Episode Details

同一個 AI 模型，花 9 美元寫出壞掉的遊戲，花 200 美元寫出能玩的遊戲。Anthropic 工程師分享了多代理架構怎麼讓產出品質翻倍，以及模型升級後該怎麼調整架構設計。

⭐ 文章深度讀：解析 $9 vs $200 背後的架構差異，以及模型升級後該拆掉哪些元件
→ https://heymaibao.com/ai-self-evaluation-problem-anthropic-harness/

⚡ 章節重點
同一個 AI，9 美元 vs 200 美元 00:00
AI 心裡的兩個小惡魔 01:21
不讓 AI 自己檢查作業 02:20
三人小隊寫出能玩的遊戲 04:27
模型變強了，架構反而該拆 05:35
你現在就能用的三步驟 06:47

📝 懶人包
∙ AI 有兩個致命弱點：工作太久會急著收尾 (叫做 context anxiety)，而且對自己的爛產出照樣打高分。把「做事的 AI」和「檢查的 AI」分開，是突破品質天花板的關鍵

∙ 同樣的模型，不加架構花 9 美元寫出來的遊戲核心功能是壞的，加了多代理架構花 200 美元寫出來的遊戲可以實際玩。品質差距不在模型本身，在外部設計

∙ 架構不是固定的。上面的三代理系統原本需要把任務拆成小段 (sprint) 才跑得順，但模型從 Opus 4.5 升級到 4.6 之後，AI 可以連續工作超過 2 小時不失控，Anthropic 就直接把這個拆段機制拿掉了。每個架構元件都是一個「模型做不到 X」的假設，模型升級就該重新檢驗

∙ 我的觀察：這篇文章最值得帶走的不是技術細節，而是一個思維框架。不管你是 AI 工具的使用者還是開發者，「好的架構設計能讓同一個模型產出完全不同品質的結果」這件事，解釋了為什麼同一個 Claude，在不同工具裡表現差距那麼大

📚 參考資料
Harness design for long-running application development
→ https://www.anthropic.com/engineering/harness-design-long-running-apps