本文是对 @m4lkxx 一篇 X Article 的摘要与评论（读帖时约 156 万曝光、929 赞、3175 收藏、107 转发、53 回复、31 引用）。帖文钩子很短很硬：Your agent is not autonomous / You are its loop——你以为在「用」Agent，其实是你在替系统干三件本该系统干的活：给模型工作场所、告诉它对不对、决定下一步。作者把这三件活命名为 Harness（挽具/运行环境）、Loop（带校验的循环）、Graph（工作图/编排），并强调它们不是货架上并列的三种工具，而是一层破了才爬上一层的阶梯。全文用同一条贯穿例子：bug 报告进来 → Agent 修代码 → 开 PR。

钩子与正文一致：没有视频标题党问题；本稿依据落盘英文原文整理，不是逐字转载。完整论述请读原帖 Article。

这篇在说什么

一条主线：「自主」不是模型人格，而是你把 Harness / Loop / Graph / 跨次学习一层层装齐之后的副作用。 跳级（比如没有检查就开十个 Agent）换来的不是十倍产出，而是十倍清理。多数真实任务停在 Level 4 就够；只有当前层的失败成本高于建下一层时，才值得往上爬。

适合谁：已经会 Chat / Cursor / Claude Code，但分不清「工具多了为什么更乱」「为什么说 done 仍不敢信」「多 Agent 为何互相抄结论」的人。不适合谁：指望一篇文教你「一夜舰队自动化、人完全退出」的人——作者结尾写得很清楚：目标从来不是不需要你的 Agent，而是只在对的位置需要你一次。

1. Level 0：Chat——模型是聪明函数，你是整段程序

你把 bug 报告贴进对话框，模型建议一处改法；你拷进编辑器、跑测试、把报错贴回去再问。作者让读者看清分工：模型几乎没做「难的工作」——环境、对错、下一步，全在你身上。偶尔问一次没问题；你每周重复两次以上的流程，这样就会崩。

解读：很多团队以为「先把 prompt 写漂亮」是升级；按本文尺子，你还在 Level 0——你就是瓶颈。下一步不是再开三个聊天窗口，而是把「手」和「墙」从人身上卸下来。

2. Level 1–2：Harness——先给手，再给记忆与墙

Level 1 的第一刀很直观：让 Agent 碰世界——Shell、文件、测试 runner、Git、必要时浏览器。作者给 Harness 的「最干净定义」是：

从架构图里把模型抹掉，纸上还剩的东西就是 Harness。

但「更多工具」不等于更好 Harness：每个工具都是模型多一次选错的机会；十个窄而有文档的工具，胜过四十个重叠的。 给能做完这件事的最小环境。

Level 1 会怎么破：能干了，但没记忆、没墙。四十分钟后上下文被测试日志塞满、压缩后忘掉已试过的修复；同时对一切有写权限，包括那份绝不该碰的配置。

Level 2 补两样：

1. 活在模型外的状态（文件、工件引用、git commit 当检查点）——上下文窗口像 RAM，Harness 像磁盘；模型会忘，文件不会。
2. 不依赖模型听话的墙：最小权限、隔离 worktree / sandbox、命令白名单、硬 token/时间预算。口播式「请别动 migrations」是愿望；Agent 根本没有的权限才是墙。

装齐后 Agent 能跑一小时、崩溃后能续、也砸不坏关键资产——然后新的破法出现：它写「Fixed! All tests should pass now」。Should。 能力齐了，系统里仍没有「正确性」。

解读：工程上可带走的是两句——工具要少而硬；愿望写进 prompt 不算安全边界。站内其它 Harness 营销帖爱吹「环境才是护城河」；本文把护城河拆成「手 + 盘 + 墙」，并点明：没有下一层 Loop，Harness 只是更快地自信做错。

3. Level 3–4：Loop——能失败的检查，与能收敛的反馈

Loop 是四步：产出 → 检查 → 纠正 → 重复。大家盯着「重复」；作者说唯一要紧的是「检查」。没有会真失败的检查，「重复」只是重复犯错。证据要按「多难造假」排序：单测/构建结果硬过「模型说 done」。规则是：

检查的强度，等于它愿意接受的最弱证据。

修 bug 前先写检查：一条在修之前就已经绿的测试什么也证明不了——你得亲眼看它红一次。隐藏福利：写不出检查，说明你还不懂任务；写检查就是写规格。

Level 3 怎么破：失败、重试、又以同一种方式失败六次——因为「红」只是判决，不是方向。

Level 4 把判决升级成反馈：EXPECTED vs SAW、把下次尝试栅栏进一个文件、用 DEAD ENDS 记住死胡同，并设退出条件（同一结果出现两次就停——缺的不是努力，是看不见的信息或问错的题）。作者金句：

A loop can fix the work. A loop cannot fix the question.

当单步都优秀、整张票却要求「修登录 + 审计另两个服务 + 更新文档」时，串在一个上下文里会互相污染结论——问题不在步内，在步与步之间。这就把你推到 Graph。

解读：可执行习惯——先写会红的检查，再让模型写代码；同一失败模式连红两次就升级为人审或重定义题，而不是加 max_retries。这和站内「No proof, no done」同根，但本文把 Loop 钉在「证据硬度 + 收敛记忆」上，而不是口号。

4. Level 5–6：Graph——工作形状、冻结门与按「撤销代价」分级

Graph 三件套：节点（可独立失败的工作块）、边（真依赖）、门（离开节点时的检查）。多数箭头是习惯而不是依赖——对每条边问：若 B 在 A 完成前就开始，会坏什么？ 坏不了，就别干等。例子里：billing 审计可以和修复并行；PR 不能在修复落地前开。

设计选择：按「能否因不同原因分别失败」切节点；给每个工人自己的房间（共享一个上下文的「四人小队」其实是一个人戴四顶帽子）；能确定性算的用代码，模型留给「不同答案也可能对」的步；门放在节点出口，而不是最后一锅炖。

层间关系一句话：

Loop 问「这一块对不对？」Graph 问「这些是不是对的块？」

每个 FIX / AUDIT 节点内部仍跑自己的 Level 4 Loop。

Level 6 处理 Graph 的新失败：一次审计挂了导致整批重跑、好结果被刷成「不一样的另一版」；以及 typo 文档与 auth 改动享受同一套流程。对策包括：过门即冻结（read-only）、失败只重跑失败节点；门的依据不是模型自信，而是撤销代价——不可撤销处才加人；模型可以贴标签（「这碰了 auth」），标签解锁几级审批写在代码里，开跑前就定好。

解读：编排课常画漂亮拓扑；本文更狠的是「冻结」与「人是最贵最慢节点」——把注意力只放在无法撤销处。文档可自合入、auth 等一人批 PR、审计不一致才读——这是可粘贴的注意力预算，不是「多 Agent 仪式」。

5. Level 7：系统在每一层学习；以及如何爬、爬到哪

多数人到此只给规划器加一条反馈边就停。作者说：每次失败属于某一层，教训只有落回拥有那一层的结构才算学会。 「别重复劳动」写进 prompt 是希望；写进 splitter 的切分规则才是结构。教训是约束，不是上周日志全文。Level 7 的测验：

同一类失败，不会让你付第二次学费。

爬法：不能跳级；十个没检查的 Agent = 十倍清理；完美 Loop 没有 Harness 也无处跑测试。但设计从中间开始——先在纸上写 Level 3 的「绿」；说得出绿，才知道 Harness 要哪些工具、Graph 门该安哪。说不出绿，哪一层都救不了你。多数任务 Level 4 就够。

短版收束：Harness 让 Agent 有能力；Loop 让它诚实；Graph 让它有组织；学习让它比昨天强。跳过一层，你就变成缺的那一块。

解读：和站内 Lauren / Galaxy / Nick Miller 等「多 bot 小队」文相比，这篇不绑定 Grok Bot 产品控件，而是给一条与厂商无关的能力阶梯；贯穿「修 bug 开 PR」让每一级的破法可感。若你正被「先上 Graph / 先开舰队」的文案推着走，本文的刹车是：先找到你的第一症状，那才是下一级——不是再下一级。

怎么看这篇

• 正文价值：把 Harness / Loop / Graph 从并列名词改写成失败驱动的阶梯，并配同一条工程例子；适合当个人 Agent 成熟度自检表。
• 钩子：与正文一致，无视频错挂问题。
• 边界：文中示意图/可粘贴块在 X Article 版式里，摘要无法代替点开原文看图；「舰队 / 学习层」偏原则，落地仍要落到你的测试、权限与门控代码。

原文

• X 帖 / Article：https://x.com/m4lkxx/status/2114338456750997922