rasen：基于spec的harness工程，实现全自动AI编码

背景

在 AI 辅助编程日益普及的当下，开发者普遍面临如何高效组织 AI Coding Agent 工作流的难题。传统的“手搓 Prompt”方式需要开发者为每个任务手动编写指令，重复劳动多，效率低下。主流开发模式如 TDD（测试驱动开发）和 SDD（规范驱动开发）虽有尝试，但早期开源项目往往存在流程臃肿或不可靠的问题，难以直接落地。随着 Anthropic 和 OpenAI 相继发布关于 Agent harness 的设计文档，社区开始探索更自动化的编排方式。作者在长期使用 Claude Code 和 Codex 的过程中，经历了从手动流程到半自动工具（openspec）再到全自动 harness 框架的演变，最终提炼出适合自己的开发流程，并开源了 rasen 项目。

核心内容

rasen 是一个基于 Spec 驱动的 Harness 工程框架，旨在实现“一句话全自动 vibe coding”。它的核心思想是：在 AI Agent 的内循环之外，构建一个流程化的外循环，使多个任务能够自动串联推进，形成螺旋上升的开发节奏。

工作流架构

• 内循环：交给 code agent（如 Claude Code）一个具体任务后，Agent 自行规划、调研、编写代码、测试等，直至任务完成。每个任务在一个独立的 session 中运行。
• 外循环：由主 Agent（leader）负责控制整体流程，将多个内循环任务按顺序或依赖关系组织起来，依次派发 subagent 执行，并在完成后自动进入下一步。

标准自动化 Pipeline

一个完整的开发任务被拆分为以下阶段，由 leader 自动调度：

1. Planner（propose）：调研需求，编写详细开发计划（spec 文档）。
2. Implementer（apply）：根据 plan 执行编码实现。
3. Reviewer：审查实现代码，发现 bug 或不符合规范的地方。
4. Fix-cycle：如果 Reviewer 发现问题，自动打回 Implementer 修复，再重新审查，循环直至通过。
5. Ship：提交代码、创建 PR 等发布操作。
6. Archive：归档文档和记录。

关键优化技术

• Session 复用：通过 sendmessage 热恢复和 transcript 冷恢复，让 subagent 的会话得以复用。例如，多个 changes 的 planner 如果使用新 session 需要重新调研上下文，而复用上一个 changes 的 session 可节省大量工作。Implementer-Reviewer 之间的修复循环也因 session 复用而更高效。
• 自动拆解（auto-decompose）：对复杂任务，leader 先整体审查，自动拆分为多个 change，每个 change 执行上述完整 pipeline。leader 负责管理多个小循环组成的大循环。
• 自动 Handoff：针对 LLM 在 context 利用率上的限制（通常在 30%~40% context 时达到满血状态，高 context 时性能下降），为每个阶段设置不同的 context 上限（如 Planner 40%、Implementer 50%）。当 subagent 的 context 达到上限时，自动生成 handoff 文档，leader 派发新的 subagent session 阅读 handoff 文档续接任务，避免因 context 膨胀导致质量下降。
• 命令简化：用户只需输入 /opsx:auto small-feature xxx 或 /opsx:auto full-feature xxx 即可一键启动从规划到代码提交的完整流程。full-feature 还会先使用 grille me（基于 grill me 的细化需求步骤）进行需求澄清。

项目起源与命名

作者在长期手动流程后，先使用 openspec 框架（提供 system prompt、skills 和快捷命令，工作流为 propose → apply → archive）获得了一定便利，但仍是“手动挡”。于是 fork 了 openspec 进行魔改，逐渐演变成 rasen。命名寓意“螺旋”：外循环虽然看似循环，但每次循环都推动项目向前推进，如同螺旋上升。作者引用《天元突破》台词：“我的钻头可是突破天际的钻头啊！”

实际效果

作者日常使用 Python 和 React/Node.js（LLM 舒适区）效果满意。为测试极限，将 rasen 应用于 C# 项目开发（一个文件几百 KB，上下文易塞爆），使用 glm-5.2 模型，在没有 handoff 功能时就能自动工作 26+ 小时推进任务，leader context 仅占用 40% 左右。项目 GitHub 提交记录可见（Commits · DumoeDss/ILRuntime）。

关键要点

• Harness 核心定义：在 AI Agent 的内循环（单任务执行）之外建立流程化的外循环，负责从一个任务自动推进到下一个任务。
• 自动化 Pipeline 包含六个阶段：Planner → Implementer → Reviewer → Fix-cycle → Ship → Archive，其中 Reviewer 与 Implementer 可循环修复。
• Session 复用减少上下文浪费：复用 planner 或 implementer 的 session，避免每次重新调研；修复循环复用 session 可加速迭代。
• 自动拆解复杂任务：leader 自动将大任务拆分为多个 change，每个 change 执行完整 pipeline，leader 协调大循环。
• Handoff 机制应对 context 上限：通过设置阶段 context 上限，达到阈值时生成 handoff 文档，换新 session 续接，避免性能下降。
• 简易命令入口：/opsx:auto small-feature 和 /opsx:auto full-feature 实现一键全自动开发。
• 项目适用于多种语言：Python、React/Node.js 效果好，C# 大型项目也能稳定运行 26+ 小时。
• 项目完全开源：GitHub 地址 DumoeDss/rasen，文档站 rasen.io，通过 npm 安装（npm i -g @atelierai/rasen）。

意义与影响

rasen 代表了一种从“手动挡”到“自动挡”的 AI 辅助开发范式跃迁。它不仅解决了开发者重复编写 Prompt 的痛点，更重要的是通过外循环、subagent 复用、自动 handoff 等设计，使 AI Agent 能够稳定、自主地完成大型复杂项目，甚至在非 LLM 舒适区（如 C# 大规模代码库）也能持续工作数十小时。这种“Spec-driven Harness”思路可视为对 OpenAI 和 Anthropic 所倡导的 Agent 编排思想的具体落地实践。

对于社区而言，rasen 开源项目提供了一套可复用的参考实现：开发者可以基于其架构快速定制自己的自动化工作流，或借鉴其 session 复用和 handoff 策略来提升 agent 的可靠性。该项目也展示了如何通过合理的工程化设计，将 LLM 的潜力从单次问答扩展到全流程开发，有望推动更成熟、更智能的 AI 编程助手生态发展。