AI 编程工具生态全景
2026 年 3 月，主流 Harness Engineering 工具的横向比较
核心工具比较
| 工具 | 来源 | 驭化层配置方式 | 特点 |
|---|---|---|---|
| OpenAI Codex | OpenAI | AGENTS.md + skills/ | 内置完整驭化架构，App Server 统一接口 |
| Claude Code | Anthropic | CLAUDE.md + .claude/ | 薄封装理念，Hooks 系统灵活 |
| Cursor | Anysphere | .cursorrules | IDE 集成，人机协作体验最佳 |
| GitHub Copilot | Microsoft | 工作区配置 | 企业集成，VS Code 深度整合 |
OpenAI Codex
定位
OpenAI 官方推出的编程 Agent，也是 Harness Engineering 概念的原始实践平台。
驭化层配置
项目根目录/
├── AGENTS.md ← 主导航（≤100 行）
├── skills/
│ ├── SKILL.md ← 技能索引
│ └── [skill-name].md ← 具体技能文档（每个 ≤60 行）
└── docs/ ← 详细文档目录
关键特性
App Server 架构：
- 双向 JSON-RPC API，统一 Web/CLI/IDE 的通信
- 流式工具调用结果，实时反馈
- 基于 git worktree 的任务隔离沙箱
Claude Code（Anthropic）
定位
Anthropic 推出的"对模型最薄的封装"，强调模型能力本身而非复杂的驭化层。
驭化层配置
项目根目录/
├── CLAUDE.md ← 主配置（类似 AGENTS.md）
└── .claude/
├── hooks/
│ ├── PostToolUse.sh
│ └── PreCommit.sh
└── skills/
└── [skill].md
关键特性
Hooks 系统：事件驱动的自定义逻辑，PostToolUse、PreCommit、AfterCompaction 等。
MCP（Model Context Protocol）：标准化的工具扩展协议，可连接外部服务。
自动上下文压缩：对话历史过长时自动压缩，AfterCompaction hook 可在压缩后重新注入关键上下文。
LangChain / LangGraph
定位
开源框架，提供构建 Agent 应用的基础设施，驭化层通过代码配置。
驭化层架构
python
from langchain_core.middleware import (
LocalContextMiddleware, # 隔离的文件系统上下文
LoopDetectionMiddleware, # 检测和阻断无限循环
ReasoningSandwich, # 强制链式思考推理
ToolCallValidator, # 验证工具调用参数
StateCheckpointer, # 检查点式状态持久化
)
关键数据
LangChain Terminal Bench 2.0（2026年2月）：
- 基础配置：52.8% 成功率（Top 30 以外）
- 优化驭化层后：66.5% 成功率（Top 5）
- 提升：+13.7 个百分点，不换模型
snarktank/ralph
定位
开源的自主 Agent 循环框架（GitHub 13,400+ Stars），高吞吐哲学的参考实现。
核心机制
PRD（prd.json）← 任务清单
↓
Ralph 启动循环
↓
读取 progress.txt + git 历史 → 理解当前状态
↓
执行下一个未完成任务
↓
运行验证（测试 + lint）
↓
更新 progress.txt
↓
重复，直到 PRD 全部完成
工具选型建议
如何选择
是否有强烈的工具偏好？
├── 偏好 OpenAI → Codex
├── 偏好 Anthropic → Claude Code
└── 不确定 → 先从 Claude Code 开始
项目规模？
├── 小型（1-3 人）→ Claude Code 或 Cursor
├── 中型（3-20 人）→ Codex 或 Claude Code + 自定义 Harness
└── 大型（20+ 人）→ LangChain/LangGraph
是否需要自主循环（无人值守）？
└── 是 → 参考 ralph 模式
通用建议
无论选择哪个工具：
- 从最小化驭化层开始，观察真实失败再扩展
- AGENTS.md 或 CLAUDE.md 保持 ≤ 100 行
- 工具数量 ≤ 10 个（避免"愚蠢区"）
- 建立测试套件作为 Agent 的自我验证机制