古法编程

对抗式开发的核心是通过 Generator（生成）、Evaluator（评估）、Planner（规划）三个专职 Agent 的闭环协作，实现从需求到高质量交付的自动化迭代。Generator 严格依据规格实现代码，Evaluator 使用 Playwright 进行真实应用测试并基于 Rubric 评分，Planner 则负责将模糊需求转化为明确规格与验收标准。这种模式将传统的“编码-测试-修复”循环自动化、结构化，显著提升了 AI 辅助编程的交付质量与效率。

对抗式开发与多 Agent 构建：GAN Generator、Evaluator 与 Planner 的闭环协作

在 AI 辅助编程中，单轮对话式生成的代码质量往往难以保证。为了实现稳定、高质量的自动化交付，需要一套结构化的多 Agent 协作体系。Everything Claude Code 的 GAN（Generative Adversarial Network）风格 Harness 正是为此设计，其核心由三个 Agent 构成闭环：GAN Planner、GAN Generator 和 GAN Evaluator。它们分别承担规划、实现与评估的职责，通过自动化循环持续优化产品，直至达到预设质量门控。

一、对抗式开发循环的核心角色

一个完整的对抗式开发循环始于需求，终于高质量产出。每个 Agent 在其中扮演不可替代的角色。

1. GAN Planner：从模糊需求到明确规格

Planner 是整个闭环的起点。它接收一行需求或简单描述，通过深度分析将其扩展为一份结构化的产品规格文档（spec.md）。这份文档不仅包含功能列表，更关键的是定义了详细的验收标准和评分权重，即 Rubric。Rubric 是后续 Evaluator 评测的唯一依据，通常涵盖设计、原创性、工艺、功能性等维度，并为每个维度设定权重（例如设计 30%，功能性 20%）。

输入： 一行自然语言需求描述。 输出： gan-harness/spec.md 和 gan-harness/eval-rubric.md。

2. GAN Generator：规格驱动的实现与迭代

Generator 是实现者。它的唯一任务就是严格按照 spec.md 中的描述编写代码。完成首轮实现后，它会启动本地开发服务器（如 npm run dev），并将当前状态记录到 gan-generator/generator-state.md 中。在收到 Evaluator 的反馈后，它会逐项修正所有问题，提交新的代码版本，然后再次等待评估。Generator 不能自我评判质量，也不能跳过任何反馈项，确保了实现的客观性。

输入： spec.md、eval-rubric.md、以及来自 Evaluator 的反馈文件。 输出： 可运行的项目代码、generator-state.md。

3. GAN Evaluator：基于真实交互的量化评估

Evaluator 是质量守门员。它使用 Playwright 直接操作 Generator 启动的开发服务器，模拟真实用户行为进行端到端测试。测试范围覆盖功能正确性、边界条件、响应式布局、视觉一致性、可访问性等。测试完成后，它严格按照 Planner 定义的 Rubric 逐项打分，并加权计算总分。如果总分低于阈值，则判定为 FAIL，并生成一份详细的结构化反馈报告（feedback-NNN.md），报告中会列出 Critical Issues、Major Issues、改进建议，并附上关键截图。这份报告是驱动 Generator 下一轮迭代的核心指令。

输入： 运行中的应用、eval-rubric.md。 输出： 结构化评估报告、截图等测试工件。

二、分步操作指南：构建一个完整的 GAN 闭环

以下步骤展示了如何配置并运行一个基本的对抗式开发循环。

步骤 1：环境准备与规划

首先，确保项目根目录下创建了 gan-harness/ 目录。然后，向 Planner Agent 提出你的需求。

示例 Prompt：

需求：构建一个简单的任务清单 Web 应用，支持任务的添加、删除和标记完成。界面需简洁现代，移动端适配良好。

Planner 会生成两个关键文件：

  1. gan-harness/spec.md：详细描述应用的功能点、页面结构、交互逻辑。
  2. gan-harness/eval-rubric.md：定义评分标准，例如：
    | Criterion      | Weight |
|----------------|--------|
| Design Quality | 0.3    |
| Functionality  | 0.4    |
| Craft          | 0.3    |

步骤 2：触发 Generator 进行首轮实现

Planner 完成后，GAN Harness 会自动或手动触发 Generator Agent。Generator 读取 spec.md，开始编写代码。它可能会执行如下命令初始化项目并启动服务：

npx create-react-app@latest todo-app --template typescript
cd todo-app
npm install tailwindcss
npm run dev

然后，它会根据规格实现所有功能，并在完成后更新 gan-generator/generator-state.md。

步骤 3：Evaluator 进行自动化测试与评分

Generator 启动 dev server（例如 http://localhost:3000）后，Evaluator 自动接管。它执行一系列 Playwright 命令：

await page.goto('http://localhost:3000');
await page.fill('[data-testid="new-task-input"]', 'Buy milk');
await page.click('[data-testid="add-task-button"]');
await expect(page.locator('[data-testid="task-item"]')).toBeVisible();

它测试所有功能，包括添加空任务、超长任务名等边界情况。测试结束后，生成 gan-harness/feedback/feedback-001.md。

步骤 4：Generator 根据反馈迭代

Generator 读取 feedback-001.md，发现一条 Critical Issue：“输入超长任务名时，界面布局错乱”。它会定位代码，修复 CSS 的 overflow 和 word-break 属性，然后提交代码：

git commit -am "fix: prevent long task name from breaking layout"

同时，更新 generator-state.md，记录本次变更。

步骤 5：循环直至达标

Evaluator 再次进行评估。如果上次的问题已修复，报告中会出现“What Improved Since Last Iteration”。如果总分（例如 7.0/10）达到预设的通过阈值（例如 7.0），则标记为 PASS，循环结束。否则，Generator 将继续根据新的反馈进行修复。

完整对话流程示例 

开发者： 请为“在线Markdown编辑器”需求启动GAN循环。

Planner： 已生成 spec.md 和 eval-rubric.md。核心功能：实时预览、工具栏、本地存储。

Generator： [自动] 读取 spec，完成首轮实现，dev server 运行在 localhost:3000。

Evaluator： [自动] 测试完成。总分 5.8/10 (FAIL)。关键问题：1. 保存按钮无反馈；2. 预览区与编辑区滚动不同步。报告已生成。

Generator： [自动] 读取 feedback-001.md，修复保存按钮的Toast提示，并同步滚动事件。提交代码。

Evaluator： [自动] 再次测试。总分 7.2/10 (PASS)。所有Critical Issues已解决。

循环结束，交付质量达标的代码与完整评估报告。

三、多 Agent 协作的优势与集成场景

这种专职 Agent 闭环协作模式，相比直接使用通用 AI 助手，具有显著优势：

  1. 职责分离，质量可控：每个 Agent 专注单一领域，避免了“既当运动员又当裁判”的问题。Evaluator 的客观评分基于真实交互，杜绝了代码层面“看起来不错”的主观判断。
  2. 全流程可追溯：从规格、代码变更、测试报告到反馈，所有产物均结构化存储，便于代码审查、问题回溯和团队协作。
  3. 无缝集成 DevOps：生成的评估报告包含标准测试结果和工件（截图/视频），可以轻松集成到 CI/CD 流水线中，作为质量门控。build-error-resolver 等 Agent 还能在构建失败时自动介入修复。
  4. 领域专业化延伸：这个 GAN 闭环是通用模式。针对特定技术栈，可以引入更专业的 Agent，例如使用 C++ Build Resolver 自动修复 CMake 和链接器错误，或使用 Dart Build Resolver 处理 dart analyze 和 pub 依赖冲突，确保整个开发-构建-测试流程的稳定。

这种多 Agent 体系是 Everything Claude Code 生产级插件生态的核心体现，旨在将“架构先行、契约驱动”的工程纪律应用于 AI 编程场景，帮助开发者和团队从模糊的“vibe coding”转向可控、高效、高质量的自动化交付。更深入的 Agent 协作与工程模式，可以参考 Everything Claude Code 完全指南 以及 成本控制与对抗验证 一文。

FAQ

Q: GAN Generator 和 Evaluator 之间如何确保信息同步？ A: 两个 Agent 通过读写 gan-harness/ 目录下的标准化文件进行通信。Generator 输出 generator-state.md，Evaluator 输入运行中的应用并输出 feedback-NNN.md。文件路径和格式是预设的契约，确保了协作的自动化。

Q: 如果项目没有前端 UI，只有 API，这个流程还适用吗？ A: 适用。Evaluator 会切换到 “code-only” 模式，不进行 Playwright 浏览器测试，而是专注于运行单元测试、集成测试，并分析代码质量、API 响应是否符合 spec.md 中的契约定义，同样会基于 Rubric 进行评分。