. Pipeline：流水线模式

适用于强依赖的顺序任务。

例如：

需求分析 → 方案设计 → 代码实现 → 测试验证 → 文档生成

每个 Agent 负责一个阶段，前一阶段的结果作为后一阶段的输入。

适合场景：

• 全栈开发；

• 文档生成；

• 数据处理流程；

• 迁移任务；

• 复杂工程任务拆解。

---

2. Fan-out/Fan-in：并行分发与汇总模式

适用于可以并行分析的问题。

例如代码审查场景：

架构审查 Agent
安全审查 Agent
性能审查 Agent
测试审查 Agent
代码风格审查 Agent
        ↓
汇总 Agent 输出统一报告

这种模式的优势是提升覆盖面，避免单 Agent 审查视角过窄。

适合场景：

• 代码审查；

• 论文调研；

• 竞品分析；

• 多角度风险评估；

• 多模块并行检查。

---

3. Expert Pool：专家池模式

适用于任务类型不固定，需要按需调用不同专家的场景。

例如一个复杂项目中可能需要：

数据库专家
前端专家
后端专家
安全专家
DevOps 专家
测试专家

Supervisor 或 Orchestrator 根据当前问题选择合适的专家，而不是每次都让所有 Agent 参与。

适合场景：

• 大型项目维护；

• 多技术栈系统；

• 故障排查；

• 长期工程助手。

---

4. Producer-Reviewer：生成-审查模式

适用于需要质量控制的产出型任务。

典型流程：

Producer Agent 生成初稿
Reviewer Agent 审查问题
Producer Agent 根据反馈修改
Finalizer Agent 输出最终版本

这种模式非常适合防止 AI "一次性生成但质量不可控"的问题。

适合场景：

• 代码生成；

• 技术文档；

• PR 描述；

• 论文摘要；

• 产品方案；

• 测试用例生成。

---

5. Supervisor：监督者模式

适用于动态任务分配。

一个 Supervisor Agent 负责：

理解目标
拆解任务
分配给不同 Agent
跟踪状态
处理失败
合并结果
输出最终答案

这种模式类似真实团队中的技术负责人或项目经理。

适合场景：

• 长流程项目；

• 多步骤工程任务；

• 需求不完全明确的开发任务；

• 需要动态调整执行路径的复杂任务。

---

6. Hierarchical Delegation：层级委派模式

适用于规模更大、任务可递归拆解的系统。

例如：

总负责人 Agent
├── 前端负责人 Agent
│   ├── UI Agent
│   └── 状态管理 Agent
├── 后端负责人 Agent
│   ├── API Agent
│   └── 数据库 Agent
└── QA 负责人 Agent
    ├── 单元测试 Agent
    └── 集成测试 Agent

这种结构适合大型复杂任务，但也会带来更高的编排成本。

适合场景：

• 大型系统设计；

• 多模块项目重构；

• 企业级软件开发；

• 复杂研究报告；

• 多角色内容生产流程。

---

四、关键功能解析与技术破局

1. 从"写代码"转向"设计 AI 团队"

大多数 AI 编程工具关注的是：

用户提出需求 → AI 直接写代码

而 Harness 关注的是：

用户提出领域目标 → AI 先搭建团队 → 团队再协作完成任务

这是一种明显的范式变化。

它解决的不是"某段代码怎么写"，而是"复杂任务应该由哪些 AI 角色协作完成"。

---

2. 自动生成 .claude/agents/ 与 .claude/skills/

Harness 的输出不是简单文本，而是项目中的 Claude Code 配置资产。

生成后的项目结构类似：

your-project/
├── .claude/
│   ├── agents/
│   │   ├── analyst.md
│   │   ├── builder.md
│   │   └── qa.md
│   └── skills/
│       ├── analyze/
│       │   └── SKILL.md
│       └── build/
│           ├── SKILL.md
│           └── references/

这意味着 Harness 生成的结果可以在后续 Claude Code 会话中继续复用，而不是一次性 prompt。

---

3. Agent 和 Skill 分离

Harness 强调 Agent 与 Skill 分离：

Agent：谁来做
Skill：怎么做
Orchestrator：如何协作

这种设计很重要。因为在真实工程中，角色和方法应该分离：

• 一个 QA Agent 可以复用多个测试 Skill；

• 一个 Builder Agent 可以调用多个实现 Skill；

• 一个 Reviewer Agent 可以根据任务使用不同审查模板。

这种结构更接近工程化系统，而不是零散提示词集合。

---

4. Progressive Disclosure：控制上下文加载

AI Coding 工具的一个常见问题是上下文过载。

如果每个 Agent 一开始就读取所有文档、所有规则、所有模板，会浪费上下文窗口，也会降低推理质量。

Harness 通过 Skill 的 Progressive Disclosure 机制，将主要信息放在 SKILL.md，将更详细的模板、指南和案例放在 references/ 中，按需加载。

这种设计可以减少无关上下文，让 Agent 在需要时再读取细节。

---

5. 编排协议：让 Agent 之间真正协作

Harness 不只是生成多个 Agent 名字，还会考虑：

• Agent 之间如何传递数据；

• 谁负责汇总结果；

• 谁负责质量检查；

• 失败时如何处理；

• 是否使用 Agent Teams；

• 是否使用 Subagents；

• 是否采用 Hybrid 模式。

在 Claude Code Agent Teams 模式下，Agent 可以通过 TeamCreate、SendMessage、TaskCreate 等机制进行协作。

这让多 Agent 不再只是"多个并行 prompt"，而是具备团队通信和任务协调的结构。

---

6. Validation：验证生成的团队是否有效

Harness 的工作流中包含验证阶段，重点包括：

触发词是否有效
技能是否能被正确调用
Agent 定义是否完整
团队协作协议是否清晰
有 Skill 与无 Skill 的效果对比
dry-run 测试

这对 AI Agent 工程非常关键。

因为生成 Agent 本身并不难，难的是生成之后是否真的能在项目中稳定触发、稳定协作、稳定产出。

---

7. Harness 不是固定系统，而是可演化系统

项目的核心 Skill 中强调：Harness 不是固定物，而是会随着执行反馈持续演化。

也就是说，当某个 Agent 不好用、某个 Skill 触发不稳定、某个团队结构不合理时，可以继续让 Harness 审计和修改现有 .claude/agents/ 与 .claude/skills/。

这让它更像一个长期维护的 AI 工程系统，而不是一次性脚手架。

---

五、使用教程

1. 前置要求

Harness 当前主要面向 Claude Code，并要求启用 Agent Teams：

export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1

如果没有启用 Agent Teams，也可以使用 Subagents 模式，但 Harness 默认推荐 Agent Teams，因为多个 Agent 之间需要协作、通信和任务协调。

---

2. 通过 Marketplace 安装

在 Claude Code 中执行：

/plugin marketplace add revfactory/harness

然后安装插件：

/plugin install harness@harness-marketplace

安装完成后，就可以在 Claude Code 中使用 Harness。

---

3. 直接作为全局 Skill 安装

如果你不通过插件市场，也可以把项目中的 Skill 拷贝到本地 Claude Code Skills 目录：

git clone https://github.com/revfactory/harness.git
cd harness

cp -r skills/harness ~/.claude/skills/harness

这种方式适合想手动查看和修改 Skill 内容的用户。

---

4. 基础使用方式

进入你的项目目录后，打开 Claude Code，然后输入：

Build a harness for this project

或者：

Design an agent team for this domain

也可以输入更具体的任务描述：

Build a harness for full-stack website development.
The team should handle design, frontend, backend, API, and QA testing.

Harness 会分析你的项目或需求，并生成对应的 Agent Team 与 Skills。

---

5. 代码审查场景示例

如果你希望为项目生成一个多 Agent 代码审查团队，可以输入：

Build a harness for comprehensive code review.
I want parallel agents checking architecture, security vulnerabilities,
performance bottlenecks, testing coverage, and code style,
then merging all findings into a single report.

可能生成的团队结构如下：

code-review-supervisor
├── architecture-reviewer
├── security-reviewer
├── performance-reviewer
├── testing-reviewer
└── style-reviewer

输出目录可能如下：

.claude/
├── agents/
│   ├── code-review-supervisor.md
│   ├── architecture-reviewer.md
│   ├── security-reviewer.md
│   ├── performance-reviewer.md
│   ├── testing-reviewer.md
│   └── style-reviewer.md
└── skills/
    ├── architecture-review/
    ├── security-review/
    ├── performance-review/
    ├── testing-review/
    └── report-synthesis/

这样后续你就可以让 Claude Code 使用这套专用审查团队来处理 PR、重构和代码质量检查。

---

6. 技术文档场景示例

如果你希望自动生成 API 文档，可以输入：

Build a harness that generates API documentation from this codebase.
Agents should analyze endpoints, write descriptions, generate usage examples,
and review for completeness.

可能生成的团队结构：

api-analyzer
doc-writer
example-generator
doc-reviewer
documentation-orchestrator

这种方式比单纯让 AI "帮我写文档"更稳定，因为它拆分了分析、撰写、示例生成和质量审查等环节。

---

7. 深度研究场景示例

如果用于研究任务，可以输入：

Build a harness for deep research.
I need an agent team that can investigate any topic from multiple angles,
including web search, academic sources, community sentiment,
then cross-validate findings and produce a comprehensive report.

可能采用的模式是 Fan-out/Fan-in：

academic-research-agent
web-research-agent
community-sentiment-agent
fact-check-agent
report-synthesis-agent

这种结构适合论文调研、竞品分析、技术路线比较等任务。

---

六、适合哪些用户？

Harness 适合以下用户：

1. 已经在使用 Claude Code 的开发者；

2. 需要多 Agent 协作处理复杂任务的团队；

3. 想把 AI 编程流程工程化、模板化的开发者；

4. 需要构建专用 AI 工作流的技术负责人；

5. 关注 Agentic Coding、AI Workflow、Multi-Agent System 的研究者；

6. 想为项目沉淀 .claude/agents/ 和 .claude/skills/ 的团队。

如果你只是偶尔让 AI 写一个小脚本，Harness 可能显得偏重。但如果你的任务涉及长期项目、复杂模块、多角色审查或持续协作，它的价值会更明显。

---

七、项目优势与不足

优势

第一，定位清晰。

Harness 不和通用 Agent 框架抢定位，它专注于 Claude Code 生态中的团队架构生成。

第二，模式抽象完整。

项目内置 6 种常见团队协作模式，覆盖流水线、并行汇总、专家池、生成审查、监督者、层级委派等典型场景。

第三，输出可复用。

它生成的是 .claude/agents/ 和 .claude/skills/ 文件，而不是一次性回答。这使得团队配置可以沉淀到项目中。

第四，适合复杂任务。

对于代码审查、文档生成、研究分析、全栈开发等任务，多 Agent 分工比单 Agent 更容易覆盖完整链路。

第五，重视验证。

项目不仅生成 Agent 和 Skills，还强调触发验证、dry-run 测试、with-skill vs without-skill 对比。

不足

第一，目前官方运行环境主要是 Claude Code。

如果你主要使用 Codex、Cursor 或其他 Agent 平台，需要寻找兼容方案或参考相关移植项目。

第二，上手需要理解 Claude Code 的 Agent Teams 机制。

如果用户不了解 .claude/agents/、.claude/skills/、Agent Teams、Subagents 等概念，初次使用会有一定学习成本。

第三，多 Agent 不一定总是更好。

对于简单任务，单 Agent 直接完成可能更高效。Harness 更适合复杂任务、长期项目和团队化协作场景。

第四，生成结果仍然需要人工审查。

Harness 可以生成团队架构，但生成的 Agent 定义和 Skill 内容是否真正适合你的项目，仍需要开发者检查和迭代。

---

八、总结

revfactory/harness 是一个很有代表性的 Claude Code 插件项目。

它的核心价值不是"让 AI 写一段代码"，而是让 AI 帮你设计一套可复用的多 Agent 工程团队。

它把 AI 编程流程从：

用户提问 → AI 回答

推进到：

用户描述领域 → Harness 生成团队 → Agent 协同执行 → Skill 沉淀复用 → 持续演化

这代表了 AI Coding 的一个重要方向：从单点代码生成，走向多 Agent 协作；从临时 prompt，走向可复用工程资产；从"AI 助手"，走向"AI 工程团队"。

对于正在使用 Claude Code 的开发者来说，Harness 非常适合用于：

代码审查
文档生成
全栈开发
研究报告
数据管道设计
营销内容生产
复杂项目自动化

如果你正在探索 Agentic Engineering、Claude Code Plugin 或 AI 软件工程自动化，revfactory/harness 是一个值得深入研究的项目。

---

互动话题

你认为未来 AI 编程最有价值的形态是哪一种？

1. 单 Agent 快速生成代码；

2. 多 Agent 分工协作；

3. AI 自动生成项目级工作流；

4. 人类负责架构判断，AI 团队负责执行；

5. 每个项目都拥有自己的专属 AI 工程团队。

欢迎在评论区分享你的观点。