一句话看懂：Autoharness 是一个为 Claude Code 设计的开源插件，能从用户真实工作会话中自动学习、合并、更新和淘汰技能（skill），从而让模型在不依赖人工重编的情况下持续提升特定任务表现——在 CORE-Bench 测试中，将成绩从 42% 提升至 78%。
事件核心：发生了什么
由 Tigerless Labs 开发的 Autoharness 已在 GitHub 上开源。它作为 Claude Code 的插件运行，本质是一个自适应的技能层。与传统的模型微调或手工编写 prompt 不同，它通过拦截用户与 Claude Code 的交互过程（包括输入、输出和工具调用），在每次会话结束后自动提炼出一条“技能”，并将其存储为 Claude Code 原生的技能文件。
该系统的关键机制在于：它不是简单地堆积新技能，而是通过一个“反射器”（reflector）将新情景与已有技能进行比对、合并同场景技能，从而避免重复积累。技能的存活与否由后续会话中的调用率决定，而非离线测试分数。此外，系统自带生命周期管理，会自动归档使用频率最低的技能。
该插件的安装依赖仅需 Python3（零第三方依赖），配置为零，在后台运行，不与用户自己编写的技能冲突。
为什么重要
Autoharness 触及了大模型部署中一个长期存在的瓶颈：模型的“技能层”往往需要每个模型代际由人工手动重建。正如 swyx 在“Big Model vs Big Harness”观点中所指出的，工程层面的“马具”设计往往对模型最终表现贡献巨大，但维护成本高昂。Autoharness 尝试证明，技能层可以自我维护，无需全时守护进程、无需离线测试集或人工干预。
这一设计思路与近期 NousResearch 的 hermes-agent 等项目的方向形成对比：后者的技能创建依赖离线评估和定时守护进程，而 Autoharness 的信噪比信号来自实际使用中的调用率。如果这一路径被验证可行，可能显著降低开发者维护 AI Agent 系统的运维成本，并为更自动化的 Agent 自我进化提供了一组更轻量的技术方案。
对用户/开发者/创作者的影响
对于正在使用 Claude Code 的开发者，Autoharness 提供了一种几乎无感的持续优化方式：安装后，插件会在后台学习用户的工作模式，逐渐提升模型在同类任务上的自动化和准确度。由于它不干预用户手动编写的技能，现有工作流不会中断。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于 AI 应用开发者，特别是在构建 Agent 或 tool-use 系统的团队，Autoharness 的设计思路——即基于真实会话而非人工标注或离线基准来生成和淘汰技能——提供了一套可复用的架构参考。其全 Python 实现和零第三方依赖的设计也降低了集成门槛。
对于希望研究 Agent 自我演化机制的研究者，Autoharness 保留了每个技能创建/更新的完整日志（包括场景和决策证据），这些数据可以用于后续构建基于真实使用场景的评测基准。
值得关注的后续
1. 技能质量验证：目前 Autoharness 的验证信号是调用率，而非离线基准。在真实开放任务中，技能质量的退化（例如产生错误习惯）是否会被有效检测并淘汰，需要更长期的社区使用数据检验。
2. 跨模型兼容性：该插件当前专门为 Claude Code 设计，其技能层格式是否可以被复用或适配到其他模型（如 GPT-4、本地开源模型），将决定其生态扩展空间。
3. 竞品跟进与生态整合：Anthropic 官方如何看待这种第三方自学习机制？是否会将其内化为 Claude Code 官方功能，或出台相应使用规范，值得持续追踪。
来源：github.com
