编程智能体卡住时,检查上下文和运行机制
作者在用 Claude 开发 Unity 游戏时遇到任务无声停滞,排查后发现智能体在等待人工批准。文章用这个经历区分两类改进,一类是维护模型收到的项目信息,另一类是设计授权、执行和状态反馈机制。
AI 深度解读
作者用 Claude 开发 Unity 游戏时,任务有时会停住,连一条进度说明都没有。后来他发现,Claude 正在等自己点头。反复改提示词解决不了这个卡点,因为问题出在执行流程。
他后来把改进分成两层。上下文工程管 AI 开工前知道什么,工作环境工程(harness engineering)管它能做什么、怎么验证。对日常用 AI 写代码的人,这个区分能帮你判断:下一次卡住,该补项目资料,还是该给它一个能跑通的验证步骤?
换个会话,AI 怎么知道项目做到哪了?
作者把跨会话交接放进变更日志,记下改了什么、什么时候改的、为什么改。开新会话时,让 AI 先读这份日志,省去口头重述。长期规则则放进记忆,比如「用日语回复」「修改前先备份」。当前任务需要的规格文档尽量短,按本轮要做的事发给模型。
Anthropic 在 2025 年 9 月的工程文章里把这类做法归为上下文工程。模型能处理的信息有限,对话和文档不断堆积时,即使还没填满上下文窗口,准确找回某条信息的能力也可能逐步下降,这就是上下文腐烂(context rot)。把进度写到会话外,再按需读回,对应 Anthropic 所说的结构化笔记。作者在 Unity AI 上还遇到过更具体的问题:长篇日文规格消耗的 token 多,拆成短文档后,他观察到成本和准确性都有改善。原文没有给出用量或准确率数据。
作者原来每次交代四件事:现在想做什么、卡在哪里、项目当前状态、这次改动的范围。和一份实用指南对照后,他发现自己漏了「完成定义」。范围约束 AI 可以改哪里,完成定义告诉它做到什么程度才能停。这两项在交接时各有用处。
能编译、能运行,才有条件把验证也交出去
LangChain 把智能体定义为 Model + Harness。这里的 Harness 指模型运行所依赖的整套框架,包括工具、文件、权限、检查和记忆。LangChain 保持模型不变、调整 Harness 后,在编码基准 Terminal-Bench 2.0 上的得分从 52.8 升到 66.5。这组数字来自 LangChain 的基准测试,作者在 Unity 上的实践没有报告同类分数。
Unity 场景通常靠人在编辑器里操作。作者给 AI 接上了编译、读取报错、运行游戏和截图的路径,同时把场景构建写成代码,让同一套步骤可以重复执行。这样 AI 写完代码后,可以根据编译错误继续修改,也可以运行游戏、截图检查实际画面。流程里还有改动前的备份,以及完成后由另一个 AI 审查代码。
作者也会针对遇到的故障改环境。他后来加入了批处理模式(batch mode)和禁止弹出确认对话框的规则,以免编辑器交互让任务停住。这与 Ghostty 创建者 Mitchell Hashimoto 分享的做法相近:同一种错误出现后,把修正落到环境里。Claude Code 的最佳实践也强调让 AI 能自行验证结果。提示词位于上下文里,上下文由工作环境提供。遇到失败时,可以顺着这三层找原因。
我的判断
原文最有说服力的一点,是把「能生成改动」和「能确认改动有效」拆开看。编译结果能暴露语法和类型问题,游戏运行后的截图能让人检查可见变化。两种反馈覆盖的范围不同,委派的边界也该跟着验证手段走。只需要跑已有测试的任务,直接让 AI 调用现有脚本就够了。像 Unity 场景这样高度依赖编辑器的任务,才有更强的理由补一条可重复的操作路径。
52.8 到 66.5 说明,在那次基准测试中,模型以外的改动足以明显影响得分。原文没给各项改动的单独贡献,也没给 Unity 项目的对照数据。日文文档如何拆、拆到多短、让另一个 AI 复核能发现多少问题,都还是经验之谈。同样,作者处理的是编辑器弹窗。团队流程里如果有必须由人批准的操作,更合适的做法是让 AI 明确报告在等谁确认,以及确认后会做什么。
能拿来做什么
- 给经常跨会话的前端或 Node 任务留一份短变更日志,记录已完成的改动、变更原因和当前卡点。开新会话时,同时给出改动范围和完成定义,例如指定测试要通过、受影响的页面要能正常打开。
- 把仓库已有的类型检查、测试和构建脚本交给 AI,让它读取报错、修正并重跑。任务如果涉及页面外观,再指定需要打开的页面和交互步骤,让截图对得上要验收的状态。
- AI 停住时,先查它缺的是资料、权限,还是验证入口。反复漏读约定就修交接文档,反复卡在人工确认就让流程报告等待状态,反复留下可检测的问题就把检查接进任务流程。