001tmf/harness-forge

** Включите код Клода в свою собственную Meta-Harness — развивайте строительные леса вокруг фиксированной модели.

-555)

Harness Forge - это навык кода Клода, который работает сквозно Harness-optimization loop — предложите → балл → сохраните Pareto-best → повторите — чтобы улучшить код вокруг фиксированной модели: его память, поиск, конструирование контекста, обобщение, подсказка Шаблоны и логика выбора инструментов. Модель никогда не меняется, леса становятся лучше.

Это ** родная реализация ** метода в Мета-Harness: конечная оптимизация возможностей моделей (Ли, Наир, Чжан, Ли, Хаттаб и Финн, 2026). Оригинал Корабли репо ~ 1260 строк Python claude_wrapper.py + meta_harness.py), чья работа состоит в том, чтобы *вести безголового Клода *: породить сеанс, анализ его выхода, отслеживание вызовов инструмента, запись всего, цикл. **Внутри Клода Кода, что Время выполнения уже существует как первоклассные инструменты. Таким образом, Харнесс Фордж сохраняет только несводимый домен. Логика — дешевый бомбардир — и выражает всю внешнюю петлю как родную оркестровку. Все вместе Поиск становится ~ 75 строк вместо ~ 1260.

##Идея в одной картине

Предложителем является оператор мутации.

Harness Forge is a Claude Code skill that runs an end-to-end harness-optimization loop — propose → score → keep the Pareto-best → repeat — to improve the code around a fixed model: its memory, retrieval, context construction, summarization, prompt templates, and tool-selection logic. The model never changes; the scaffolding gets better.

It is a native reimplementation of the method in Meta-Harness: End-to-End Optimization of Model Harnesses (Lee, Nair, Zhang, Lee, Khattab & Finn, 2026). The original reference repo ships ~1,260 lines of Python (claude_wrapper.py + meta_harness.py) whose job is to drive a headless Claude: spawn a session, parse its output, track tool calls, log everything, loop. Inside Claude Code, that runtime already exists as first-class tools. So Harness Forge keeps only the irreducible domain logic — a cheap scorer — and expresses the entire outer loop as native orchestration. The whole search becomes ~75 lines instead of ~1,260.

---

The idea in one picture

seed the frontier with the incumbent harness (the thing to beat)
repeat:
    PROPOSE   k candidate harness variants     ← parallel proposer agents write code
    VALIDATE  each imports / type-checks
    SCORE     each on a held-out-protected eval ← a $0, deterministic scorer
    FRONTIER  Pareto-merge: quality up, cost down, floor-respecting
final: score the frontier once on the untouched test split

The proposer is the mutation operator. The frontier is the search memory. The model is frozen throughout — which is exactly why this fits a fixed / off-the-shelf-API deployment, where you can’t change the weights and the gain has to come from the harness.

The paper’s headline result was +7.7 accuracy points at ~4× fewer context tokens on text classification — a pure harness-side win. Harness Forge reproduces that shape of result natively.

---

Why native?

claude_wrapper.py is a hand-rolled agent runtime. Claude Code is an agent runtime. So every orchestration piece has a native equivalent, and the Python driver becomes redundant: