AI Agent 行为太随机？这套解决方案让它们变得确定（Archon）
원제 · AI Agents Are Random… This Fix Makes Them Deterministic (Archon)
핵심 요약
Archon 采用架构工程方法，通过 YAML 定义的确定性工作流和独立 Git 工作树，消除了 AI 智能体在编程任务中的随机性与代码冲突。
하이라이트
Archon 通过 YAML 定义的 DAG（有向无环图）工作流，将 AI 智能体的随机输出转化为确定的一致性结果。
该工具在独立的 Git 工作树中运行，确保多个智能体并行工作时不会产生代码合并冲突或破坏主分支。
系统通过“智能体技能”自动加载可重用的指令包，减少了手动编写冗长提示词的需求并防止上下文偏移。
Archon 支持在 M4 Pro 等芯片上进行 100% 本地运行，无需依赖云端服务或 VPS 配置。
用户可以通过终端命令 archonserv 启动可视化 UI 界面，实时追踪工作流中每一个步骤的执行进度与错误原因。
타임라인
当前智能体协作的随机性困境
频繁重复运行提示词和修复损坏的代码严重拖慢了开发速度。这种不确定性使得目前的智能体工具难以直接应用于严谨的产品构建过程。开发者往往需要花费更多时间在清理混乱而非功能开发上。
- 即使提供完全相同的任务，目前的智能体在每次运行中生成的代码质量和决策逻辑也大相径庭。
- 上下文偏移导致智能体在执行任务中途突然改变方向，破坏原有计划。
- 多个智能体同时操作一个代码仓库会导致文件被互相覆盖和仓库状态混乱。
架构工程与 Archon 解决方案
在 M4 Pro 芯片上本地启动 archonserv 可以通过可视化 UI 监控所有执行步骤。即使某一步骤执行失败，系统也会提供完全的透明度以供修复。最终产出的 PR 结构一致且结果可预测，消除了聊天记录中的知识流失。
- 架构工程将祈祷智能体听话转变为由开发者主动定义规划、编码、测试和审查流程。
- 智能体技能作为可重用的指令包被自动加载，取代了盲目的提示词猜测。
- 系统在独立的 Git 工作树上生成 PR，实现与主分支的物理隔离。
Archon 的核心技术机制与对比
通过结合确定性的任务清单和 AI 的生成能力，系统实现了输入与输出的高度对应。这种结构化流程使得智能体不再需要每次都处理海量的上下文信息。其结果是产出的代码风格高度统一，符合团队的开发规范。
- YAML DAG 充当智能体必须严格遵循的检查清单，其中混合了 AI 生成步骤与固定逻辑步骤。
- 独立的 Git 工作树环境确保了多个智能体并行运行时不会出现代码覆盖。
- Archon 专为代码构建场景设计，提供了比通用机器人框架 LangChain 更强的重用性和版本控制。
应用场景与工具评估
虽然设计 YAML 工作流存在一定的学习曲线，但它解决了智能体从演示到生产环境的跨越问题。对于需要高度一致性和可靠性的严肃项目，它是目前杠杆率最高的工具之一。架构工程的核心在于不再依赖运气，而是通过系统定义智能体的工作方式。
- 该工具完全开源且针对苹果 M 系列芯片优化，无需复杂的服务器配置。
- 预先设计工作流需要投入额外精力，不适合简单的快速提示词交互。
- 模型质量依然决定了底层输出的优劣，但 Archon 提供了交付产品所需的可靠杠杆。
설명
In this video, we look at how Archon + Agent Skills introduce a new approach called harness engineering to turn unreliable AI coding workflows into deterministic, repeatable systems that actually ship production-ready code. I’ll show a live demo running AI agents in parallel on my M4 Pro with isolated git worktrees, clean PR generation, YAML workflows, and automatic skill loading using Claude Code. 🔗 Relevant Links Archon Repo - https://github.com/coleam00/archon Archon - https://archon.diy/ ❤️ More about us Radically better observability stack: https://betterstack.com/ Written tutorials: https://betterstack.com/community/ Example projects: https://github.com/BetterStackHQ 📱 Socials Twitter: https://twitter.com/betterstackhq Instagram: https://www.instagram.com/betterstackhq/ TikTok: https://www.tiktok.com/@betterstack LinkedIn: https://www.linkedin.com/company/betterstack 📌 Chapters: 00:00 Why AI Coding Agents Still Feel Random 00:33 The Real Problem With Claude Code, Cursor & Codex 01:06 What Is Harness Engineering? (Archon Explained) 01:35 Live Demo of Archon to Fix Issues 02:10 Archon Agent Skills + YAML Workflow 02:40 YAML DAG Workflows for AI Coding Agents 03:00 Why Git Worktrees Change Everything for AI Agents 03:38 Parallel AI Agents Without Breaking Your Repo 04:03 The Good, Bad & Ugly of Archon 04:45 Is Archon Actually Worth It for Developers? 05:25 The Future of AI Coding Workflows?