Hugo Zhu's Blog

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。

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”。

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：

1. 小李让 Agent 生成代码（5 分钟，看起来完美）
2. Agent 不知道团队半年前从"嵌套 JSON"迁移到"扁平化 parent_id"的架构决策，生成了嵌套方案
3. 小李没看出来（新人不懂历史），提交 PR
4. CI 失败：循环引用检测拦截（嵌套结构在协作同步时会死锁）
5. 小李让 Agent 修复，Agent 为了绕过检测，直接改了权限校验逻辑（越界）
6. 老王 Review 时发现 3 个深层问题：CRDT 冲突策略不对、离线同步没考虑、权限模型被破坏。打回。
7. 反复 3 轮，耗时 2 天。老王叹气：“还不如我自己写。”

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。

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。

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。

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？

上周六深夜，我通过钉钉听记完整记录了红杉资本 2026 AI Keynote。35 分钟的演讲中，有一个词反复刺痛了我：Diffusion Gap（扩散差距）。

演讲者说：“基础模型能力的增长速度，远超企业采用速度。”

这句话翻译成中国 SaaS 市场的语境就是：你的客户还在用 Excel 管客户、用微信群发通知、用邮件批流程，而 AI Agent 已经能自主完成端到端任务了。这个差距不是 bug，是未来三年最大的商业机会。

周五下午 5 点，App v2.5.0 刚刚发版。你合上测试报告，长舒一口气，准备迎接周末。

这时，钉钉弹出一条待办：「请提交本周工作周报」。

你打开空白文档，脑子里只有模糊的碎片：周一跟 iOS 吵了架构方案，周三凌晨修了个线上 Crash，周四拉着后端对了三天后的发版清单……具体改了哪些 Bug？阻塞了哪些需求？下周风险在哪？你开始疯狂翻聊天记录、邮件、Jira 看板。半小时过去了，周报还是只有干巴巴的三行：

1. 完成 v2.5.0 发版
2. 跟进线上问题修复
3. 规划 v2.6.0 需求

你的 Leader 看到这份周报，只会觉得你这周「好像没干什么」。但只有你自己知道，这周你协调了 4 个端、拦下了 3 个不合理需求、熬了 2 个夜。

这不是你的记忆力问题，而是你的日常记录方式出了问题。

很多人以为 AI 时代来了，只要对大模型说一句「帮我写周报」，它就能自动汇总你的一周。但现实是：AI 不是读心术。如果你在日常工作中留下的都是碎片化、非结构化、缺乏上下文的数据痕迹，AI 能生成的，也只能是那份干巴巴的三行流水账。

高质量周报从来不是周五「写」出来的，而是每天「喂」给系统的。

上个月和一个做电商运营的朋友聊天。她团队有 8 个人，每天忙的事情是：拉数据、做报表、调投放参数、写推送文案、设计活动页面。

我问她：「你觉得自己最重要的工作是什么？」

她想了想说：「理解用户想要什么。」

我说：「那你团队 80% 的时间都没花在这件事上。」

她沉默了。

这不是她一个人的问题。过去十年，运营这个岗位被大量低价值的重复工作绑架了。数据要手动拉，报表要手动做，渠道要手动调，文案要手动写。运营人员变成了流程的执行者，而不是策略的思考者。

但今年，情况正在发生根本性的变化。

大模型能力的跃迁和 Agent 生态的成熟，正在把运营从重复劳动中解放出来。低价值的流程性工作可以实现完全自动化，无需依赖技术人员支持。运营人员利用 AI 工具，可以 10 倍速度提升数据获取和分析的效率，做更精细化的人群和渠道分层，让洞察和策略更精准。

运营的本质，终于有机会回归它本来的样子：影响人群的价值观。

上周和一位创业者吃饭，他刚帮一家大型企业做完知识图谱项目的评估。结论让人倒吸一口凉气：要达到替代中级岗位能力的水平，算上数据采集、清洗、标注、图谱构建和持续维护，预算需要一个亿。

企业听完直接搁置了。

这不是个例。过去三年，我见过不下十个类似的项目——企业想做知识库，供应商画了一个「知识图谱+智能问答」的大饼，然后企业发现投入产出比根本算不过账。

但今年情况变了。模型能力的跃迁正在催生一个新范式：不再靠人工标注堆数据，而是让 LLM 做编排，结合企业搜索，人做优化调整和确认。

知识整理的起点也不再是宏大的「企业知识图谱」，而是每个人手边的 Journal——每日工作日记。通过钉钉这样的组织连接工具，个人知识可以自然地流转、沉淀为企业知识。