HashiCorp 的 Mitchell 把自己的 AI 使用历程分成六个阶段。他不是那种用了就觉得好的人，每个阶段都带着怀疑和验证。六步走完后，他得出了一个反直觉的结论：最痛苦、看起来最「无用」的第二步，恰恰是后续一切复利的起点。
大多数人从第一步直接跳到第四步 —— 觉得 AI 好用就开始委托任务。Mitchell 却在第二步花了大量时间做冗余工作：已经手动完成的事，再让 Agent 做一遍。原文说「I literally did the work twice」。目的不是省时间，是建立对 Agent 能力边界的真实认知。
正是这个阶段的「无用功」，让后续每一步都产生了指数级的复利效应。
[Read More]马尔科姆·格拉德威尔（Malcolm Gladwell）在《异类》中普及的"一万小时定律"曾是无数人自我提升的圣经：只要投入一万小时的刻意练习，任何人都能成为世界级专家。然而，随着 AI 技术的爆发式增长，这一定律正面临前所未有的挑战。
在 AI 能够以分钟级速度掌握规则型技能的今天，人类是否还需要花费一万小时去磨练战术技能？如果不需要，我们的一万小时应该投资在哪里？
[Read More]昨晚在电子书上读到一段关于 Stripe Minions 的文字，让我停下来想了很久。
不是因为它用了什么惊艳的模型，而是因为它揭示了一个被大多数人忽略的事实：
Minions 能 work 的首要原因跟 AI 模型本身几乎无关，而是 Stripe 在 LLM 出现之前就为人类工程师建设了多年的基础设施。
完整的代码树、成熟的构建系统、全面的测试覆盖、标准化的开发环境——这些不是为 AI 准备的，是十多年来为人类工程师准备的。AI Agent 到来时，直接继承了这套基础设施。
好的人类工程基础设施，就是好的 AI 工程基础设施。
[Read More]向 AI 提出需求后，不要急着让它立刻执行。一个简单却常被忽略的技巧是：让 AI 先向你提问，把模糊的需求打磨清晰。需求越明确，AI 的执行效果就越好。这不是理论，而是每天和 AI 协作的工程实践中，投入产出比最高的习惯。
[Read More]2026 年初，“Harness Engineering” 突然成为 AI 工程圈的热词。顶会论文、技术博客、框架文档都在反复强调同一个公式：Agent = Model + Harness。斯坦福 IRIS 实验室的对照实验表明，固定模型仅更换 Harness 架构，任务完成率可产生 6 倍 的性能差距。
但如果我们剥开这层新术语的外衣，会发现一个略显讽刺的事实：Harness Engineering 并不是什么新发明，它只是人类过去 60 年积累的工程纪律，在 LLM 时代的一次强制回归。
从 Dijkstra 对 goto 的批判，到 GoF 的设计模式，再到控制理论与 DevOps，Harness 的每一块基石都早已存在。我们之所以觉得它新，只是因为过去两年，太多开发者试图用裸 LLM 调用跳过工程基础，直到系统在生产环境中失控，才被迫重新捡起这些老规矩。
2024 年，GitHub 上产生了 2560 亿行 代码，其中 41% 由 AI 生成。
这是一个惊人的数字，但更惊人的是未来 3 年的预测：随着 AI 编程工具渗透率从 50% 飙升至 90% 以上，全球代码总量预计将增长 4 到 10 倍。
面对这种指数级的生产力爆发，许多人的第一反应是恐慌：“程序员是不是要失业了？”
然而，经济学规律和历史经验告诉我们一个截然相反的结论：未来 3 年，从事软件行业的人数不仅不会减少，反而会迎来史无前例的增长。 软件行业正在经历一场从 “手工业” 到 “工业化” 的范式转移，而这场转移将吸纳海量的 “新从业者”。
[Read More]上周和一位做 Notion 类产品的创业朋友 Hugo 深聊。他们团队 5 个人，技术栈很现代：Rust 后端 + CRDT 协作引擎 + React 前端。全员配了 Cursor/Copilot，编码效率确实起飞了。
但他抛出一个让我后背发凉的数据：
“写代码快了 10 倍，但端到端交付只快了 2 倍。剩下的时间差，全耗在给 AI 擦屁股上。”
他给我看了一个真实案例。新人小李接到任务：“新增一个代码块类型，支持语法高亮和行号。”
没有 Harness 的灾难：
问题本质：AI 把编码压缩了，但把 隐性知识的缺失放大了。
过去靠"问老王"填补的架构决策、历史坑位、协作潜规则，AI 一概不知道。阿里技术许晓斌称之为 人肉中间件现象：员工沦为 AI 与业务系统间的手工搬运工。腾讯技术工程则指出：Harness 不是目的，知识才是护城河。
这篇文章，就以这个 5 人 Notion 团队为案例，完整拆解他们如何用 三层架构（组织 × 资产 × 工程） 构建 Harness 系统，把"给 AI 擦屁股"变成"AI 自主交付"，实现知识复利。
[Read More]上周和一个做企业数字化的朋友吃饭。他公司去年花了两百多万，引入了一套"AI Agent 平台"。
销售演示的时候很惊艳：对着对话框说一句话，系统就能生成报表、审批流程、甚至写 SQL 查数据。
上线三个月后，他告诉我：
“员工用了两周就放弃了。现在那个系统成了公司最贵的摆设。”
我问他：系统出 Bug 了？
他说：不是。是系统不会变聪明。
第一个月，Agent 回答问题的准确率大概 70%。第二个月还是 70%。第三个月，员工发现问同样的问题，得到的答案一模一样——系统完全没有从实际使用中学到任何东西。
“它就是个会说话的自动化脚本。”
这句话戳中了一个很多人不愿承认的事实：
今天市面上 90% 的"企业 Agent"，本质上只是给 LLM 套了个聊天框。
[Read More]去年双十一之后，我和两个不同团队的负责人聊了聊。
团队 A 花了六个月打磨一套微服务架构：精致的 API 网关、完善的链路追踪、99.99% 的 SLA 承诺。上线那天，一切完美。
团队 B 用了两个月搭了个「粗糙」的系统：简单的单体应用、基础的日志收集、甚至有些地方用了硬编码。但他们在系统里埋了一个东西 —— 一套基于运行数据自动调优的反馈循环。
六个月后再看，团队 A 的系统依然「完美」，只是业务变了三次方向，每次都要拉齐五个服务重新发版，工程师疲于奔命。团队 B 的系统已经迭代了四十多个版本，配置参数自动优化了三轮，连架构都根据流量模式自动拆分了两个热点模块。
这不是关于谁的技术栈更好的故事。
这是关于 你在构建的是资产还是负债 的故事。
[Read More]上周和一位做 HR SaaS 的创始人吃饭。他抛出一个困扰了很久的问题：
“我们的 AI 简历解析准确率比竞品高 8%，但客户续约率还是在掉。竞品三个月就追平了准确率，价格还低 20%。技术优势在中国到底能维持多久？”
我给的回答很直接：6 到 12 个月。 然后就没有了。
这不是悲观，而是现实。中国企服市场的迭代速度让任何纯技术壁垒都迅速商品化。如果你的护城河是"我们的模型更准"“我们的算法更快”，那这条河很快就会干涸。
这篇文章，我想系统回答一个问题：在中国做 SaaS，到底什么才是真正的护城河？
[Read More]