别着急，坐和放宽
摘要： 模型会思考了，也有手脚了，但谁来决定它能走多远？Harness 是闭环控制系统，Agentic Engineering 是关于信任边界的设计哲学。
cover 一次意外的失控 前两篇分别讲了 AI 怎么"看"（Prompt 与 Context Engineering）和怎么"动"（MCP 与 Skill）。写到这里，拼图看起来已经差不多完整了：你把信息喂给模型，模型想好了，通过工具去执行。但我最近碰到的一件事，让我意识到中间缺了一块很关键的东西。 我用 Claude Code 帮一个项目做重构。任务不复杂：把一批旧的 API 接口迁移到新的路由结构。我给了它清楚的 Context，配好了相关的 Skill，MCP 也接上了代...
摘要： MCP 让 AI 连上外部世界，Skill 让 AI 把事做对。一个解决"能不能做"，一个解决"怎么做对"。
cover 一个很具体的挫败 上一篇讲了 Prompt 和 Context Engineering，核心是一个问题：怎么让 AI 看到正确的信息。但看到归看到，能做事是另一回事。 我最近的一个体验很说明问题。我让 AI 帮我查下周的日程安排，看看有没有冲突，然后把结果发给同事。这三件事任何一件单独拿出来都不复杂，但 AI 做不了。它不能访问我的 Google Calendar，不能查实时数据，也没办法发邮件。它就像一个被锁在隔音玻璃房里的顾问：听力极好，分析能力极强，但既没有手，...
摘要： Prompt 是你对 AI 说的话，Context 是 AI 走进的房间。理解这两个概念的区别，是理解整个 AI 工程实践的起点。
cover 起因：一个被反复问到的问题 过去半年，我在各种场合被问过同一类问题："Prompt 到底怎么写才好？" 提问的人包括产品经理、创业者、写公众号的朋友，甚至我妈。每次我都试图认真回答，但总觉得哪里不对。后来想明白了：这个问题本身就问窄了。好比有人问"怎么跟服务员说话才能吃好"，你可以教他话术，但真正决定这顿饭质量的，是他走进了哪家餐厅。 这是一个系列的第一篇。我想把过去一年在 AI 工程实践中反复碰到的几个新概念拆开讲清楚。不是词典式的定义罗列，而是顺着实际使用的场景，...
摘要： 当 AI 把软件生产成本压到趋近于零，行业没有萎缩反而在膨胀。从杰文斯悖论出发，探讨软件形态从 SaaS 到需求即服务的四阶段演进，以及 ARR 模型面临的根本性挑战。
上个月我帮一个做外贸的朋友搭了一个客户管理系统。从需求沟通到上线，总共花了四个小时。他之前问过几家外包公司，报价在 8 万到 15 万之间，周期两到三个月。 四个小时。我甚至没觉得自己在"开发"。更像是跟 Agent 聊了一下午，中间审了几次它生成的东西，改了两个业务逻辑上的判断，就完事了。 这件事让我开始认真想一个问题：当软件的生产成本被压到这个程度，整个行业会变成什么样？直觉告诉你应该是"需要的人更少了"。但数据说的是另一回事。 蒸汽机烧了更多的煤 1865 年，英国经济学家杰文斯发现了一件反常识的事：瓦特改良蒸汽机，让每单位功率消耗的煤大幅减少。按理说英国的煤消耗量应该下降...
摘要： 当 Agent 接管了写代码的工作，工程师的价值从执行力迁移到判断力。本文从竞态条件排查、Harness Engineering、Context Engineering 等实战经验出发，探讨工程师能力迁移的四个阶段。
上一篇文章发出去之后，有读者问我：你说工程师的价值在迁移，到底迁到哪去了？ 这个问题我想了很久。过去半年我的日常工作发生了一个很具体的变化：以前每天打开 IDE 写代码，现在每天打开的是一堆 Spec 文件和 Agent 的执行日志。听起来像是从厨师变成了餐厅经理，但实际体感比这复杂得多。 你以为消失的能力，换了个地方活着 去年有一阵我很焦虑。Redis 集群怎么搭、Kafka 消费组怎么调优、数据库索引怎么设计，这些我花了好几年才摸透的东西，Agent 现在做得比我好。那些曾经让我在团队里有话语权的技术细节，突然变得不值钱了。 但做了几个月 Agent 编排之后，我发现事情没那...
我最近一直在想一个问题：Agent 到底在改变什么？ 不是技术层面的。API 调用、框架选型、架构设计，这些 Agent 已经做得比大多数人好了。我说的是更大的东西。当一个技术的出现让智力劳动的成本趋近于零，它改变的就不只是某个行业，而是整个社会运转的底层逻辑。 这个问题太大了，一个人想不清楚。所以我找了几个不同背景的朋友坐下来聊。经济学的、做投资的、写了二十年代码的、研究社会制度的。我们没有预设结论，就是把问题摊开，吵一吵，看看能碰出什么。 这篇文章是那场讨论的整理。不是答案，是一张问题地图。 起点：一个工程师的体感 先说我自己的感受。 我做了九年工程师，从 Cursor...
一份工作月薪 3000，但要月底才发钱；另一份日结 80，当天拿现金。你选哪个？如果你口袋里还有余粮，答案很明显。但如果你今晚就需要钱买饭呢？这个选择背后藏着一个残酷的规律，而它正在 AI 时代重演。 为什么读这本书 最近在读《贫穷的本质》。 并不是因为自身的贫穷，也不是因为多么富有。起因是 AI。 过去一年多，我每天都在用 AI，参与各种工具、试各种 workflow，脑子里很清楚：这是未来的大方向。不是三五年的风口，是像互联网一样至少 20 年的潮流。它会替代大量工作，就像当年珍妮纺纱机替代手工织布工一样。AI 拥有近乎无限的、不停歇的、几乎免费的智能。虽然现在 token...
从打字到说话 最近从基建组转到业务组，开始用 Agentic Engineering 做真实的业务开发。通过纯 Vibe Coding 的方式，我上线了三个项目，其中两个已经落地，包括一个 AI Chat 页面和对应的客户端。 在这个过程里有很多事情颠覆了我原来的认知。但在聊那些"大"的发现之前，先说一个小的——关于怎么跟 AI 说话。 我以前不喜欢语音输入。觉得文字是思想的载体，应该自己组织、自己敲出来。但开始纯 AI 开发之后，我发现一个事实：脑子里的想法本来就是一句话的事，把它变成文字的过程其实是在"降噪"。降噪这件事本身没问题，**问题是降噪消耗的精力远大于它带来的精确度提...
中美 AI 竞赛里，所有人都盯着模型层——谁的参数多，谁的跑分高，谁又发了新论文。但模型正在商品化，Token 价格两年跌了 99%。真正决定这场竞赛走向的，可能是离用户最近的那一层：应用。 这一层的中美差异不是谁强谁弱，而是结构性的不同。美国是几百个独立 AI 工具各自生长的热带雨林，中国是微信和抖音这样的超级 APP 把 AI 悄悄塞进十几亿人的日常。两种生态各有各的力量，也各有各的盲区。更有意思的是，这一层会反哺下面的所有层——抖音的数据喂出了视频生成领域超过 Sora 2 的 Seedance 2.0，这不是巧合。 但在展开这些之前，我想先讲一个十年前的故事。因为它让我意识到，对应...
2026 年 2 月，7 个重大 AI 模型同月发布。所有人都在这一层拼命。但写了三层物理基础设施之后，我开始怀疑：最热闹的这一层，可能不是决定胜负的那一层。 所有人都在这里拼命 2 月 5 日，Anthropic 发布 Claude Opus 4.6。ARC-AGI-2 抽象推理得分 68.8%——比上一代翻了将近一倍。SWE-bench 真实世界编程 80.8%。GDPval-AA 知识工作排行榜登顶，领先 GPT-5.2 整整 144 个 Elo。发布二十分钟后，OpenAI 扔出 GPT-5.3 Codex——Terminal-Bench 2.0 得分 77.3%，反超...