proact0/act-operator

Исполнитель

: README KR.md

** Упряжка производственного класса для управления структурой проекта LangGraph 1.0+ с помощью агентов ИИ.** Предназначен для реальных продуктов, а не только для прототипов.

Оригинальное название: The Problem: Context Gap

Одна и та же модель, разные результаты — почему?

Разрабатывая агенты LangGraph в производстве, мы продолжали наблюдать одну и ту же картину в нашей команде.

Опытный разработчик просит Claude Code реализовать рабочий процесс — отличный код возвращается. Новичок делает тот же запрос на тот же код Клода — общий, непоследовательный, тонко неправильный код возвращается. Та же модель. Почему?

Проблема не в модели. Это «контекстный пробел» — и он одинаково влияет на людей и агентов ИИ. Новый член команды без участия борется с одной и той же кодовой базой по одной и той же причине: условности подразумеваются, архитектура живет в чьей-то голове, и нет структурированной среды, чтобы направлять их. Агент ИИ ничем не отличается.

Даже опытные разработчики ударились об эту стену: при смене сессий агент забывает вчерашнюю архитектуру. Знания живут в головах людей, а не в кодовой базе. Если человек не может найти соглашения, агент тоже не может.

※ 한국어로 읽으시는 경우: README_KR.md

A production-grade harness for controlling LangGraph 1.0+ project structure with AI agents. Designed for real products — not just prototypes.

uvx --from act-operator act new

The Problem: Context Gap

Same model, different results — why?

While developing LangGraph agents in production, we kept observing the same pattern across our team.

An experienced developer asks Claude Code to implement a workflow — excellent code comes back. A newcomer makes the same request to the same Claude Code — generic, inconsistent, subtly wrong code comes back. Same model. Why?

The problem isn’t the model. It’s the context gap — and it affects humans and AI agents equally. A new team member without onboarding struggles with the same codebase for the same reason: conventions are implicit, architecture lives in someone’s head, and there’s no structured environment to guide them. The AI agent is no different.

Even experienced developers hit this wall: when sessions change, the agent forgets yesterday’s architecture. Knowledge lives in people’s heads, not in the codebase. If a human can’t find the conventions, the agent can’t either.

The fix isn’t better prompts or better models. It’s designing the environment in which both humans and agents operate.

What is a Harness?