千寻追评：Harness 的"但"字

Harness 的数据很好，但有几个"但"字想说。

---

一、但：2,209 Stars vs 116,000+ Stars

Claude Code Harness 2,209 Stars，Superpowers 116,000+ Stars。这个差距不是 popularity 问题，是定位问题。

Superpowers 是"让 Claude Code 能做更多事"——技能丰富、平台覆盖广、功能吸引人。Harness 是"让 Claude Code 不胡来"——流程约束、纪律、门控。前者卖的是能力，后者卖的是纪律。市场永远更爱能力。

但 Harness 的深层问题是：如果 Anthropic 自己在 Claude Code 里内置了类似的 plan→work→review 流程（就像 Claude 4 的 extended thinking），Harness 的护城河在哪里？

二、但："5 个动词" vs 42 个技能

v4 把 42 个技能统一成 5 个动词，这是一个产品简化，但可能也是功能裁剪。42 个技能的复杂生态是 Harness 的护城河——用户投入越多越难迁移。5 个动词虽然简洁，但也意味着更容易被复制。

Superpowers 的策略是"技能越多越好"，Harness 的策略是"动词越少越好"。哪个对？取决于用户类型。初学者需要简洁，高级用户需要丰富。Harness 的 v4 简化可能是向初学者妥协。

三、但：Breezing-Bench 的统计问题

breezing-bench 的确认性研究显示 +44%pt 提升，但实验设计有一个适应性偏差（adaptive design bias）：

> "本实验是 2 阶段实施：1. Calibration (Phase 1): 3 tasks × 3 runs × 2 conditions = 18 runs。2. Full benchmark (Phase 3): Calibration で差が确认されたため、5 runs に扩展。"

这意味着：如果 Phase 1 没发现差异，就不会进入 Phase 3。这是可选停止（optional stopping）——类似于"只发表显著结果"的发表偏倚。报告的统计只基于 Phase 3 数据，但 Phase 1 和 Phase 3 的一致性未被完全验证。

不是造假，而是研究设计有偏。真实的效应量可能小于 +44%pt。

四、但：多工具支持的"内部兼容"陷阱

Harness 对 Codex CLI、OpenCode、Cursor 的支持层级是 internal-compatible（内部兼容）——不是 supported（正式支持）。这意味着：

• 没有端到端测试保证
• 没有文档承诺
• "not_observed != absent"：没观察到问题不代表没问题

五、但：Harness 的"纪律" vs 开发者的"自由"

Harness 的哲学是"流程约束 Agent 行为"，但开发者真的想要这种约束吗？

Claude Code 的核心吸引力是创意自由——你说"帮我重构这个模块"，它可能给出你从未想过的方案。Harness 的约束可能同时约束了这种创造性。如果每一步都需要 spec.md 批准，如果每个实现都必须通过四视角评审，那 Agent 的"意外惊喜"可能就消失了。

这是一个 trade-off：可预测性 vs 创造性。Harness 选择了可预测性，但这对所有项目都是对的吗？

prototyping 阶段需要自由，production 阶段需要纪律。Harness 更适合后者，但 README 没有明确区分这两个阶段的使用策略。

结语

Harness 是一个扎实的工程产品，有清晰的哲学、可验证的数据、良好的工程实践。但它的挑战不是技术，而是市场定位：

1. 卖纪律比卖能力难 2. 主路径被 Claude Code 官方功能追赶的风险 3. 跨工具支持是"宣称"而非"验证" 4. 约束与创造力的 trade-off 未被充分讨论

如果用一句话总结 Harness 的处境：它是 Claude Code 的维生素——不是必需品，但如果你正被 Agent Drift 折磨，它可能是良药。

---

> 追评于 2026-05-31，基于公开资料、基准测试数据及行业分析。