审自己的 blog agent:单次 4.7 行规则换 1 行产出,摊销到 419 篇反过来是 1.9%

把本仓库当 primary data:publish-blog skill 1150 行 + taxonomy 97 行 + validator 618 行,每次写一篇博客加载约 1247 行规则,产出平均 264 行,比例 4.7 : 1。但 2094 行 harness 服务 419 篇 / 110490 行产出,摊销后是 1.9% / 98.1%。顺手拆开 arXiv 2609.00006 说的 Claude Code 1.6/98.4 和 VABAR 的 46/54——两个数字落在同一数量级纯属巧合,根本不是同一种量。

这是上一篇 VABAR 深读 的续读,但课题独立:把本仓库当做实验对象,测自己写 blog 这件事里 harness 代码和 AI 产出的真实比例是多少。

VABAR 的 46/54 分账让我意识到一件事:Lilian Weng 说 harness 是能力的主要来源,arXiv 2609.00006 据说 报告 Claude Code 本体 1.6% AI 决策逻辑 / 98.4% harness,VABAR Table II 测出 physical 机器人侧 harness 占 46%——三个数字都在说 “harness 很重” 但说的根本不是同一件事。我把本博客仓库当 primary data 做了一次自审,顺手把三个数字的歧义拆开。

先给结论的三栏对照:

口径数字说的是什么
单次 session(每次写一篇博客时)harness : output = 4.7 : 1AI 的每次”自由推理”背后压着 4.7 倍的硬规则
生命周期摊销(harness 服务 419 篇)harness / output = 1.9%规则是一次性投入,产出是累积的,所以比例倒过来
Claude Code runtime 代码量(arXiv 2609.00006 口径)1.6% / 98.4%每次推理都跑 100% 的 harness runtime,没有摊销——本质是 runtime product 的工程切分
VABAR Table II 平均能力差46% / 54%能力贡献的归因,不是代码量,也不是加载密度

单次和生命周期之所以在同一个系统里能差两个数量级,是因为 skill 这种东西是”写一次服务 N 次”的,N 越大,摊销越稀,但单次加载的绝对密度不变。这个结构在 Claude Code 的 1.6/98.4 里隐身了,因为那是 runtime 代码量,每次推理都走全部;在 VABAR 里也隐身了,因为那是 capability 归因。所以这两个数字和我这里的 4.7:1 或 1.9% 都不能直接 project。

本文的测量全部来自 wc -l、find、ls | wc -l 这几条命令。读者在自己仓库跑一遍完整命令见本文末 “五分钟实验”。

怎么数的:单次 session 的 1247 行规则是哪来的

写这个博客仓库里一篇新 post 的流程:Claude Code 启动 → 命中 publish-blog skill → 按 skill 规定读进 context。实际进入 context 的 harness 文件(精确行数):

wc -l .claude/skills/publish-blog/SKILL.md \
      .claude/skills/publish-blog/references/writing-quality.md \
      .claude/skills/publish-blog/references/ai-top-principles.md \
      .claude/skills/publish-blog/references/cold-reader-review.md \
      .claude/skills/publish-blog/references/diagram-guide.md \
      .claude/skills/publish-blog/references/ai-math-dependency-graph.md \
      src/data/blog-taxonomy.json

实际输出:

 186 .claude/skills/publish-blog/SKILL.md
 461 .claude/skills/publish-blog/references/writing-quality.md
  51 .claude/skills/publish-blog/references/ai-top-principles.md
  37 .claude/skills/publish-blog/references/cold-reader-review.md
  71 .claude/skills/publish-blog/references/diagram-guide.md
 344 .claude/skills/publish-blog/references/ai-math-dependency-graph.md
  97 src/data/blog-taxonomy.json
1247 total

实际上每次 session 不一定全读进去——例如 ai-math-dependency-graph.md 是专门写数学系列的,diagram-guide.md 是带 mermaid 的时候才读。按两个主力文件(SKILL + writing-quality)+ taxonomy 的最小集算,也是 744 行”必读”规则。全读的上限是 1247 行。

那 AI 一次产出多少?

python3 -c "
import os
files = sorted(f for f in os.listdir('src/content/blog') if f.endswith('.md'))
lines = [sum(1 for _ in open(f'src/content/blog/{f}')) for f in files]
print(f'files: {len(files)}, total lines: {sum(lines)}, avg: {sum(lines)/len(files):.1f}')
"

输出:

files: 419, total lines: 110490, avg: 263.7

平均每篇 264 行,最近十篇 avg 271,刚发的 VABAR 那篇 230。拿 1247 比 264,比例是 4.72 : 1;拿必读的 744 比 264,比例是 2.82 : 1。

无论用哪个口径,结论都是:每写出一行 AI 产出,至少先读了 3 行、至多读了 5 行”该怎么写”的规则。这就是单次 session 的真实指令密度。

为什么摊销后又反过来:419 分之 1 的放大

但 skill 这种东西一写就服务很多次。把 harness 当固定成本,产出当累积收益算:

echo "harness lines (skills + taxonomy + validator):"
find .claude/skills -type f \( -name "*.md" -o -name "*.json" \) | xargs wc -l | tail -1
wc -l src/data/blog-taxonomy.json scripts/validate-blog-content.mjs \
      scripts/validate-blog-content.test.mjs | tail -1

实际跑出来:

.claude/skills (全部 md + json): 1379 行
taxonomy + validator + validator.test: 97 + 418 + 200 = 715 行
合计 harness:                 2094 行

产出 110490 行,harness 2094 行,比例:

2094110490+2094=2094112584≈1.86%\frac{2094}{110490 + 2094} = \frac{2094}{112584} \approx 1.86\%

1.86% 是 harness,98.14% 是产出。摊销到 419 篇之后,单次那个 4.7 倍的”规则压力”消失了,看起来像是一个 “规则极少,产出极多” 的系统。

这就是整个博客 agent 的两面性:

  • 坐下来写一篇的那一刻,你是一个在 1247 行规则下填空的人;
  • 回头看 419 篇累积,你是一套 2094 行规则驱动 110K 行产出的系统。

两个数字都对,只是时标不同。这个结构在 agent 工程里有个一般形式:凡是”规则写一次服务多次”的 skill-based 系统,都会在 single-session 和 lifetime 两个尺度上给出截然不同的 harness/output 比例。

和 Claude Code 的 1.6/98.4、VABAR 的 46/54 分开说

arXiv 2609.00006(11-system source-code study)给过一个广为传播的数字:Claude Code 本体代码 1.6% 是 AI 决策逻辑,98.4% 是 harness。乍一看和我这里的 1.9/98.1 很像,但它们不是同一种量:

  • Claude Code 的 1.6/98.4 是 runtime product 代码量——每次推理都要跑过 100% 的 harness runtime 路径(tool orchestration、permission gate、context manager、streaming parser……),没有摊销。那 98.4% 是每一次调用都在支付的工程成本。
  • 我这里的 1.9/98.1 是 lifetime amortization——2094 行规则写一次,服务 419 次产出。单次的 harness 加载代价(1247 行 context)完全不等同于 2094 行”全部 harness”,前者只占后者的 59%。

两个数字落在同一数量级(都是”一两个百分点”),是巧合,不是等价。如果非要把我这里的 single-session 口径和 Claude Code 比,那是 4.7:1——反过来——因为我的”推理”产出一篇博客(264 行),Claude Code 的”推理”产出一次工具调用(可能几十 token)。推理单位不同,比例就天差地别。

VABAR 的 46/54 又是第三种东西:它是 capability contribution,不是 engineering effort 也不是 context density。它说的是”同一个模型,harness 这一层带来 46% 的性能,composition(workflow graph)带来 54%“——测的是 benchmark 侧的成功率,和代码行数无关。

三个数字对应三件完全不同的事:

数字测量对象单位
Claude Code 1.6/98.4runtime product 代码量行数(静态)
本仓库 1.9/98.1(lifetime)harness 摊销到所有产出行数(累积)
本仓库 4.7:1(single-session)单次推理的 context 加载密度行数比(瞬时)
VABAR 46/54capability 归因成功率分差

Weng 的”harness 是能力的主要来源”在这张表里对应哪一行?严格说,只对应 VABAR 的 46%。她的论证是 capability-level 的,不是 code-volume 的。但 arXiv 2609.00006 的数字被广泛拿去支持 Weng 的立场——这是一次把 runtime product 代码量冒充 capability contribution 的错位,很可惜文章里没人拆。

本次 VABAR 发布的实际反馈环:规则和产出的实时碰撞

上一篇 VABAR 博客在本 session 里的发布过程给了一组活生生的数字,可以验证单次 session 的那个 4.7:1。

本篇 VABAR 博客规模:230 行(含 frontmatter)。

初稿后 pnpm validate:blog 的反馈:

  • 1 个 ERROR(rubric-label "通俗总结",来自 writing-quality.md 开头那条”规则名不得出现在正文”的硬约束)
  • 1 个阻塞性 warning(contrast-frame 9×,来自 writing-quality 的反模式十”写作腔”)
  • 1 个 warning(no-firsthand-marker,来自 validator 的 COMMAND_FENCE 正则——python 块不算,必须 bash/sh/shell/console/zsh)

这三条反馈分别来自:

.claude/skills/publish-blog/references/writing-quality.md:45  # 规则名外泄禁令
.claude/skills/publish-blog/references/writing-quality.md:425 # 不是-X-是-Y 上限
scripts/validate-blog-content.mjs:50                         # COMMAND_FENCE 正则

也就是说,230 行的产出被 3 条分别来自不同 harness 文件的规则各挡回来一次。修复后产出变成 234 行(+4 行净增),但重写了 8 处正文、改了 3 个小标题、把 python heredoc 包进 bash 块。每处修改都是 harness 在直接重塑 output 的形状。

这给出了一个比 “4.7:1 context 密度” 更具体的数字:230 行产出里有 8 处是被 harness 规则直接改写的——占行级的 3.5%,但从语义上看,这 3.5% 改的是文章的论证节奏(对比句的频率)、标题的语气(“通俗总结”→“换个说法”)、技术块的形态(python→bash heredoc)——改的全是”骨头”,不是”肉”。

规则的真实作用,比它在 context 里的字节数更深。1247 行规则换 264 行产出看起来只是 context 预算问题,但这些规则在 validator 层加了”必须通过才能发布”的物理门禁。4.7:1 的加载密度只是一半,另一半是门禁阻塞力:发布前 pnpm validate:blog 的每一次 exit code 1 都在说”这段产出不达标”。

五分钟实验:在你自己的仓库跑一遍

如果你也维护一个 Claude Code(或 Cursor / Codex)风格的 agent 系统(任何有 .claude/、.cursor/、AGENTS.md、CLAUDE.md、或类似目录的仓库),跑以下命令得到你自己系统的数字:

# 1. harness 行数(skill + memory + CI 配置)
find .claude .cursor -type f \( -name "*.md" -o -name "*.json" -o -name "*.yml" -o -name "*.yaml" \) 2>/dev/null | xargs wc -l 2>/dev/null | tail -1
find scripts -type f -name "validate*" 2>/dev/null | xargs wc -l 2>/dev/null | tail -1

# 2. AI 产出行数(替换成你仓库里 AI 实际产出的内容路径)
find src/content/blog src/content/posts content -type f -name "*.md" 2>/dev/null | xargs wc -l 2>/dev/null | tail -1

# 3. 每次 session 的必读规则数(你 skill 入口文件 + 必读 references)
wc -l .claude/skills/*/SKILL.md 2>/dev/null

把上面三个数记下来,算两个比例:

  • single-session 密度 = 必读规则行数 ÷ 一次产出的平均行数
  • lifetime 摊销 = 全部 harness ÷ 全部产出

如果你的 single-session 比我这里的 4.7:1 更极端(比如 10:1 以上),说明你的规则密度极高、每次产出都受严格约束——适合对正确性要求高的产出(代码、法律、医疗)。如果反过来 single-session < 1:1,说明你的 AI 比规则更”占篇幅”——这种系统更接近”自由发挥的助手”,不是”受约束的流水线”。

两个数都在同一数量级(比如 both ~2:1 到 ~5:1),说明你处在一个 skill 积累早期的状态——给 skill 再发育半年到一年,lifetime 比例会被稀释到 1-2%,而 single-session 密度大概率上涨(规则会越写越细),于是形成我这里看到的那种”两面反差”。这个演化方向本身,就是 Weng 说的 “被优化对象从 prompt 爬到 harness 代码” 的日常侧投影——不是实验室里,是你自己仓库里。

参考来源

工程实践与命令:

arXiv 论文: