从执行工具到注意力接口的范式转移
过去几周，作者利用 Claude Mods（插件）将 Claude Code 定制为符合个人 AI 工程工作流的工具。尽管 Claude Code 开箱即用体验良好，但每个工程师的工作流都是独特的。Claude Mods 允许用户按照自己的方式定义“注意力”，即决定代理何时打断人类、展示何种信息以及需要人类做出哪些决策。在 Latent Space 的文章《代理 Harness 的演变》中，作者提出一个核心论点：随着模型将更多功能吸收进权重，剩余的部分面向人类，成为“注意力接口”（Attention Interface）。Claude Mods 正是这种接口的早期版本，且可由用户自行塑造。
“The Evolution of the Agent Harness... It becomes the Attention Interface: the layer that decides when the agent interrupts you, what it shows you, and which decisions it needs you to make.”
作者预测，最终 Harness 将成为类似浏览器的平台，其他公司基于此构建应用，而模型作为引擎。这意味着 Harness 将演变为人与代理之间交互的平台。Claude Mods 让这种转变成为可能，它不仅是技术插件，更是人类与代理共同构建人机界面层的方式。通过这种方式，用户不再仅仅是被动接受结果，而是主动设计代理如何与自己协作。
Claude Mods 的技术本质与反向工程
Claude Mods 是运行在 Claude Code 内部的 TypeScript 或 JavaScript 函数插件。它们作为代理 Harness 的中间件，能够响应事件（如提示、工具调用或界面渲染），观察并修改事件的呈现方式，甚至替换默认行为。这种机制使得 Harness 的方向发生逆转：传统的 Harness 是从代理指向机器（发送命令、编辑文件），而 Claude Mods 将 Harness 的方向从代理转向人类操作者，使其成为与人类注意力交互的接口。
“Claude Mods let you reverse the direction of the harness. Rather than the harness pointing from the agent to the machine, you point it from the agent to the human operator... Claude Mods make the human layer programmable, by the human who uses Claude.”
这种可编程性不仅限于高级开发者。Claude Code 内置了一项技能，教导 Claude 如何用自然语言构建 Mods。用户只需描述需求，Claude 即可生成相应的插件。这实现了人类与代理共同设计工作流程的闭环：用户定义注意力规则，代理执行代码实现这些规则。这种双向互动是“注意力接口”的核心本质，标志着从单向指令执行向协作式界面设计的转变。
内置 Mods 与实战案例解析
Anthropic 已预装六个内置 Mods，通过 /plugin 命令可查看。这些插件包括：加载项目指令的 agents-md、接管差异显示的 diff、赋予 Claude 编写插件技能的 plugin-authoring、组织安全守卫的 sec-default、发送遥测数据的 telemetry，以及默认关闭但极具价值的侧边代理 you-should-know。后者会在提示框上方显示可能被忽略的重要信息，是作者亲自启用的功能。
案例一：You Should Know 的防错机制。作者要求简化项目中 UI 文本，主代理完成了代码修改、构建和截图。然而，You Should Know 插件检测到 CompareView.swift 及其他约 45 个文件存在未提交的更改。它警告作者，若丢弃演示编辑将导致早期未完成工作的丢失。这一干预避免了数据意外删除，展示了侧边代理在监控主流程中的关键作用。
“CompareView.swift, the file the agent was editing, already had uncommitted work in it — and so did about 45 other files... Its suggestion was to commit or stash the earlier work first.”
案例二：Next Steps Supervisor。这是作者基于 ModSmith 开源项目构建的插件，仅在代理编辑文件、运行命令或进行 8 次以上工具调用后触发。它标记六类关键信息，并提供可点击的建议步骤按钮。这种基于特定阈值的干预机制确保了在复杂操作后，人类能迅速获得下一步指导，优化了长流程中的注意力分配。
行业视野：OpenAI 与 Cursor 的对比视角
Anthropic 并非唯一探索注意力接口的公司。OpenAI 推出的 ChatGPT Intelligent UI（伴随 GPT-6）展示了另一种路径：模型根据回答动态生成图表、地图或计算器等生成式 UI 组件。在示例中，模型通过多选题缩小用户意图范围。这体现了代理自主设计交互界面的能力。
然而，与 Claude Mods 存在本质区别。ChatGPT 的界面组件来自 OpenAI 预建的库，用户仅能调节视觉强度。模型在固定框架内选择界面，而非允许用户自定义交互逻辑。相比之下，Claude Mods 赋予用户对底层行为规则的编程权。
Cursor 则从团队协作角度切入，开发 PR Routing & Approval（拉取请求路由与审批）。随着代理生成的 PR 增多，系统需决定哪些变更值得人类关注。这解决了团队规模下的注意力瓶颈问题。尽管方向不同，但三者共同指向一个趋势：未来的 AI 交互核心在于如何高效管理和分配人类的注意力资源，而非仅仅提升模型本身的智能水平。
PR 路由机制与自主审查的边界
Cursor 推出的 PR Routing & Approval（拉取请求路由与审批）系统，旨在通过自动化手段优化代码审查流程。该系统依据 code ownership（代码所有权）和 commit history（提交历史）自动分配审查者，并能对低风险 PR 进行 auto-approve（自动批准）。其核心逻辑在于权衡风险评分与预设阈值的对比，同时结合 Cursor 的 Bugbot、Security reviewers（安全审查员）的发现以及仓库内的 policy files（策略文件）。
"If a PR edits an approval policy, the agent won’t use the edited version to relax review on that same PR. It reads the policy from the base branch instead." —— 这一规则确保了代理无法通过修改策略文件来放宽对自己 PR 的审查，从而在机制上杜绝了 self-approval（自我批准）的风险。
尽管功能强大，Cursor 官方文档明确指出该特性 does not replace a full code review（不替代完整的代码审查）。其设计初衷并非消除人工审查，而是将人类精力集中在真正关键的环节。这种模式属于 Cursor 主导的交互流，用户只能决定规则（rules），而无法改变界面呈现或交互流程本身。
注意力界面的三种设计范式对比
不同 AI 工具在塑造用户“注意力界面”（Attention Interface）上存在本质差异，核心在于 谁有权设计这一界面。
- ChatGPT Intelligent UI：由模型为每次回答设计界面，运行在实验室构建的框架内。其优势是 Zero setup（零设置），但用户缺乏控制权，且目标用户似乎并非工程师。
- Cursor PR Routing & Approval：团队编写策略，固定工作流强制执行。用户可配置规则，但交互流程由 Cursor 决定。
- Claude Mods：用户与代理共同在代码层面构建界面。Mod 可以钩入循环中的任意节点——从提交 prompt、工具调用到回合结束 ——并决定 展示什么 以及用户能做什么。
"That interface exists because I prefer to pay attention that way, and Claude built it with me." —— 以作者展示的 Supervisor（监督者）为例，ChatGPT 或 Cursor 无法让用户自定义“每次编辑文件都需第二意见”、“列出捷径”且 “one keypress away”（一键可达）的界面。
Claude Mods 的核心价值在于赋予用户 design your own（自主设计）的能力，但代价是用户需自行承担让界面变得有用的责任。这是一种从“被动接受设计”到 “主动构建注意力流” 的转变。
Claude Mods 的三大现实挑战：噪音、成本与信任
尽管灵活，Mods 并非完美无缺。作者在实战中发现了三个主要痛点：
首先是 Noise（噪音）。以 Next Steps Supervisor 为例，它在任何编辑文件、运行命令或进行 8 or more tool calls（8次以上工具调用）的回合后运行。数据显示，自 10 月 15 日安装以来，作者 99 of my 111 turns（111个回合中的99个）触发了该机制。当 Mod 几乎在每个回合都发声时，用户倾向于 skimming past it（跳过阅读），这反而违背了注意力界面的初衷。
其次是 Cost（成本）。每次监督检查都会 fork 对话并重读上下文，尽管大部分由 prompt cache（提示词缓存）服务，但 Mod 的 README 估算每次检查消耗约 5–6k input-equivalent tokens（输入等效令牌），且在缓存过期时更多。
最后是 Trust（信任）。Mod 是拥有用户权限的代码，Anthropic 文档明确警告：mods aren’t sandboxed（Mod 未沙盒化）。加载后，Mod 可读写文件、查看所有 prompt 并消耗用量。即使启动 --safe-mode，内置 Mod 仍会运行。
"I’m comfortable with mods I wrote or that ship with Claude Code, but I’d read anyone else’s code before installing it." —— 这种信任风险要求用户必须对第三方 Mod 保持警惕，尽管作者可以通过
/supervisor off等命令即时修复噪音问题。
未来展望：从手动构建到自我优化的Harness
自定义 Harness（工具链）并非对每位工程师都是胜利，因为每个 Mod 都增加了用户需要关注的信息量。作者评估 Mod 有用性的标准极为务实：did it surface something I would have missed（是否揭示了被忽略的内容）、make a decision easier（简化决策）或 let me act without getting distracted by more output（在不被多余输出干扰的情况下行动）？若未满足，则仅为 window-dressing（装饰）。
目前构建 Mod 的流程是：用户察觉摩擦 -> 描述需求 -> Claude 协助构建。My personal attention is still needed to notice the friction（仍需个人注意力来察觉摩擦）。
未来的理想状态是 Harness 自动察觉摩擦。Claude Code 已保存会话记录，未来可像后台进程一样分析这些转录文本，识别用户反复纠正或手动检查的痛点，并 suggests a mod for it（建议相应的 Mod），随后协助测试并根据反馈优化。
"That’s the best case for AI engineers: a malleable harness that suggests ways to improve itself from real-world use." —— 这种可塑性强、能从真实使用中自我改进的工具链，代表了 AI 工程师的最佳未来。作者预测，几年后我们将讨论建立在 Claude Code、Codex 或尚未存在的 Harness 之上的初创公司。
结论
Claude Mods 通过赋予用户对代理交互逻辑的编程权，确立了以“注意力接口”为核心的协作范式。其核心优势在于允许用户自定义干预规则（如 You Should Know 的防错机制），实现了从被动接受到主动构建注意力流的转变。然而，该模式面临噪音过载（如 Next Steps Supervisor 在111个回合中触发99次）、Token成本增加（每次检查消耗5-6k令牌）及安全风险（未沙盒化、无自动批准机制）三大挑战。与 ChatGPT 的固定框架或 Cursor 的团队策略不同，Claude Mods 要求用户承担设计责任。未来演进方向在于 Harness 从手动构建转向基于会话数据的自我优化，自动识别摩擦并建议改进。