让AI不再自卖自夸：GAN风格的对抗评估框架，让代码质量直接拉满

你有没有这种感觉——让 AI 给自己打分，它永远给得很高？不管是写的代码、做的设计还是产出的内容，它都会说”很棒”，哪怕你自己都觉得哪里不对。

这其实不是 AI 的态度问题，是它的底层机制：生成式模型天然倾向于生成”完整”的输出，评估式反馈在它的训练里权重极低。所以当你让 Claude 评价自己写的东西，它基本不可能给你一个冷酷的差评。

Anthropic 2026 年 3 月的一篇论文就专门研究了这个现象，并提出了一个很聪明的解法——把”生成”和”评估”拆成两个独立的 Agent，让它们互相对抗，就像 GAN（生成对抗网络）的思路一样。

这个思路被做成了一个 Skill，就叫 GAN-Style Harness。

三个 Agent，打配合赛

GAN-Style Harness 里不是一个人埋头干，而是三个角色来回迭代：

Planner Agent：产品经理视角。你给一句需求（比如”做个待办事项 App”），它负责扩展成完整的 16 个功能点的产品说明书，定义清楚用户故事和技术要求。

Generator Agent：开发者。拿到规范之后，一个功能一个功能地实现，用的是全栈工具链（React、FastAPI/Express、数据库、CSS）。它不追求一次做完，而是以”sprint”为单位，每轮只做一部分。

Evaluator Agent：这是关键。它不是看代码，而是真正打开浏览器，用 Playwright 操作实际运行的 App——点击按钮、填表单、测 API。测完之后，它从四个维度打分：
– 设计质量（看起来是否像个整体？）
– 原创性（有没有模板感？）
– 工艺感（字体、间距、动画、微交互）
– 功能性（功能真的能用吗？）

分数不达标就打回重来，直到 Generator 交出合格品。

为什么这样比单个 Agent 强

单个 Agent 自评时，最大的问题是”沉没成本”——它已经花了时间写代码，从情感上就不愿意承认写得烂。Evaluator Agent 没有这个问题，它只看最终运行结果，不看过程。

而且 Generator 和 Evaluator 的关系是真正的对抗：你做 → 我评 → 你改 → 我再评，循环 5~15 轮，每一轮质量都会比上一轮更好。这和 GAN 的训练逻辑完全一致：Generator 生成假样本，Discriminator 判断真假，互相博弈，最后两边都越来越强。

适合用在哪儿

GAN-Style Harness 最适合这些场景：

• 零基础起步做完整应用：你只有一个点子，它能给你跑出一个能跑的全栈 App
• 前端设计要求高：要的不是”能看”，要的是没 AI 味、原创、有设计感
• 全栈项目需要前后端串联：Generator 只写代码，Evaluator 专门负责破坏性测试
• 不想看到 AI 生成痕迹：模板感、套路化的输出，在这种对抗评审下基本活不过两轮

安装使用

npx skills add https://github.com/affaan-m/everything-claude-code --skill gan-style-harness

装完之后，直接告诉你的 Agent：”用 GAN-Style Harness 来做这个项目”，它就会自动启动三智能体循环。

GitHub 仓库里还有完整的 SKILL.md 说明文档，以及 Evaluator Agent 的 Playwright 集成配置。

核心理念就这一句：不要让 Agent 评价自己做的，要另外找一个 Agent 来打它的分。对抗才能出好活。

GitHub：https://github.com/affaan-m/everything-claude-code/tree/main/skills/gan-style-harness

GitHub: https://github.com/affaan-m/everything-claude-code/tree/main/skills/gan-style-harness