让 Opus 5.5 做完长任务：可复用 harness 比更聪明的一轮对话更关键

teapawt 上一篇标注 10 月 6 日、署名 beamnxw 的实践帖，并不是在发布新模型。它把 Claude Code 已文档化的接口——项目说明、skill、MCP、权限、子代理、effort 与 /goal——收成七层 harness，好让 Opus 5.5 做完长任务时，留下明天还能打开的文件。

可证伪主张是操作层面的，而非玄学：这一模型族的长任务可靠性，与其说取决于更聪明的单轮对话，不如说取决于工程化一套可复用 harness——skill、权限、证据审稿子代理、progress.md 交接，以及用目标定义的交付物——使「完成」等于可打开的草稿加核对表，而不是压缩上下文后就蒸发的漂亮摘要。

示例工作流刻意无聊：参考材料进 sources/，作业稿进 drafts/，已批准产出进 published/。根目录 CLAUDE.md 放跨任务惯例；临时截止日留给当次任务。write-draft skill 固化重复序列——读来源、起草、唤起审稿、保存核对表、更新进度、返回路径。evidence-reviewer 子代理只有读与搜索工具，必须返回「主张 / 裁决（verified / incorrect / unresolved）/ 来源 URL / 所需修正」表。

权限禁止读 .env、禁止改 published/。完成条件写成 /goal：drafts/article.md 与 drafts/checks.md 都必须存在，错误主张已改，未决主张已标，路径与核对结果出现在对话中——否则十二轮后停下并报告阻塞。紧凑的 progress.md（任务、产出、已完成、决策、未决、下一步）是同一工作区新会话的交接件。

Effort 按角色而非感觉分配：主起草会话从 medium 起步；审稿请求 high。第一次完整跑之前，帖文要求先检查 /context、/agents 与 /permissions，让缺失组件尽早暴露——而不是在十二轮临场发挥之后。

这些并未发明新 API。帖文引用 Claude Code 关于 memory、skill、MCP、hook、权限、子代理、effort、goal、压缩、用量以及 Anthropic 长程 harness 说明的功能指南。贡献在于：把已文档化的能力落成可复制布局，而不是又一条提示词民间传说。

它也正面回应显而易见的反驳。更强的模型确实会减少半途而废；高 effort 的 Opus 级模型本来就会少留下孤儿提纲。Harness 仍重要，因为完成标准住在模型自我庆贺之外。帖文转述的 Anthropic 评测指引区分了智能体对话记录与环境中留下的结果。打开已保存草稿、把主张对上已打开的一手来源，与重读聊天里自信的收束段，是两类检查。

两处限制写得很老实。文件工具黑名单不能沙箱任意 shell 或语言运行时——那需要操作系统级沙箱。而 /goal 是对话评估的：轮次条款依赖智能体自己展示证据；严格的花费或墙钟限制要另配执行控制。帖文点到的「约 60% token 下降」属于 Anthropic 早期测试者对该模型实验的报告，并非作者对本 harness 的实测。复用，帖文坚持，必须用已接受工作来量——审稿时间与所需修正——而不是用发布会幻灯片。

恢复被当作 harness 的一部分，而非事后补丁。/rewind 可恢复被跟踪的文件编辑；shell 副作用与多数子代理编辑需另途恢复，而版本控制仍是耐久历史。这也是完成标准写在磁盘上的另一理由：无法回放的对话记录，是薄弱的审计轨迹。

作为三手 how-to，帖文无法证明采用七层的团队比单纯购买更大上下文窗口的团队完成更多交付物。没有前后对照表，没有独立复现，没有高 effort 审稿的成本曲线。文档工作流隐喻容易迁到代码与研究，但片段是文章形状的；移植意味着重写验收标准，而不只是改文件夹名。

它确实提供了——许多「智能体框架」仍跳过的——能跨会话存活的完成定义：磁盘上的路径、标出未决项的核对表，以及冷启动会话能执行的下一步。这比「永不放弃的智能体」窄，也因此更好检验。

对要跑多小时研究或起草循环的建设者而言，未来半年的含义偏文化。以聊天为完成标准——模型声称做完了——会继续产出漂亮却无法交给同事的残骸。以 harness 为完成标准——可打开文件、证据表、进度笔记——则让模型升级变成在稳定接口上的增量改进，而不是每季度重做工作流的理由。

厂商会继续售卖更长上下文与更高 effort 旋钮。这套布置主张：稀缺资源仍是让那些旋钮产出编辑可拒可收、且不必重建整段对话的工件的工程。

眼前的实践检验是复用：同一 skill、新主题与来源集、同一审稿者与输出路径。当反复出现同类修正——例如混淆公告日与可用日——就改 skill。这条反馈回路，才使 harness 变成资产，而不是一次性演示文件夹。

值得观察的是：被复用的 skill 是否会像帖文预期那样积累反复出现的修正——日期混淆、缺一手链接、缺少冲突证据的审稿裁决——以及团队是否像曾经发布 linter 一样公开自己的核对表 schema。若这些产物仍口口相传，「长程智能体」就仍是演示；若成为共享规程，Opus 级模型会得到更公道的岗位描述：产出可检查的工作，而不是听起来做完了的最后一条消息。