AutoHarness：Claude Code 自学习技能层
从真实会话中自动提炼、合并、更新和淘汰技能，让 Claude Code 的技能库自我维护，无需守护进程或基准测试。
证据显示：插件仅操作自身生成的技能，不触碰用户或第三方技能；写入通过原子重命名，避免半状态；有快照机制支持回滚；捕获窗口在出口处进行脱敏，测试验证了密钥和邮箱被替换；依赖为零，降低了供应链风险。扣分点：用户确认机制薄弱，仅提供/learn命令，后台反射自动触发，无明确用户批准步骤；发布者身份未验证，来源归属仅依赖仓库元数据。
证据显示：配置默认值一致，测试覆盖了原子写入、捕获窗口、脱敏等关键路径；依赖仅Python标准库，可用性高；失败消息在README中提及（如拒绝原因记录在runs/），但具体错误处理细节有限。扣分点：未提供运行时故障恢复的详细说明。
证据显示：明确面向Claude Code用户，场景包括学习技能、合并、更新、修剪；能力边界清晰（仅操作自身技能）；触发条件明确（工具调用计数）；环境要求明确（Python 3.11+，Linux/macOS）。扣分点：未提及Windows支持，环境适配有限。
证据显示：README结构清晰，包含安装、配置、工作原理、对比等；安装步骤详细；命名稳定（autoharness）；示例和FAQ部分有walkthrough；许可证为MIT；版本信息通过plugin.json管理，但无CHANGELOG；维护责任由Tigerless Labs承担，但发布者未验证。扣分点：已知限制未明确列出，版本变更日志缺失。
证据显示：输出为原生技能文件，可直接被宿主使用；边际价值高，提供自学习技能层，减少重复工作；成本效益合理，零依赖，无守护进程，节省token。扣分点：无基准测试，实际效果依赖使用场景。
证据显示：README中的声明（如42%→78%提升）引用了外部论文，但未提供内部验证数据；测试覆盖了核心功能，但未验证端到端学习效果；事实与推断区分清晰，如明确标注默认值为占位符。扣分点：跨来源验证不足，仅依赖单一仓库。
- 发布者身份未验证，安装前应审查代码。
- 后台自动反射可能在没有明确用户确认的情况下修改技能，建议在敏感环境中禁用或调整触发阈值。
- 脱敏规则可能不全面，测试仅覆盖了AWS密钥和邮箱，其他敏感数据可能泄露。
这个 Agent 能做什么，适合哪些场景？
AutoHarness 是为 Claude Code 设计的插件，它通过监听正常会话，自动将经验提炼为结构化技能（SKILL.md），存入 .claude/skills/ 目录。系统包含捕获（CAP）、反思（REF）、验证存储（promoter）、索引（IDX）、生命周期管理（MNG）和整合（curator）等组件，以及一个记录每次变更的账本（LED）。技能以原生文件形式保存，由 Claude Code 自身的机制调用，同时 AutoHarness 在会话开始时注入一个索引，确保自身技能库可见。该插件的核心维护逻辑包括：基于工具调用次数触发的反思、定期整合相似技能、按使用率（加载、查看、修补）自动淘汰不常用技能，并且只管理自己创建的技能，不触碰用户手动编写或安装的技能。安装和卸载无需额外配置，所有参数均可通过环境变量调整。
AutoHarness 作为 Claude Code 的插件运行，通过钩子捕获每次交互（用户输入、代理输出、工具 I/O），并在达到触发阈值（默认每 50 次工具调用）时启动后台反思。反思过程会读取会话上下文，与现有技能索引比较，决定是新增、合并、修补还是删除技能，并生成提案（意图）。提案经 promoter 组件验证（安全性、结构、账本一致性等）后，以原子重命名方式写入 .claude/skills/（项目级）或 ~/.claude/skills/（全局级）。MNG 组件在每次会话开始时计算技能存活率，依据加载次数与请求次数之比，将长期未使用且无任何查看的技能移至 .claude/skills/.archive/。curator 组件定期（默认每 250 次工具调用）整合重复技能，并生成快照以便回滚。每个技能目录包含 SKILL.md、.ledger.jsonl（账本）、.sidecar.json（生命周期计数）和 references/ 子目录中的证据文件。用户可通过 /learn 命令手动触发提炼当前会话。
- 开发者在使用 Claude Code 处理项目时，希望自动沉淀常用工作流程（如部署、调试模式），无需手动编写技能文件。
- 团队希望统一项目内 Claude Code 的技能库，避免成员各自积累重复或过时的指令，AutoHarness 可自动合并和更新。
- 频繁使用 Claude Code 的用户希望技能库自动维护，随着工作模式变化淘汰不再适用的技能，保持库的精简和相关性。
- 需要审计技能来源和演进的用户，可通过 .ledger.jsonl 和 evidence 文件追溯每次技能创建或修改的原因和证据。
- 习惯于手动管理技能的用户，希望在不影响自有技能的前提下，让 AutoHarness 接管其自身生成技能的生命周期。
- 研究人员希望从真实使用中构建技能基准测试，可依靠账本和证据文件作为原始材料。
这个 Agent 有哪些优点和局限？
- 自学习且无需守护进程或基准测试，学习信号来自真实会话的工具调用，不消耗额外 token 用于评估。
- 技能合并机制避免重复积累，并能处理新旧矛盾（必须重写旧技能）。
- 只管理自己生成的技能，对用户自制或安装的技能完全不动，安全性高。
- 每个技能都有账本和证据文件，提供完整的审计追踪，便于回溯和构建基准。
- 退役采用归档而非删除，可随时恢复，且有快照保护合并操作。
- 仅支持 Claude Code 环境，不可移植到其他 AI 编码工具。
- 要求 Python 3.11+ 且位于 PATH，否则插件功能无法运行。
- 默认触发阈值（50 次工具调用）可能对短会话不够敏感，学习频率需手动调优。
- 索引注入和后台反思会占用上下文和 token，即使不学习也会产生开销。
- 毕业审查默认只归档从未加载且从未查看的技能，可能无法有效淘汰那些虽被查看但从未遵循的技能。
- 项目处于早期，默认参数未经实证校准，可能需要用户实验调整。
如何安装或部署这个 Agent？
- 确保系统有 python3 并位于 PATH 中（插件零第三方依赖）。2. 在 Claude Code 输入框执行：/plugin marketplace add tigerless-labs/autoharness 和 /plugin install autoharness@autoharness。3. 执行 /reload-plugins 或重启 Claude Code。
如何使用这个 Agent？
安装后插件自动运行，无需手动调用。默认每 50 次工具调用触发一次后台反思，每 250 次触发一次库整合。可通过环境变量调整节奏，例如设置 AUTOHARNESS_REFLECT_EVERY_N=10 使学习更频繁。需要立即提炼当前会话时，输入 /learn 命令。技能会出现在 .claude/skills/ 目录（项目级）或 ~/.claude/skills/（全局级）。查看技能生命周期可 cat .claude/skills/<name>/.ledger.jsonl 和 .sidecar.json。卸载：执行 /plugin uninstall autoharness@autoharness 和 /plugin marketplace remove autoharness。
这个 Agent 与同类方案有什么区别？
与 NousResearch/hermes-agent 相比，AutoHarness 无需常驻守护进程，使用基于会话工作的触发方式而非计时器，且验证信号是实际使用中的遵循度而非基准分数。与 Self-Harness（论文）相比，AutoHarness 采用在线自学习而非离线门控批量编辑，无需基准测试或预言机。与无限制增长的技能库相比，AutoHarness 通过容量上限和归档机制约束库规模。