GAN-Style Harness

Sélectionné par Skill Harbor : un harnais multi-agent inspiré des GAN qui sépare la génération de l'évaluation, basé sur l'article de design de harnais d'Anthropic de mars 2026. L'idée centrale est dite franchement : les agents à qui on demande d'évaluer leur propre travail sont des optimistes pathologiques, mais construire un évaluateur séparé impitoyable est bien plus faisable qu'apprendre à un générateur à s'autocritiquer. Trois agents mènent la danse : le Planificateur, un chef de produit délibérément ambitieux qui étend un prompt d'une ligne en spec multi-sprints avec critères d'évaluation ; le Générateur, un développeur qui négocie un contrat de sprint avec l'Évaluateur avant d'écrire du code ; et l'Évaluateur, un ingénieur QA qui teste l'application en direct avec Playwright, notant qualité du design, originalité, finition et fonctionnalité sur une grille pondérée avec seuil de passage à 7,0, sans jamais louer un travail médiocre. Cinq à quinze itérations plus tard, on obtient la différence publiée par Anthropic : 20 minutes et 9 dollars d'un agent solo à peine fonctionnel contre 4 à 6 heures et 125 à 200 dollars de qualité prête pour la production. La configuration passe par des variables d'environnement pour modèles, itérations, seuils, critères et modes d'évaluation (playwright, capture d'écran, ou code seul). Les anti-patterns sont documentés : évaluateurs indulgents, générateurs ignorant le feedback basé sur fichiers, boucles infinies, tests d'évaluateur superficiels, évaluateurs louant leurs propres corrections, et épuisement de contexte. Le harnais encode même un chemin d'évolution : à mesure que les modèles s'améliorent, retirez l'échafaudage et retestez les hypothèses. Par @affaan-m, listé ici avec crédit à son créateur, inspiré de l'article d'Anthropic par Prithvi Rajasekaran. Tiré du dépôt affaan-m/ECC (MIT). Bémols honnêtes : prévoyez environ 50 à 200 dollars par run complet, donc réservez ceci aux projets où la qualité compte vraiment, jamais pour des corrections rapides ou budgets serrés ; l'Évaluateur a besoin du MCP Playwright pour de vrais tests d'interaction. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.