别着急，坐和放宽
摘要： 一份将控制论（PID 控制、监督树、OODA Loop）迁移到 AI Agent 编排领域的可运行架构蓝图，涵盖四层反馈回路、传感器体系、跨层通信、结构重组及三维可扩展性方案。
cover Harness Engineering 可运行架构 核心定位 在保证 agent 自发性和涌现能力的同时，不偏离外部目标、不崩溃。 三个基本约束： 目标一定是外部注入的——需求来自人/商业，agent 花的是你的钱 控制论的迁移方式：不是完全他控（操纵），也不是完全自治——而是约束环境下的有限自主 架构必须在三个维度上可扩展：交互（环境设计）、空间（几百个 agent 并行）、时间（单 agent 连续运行十几小时） 一、反...
摘要： The model can think and act. But who decides how far it can go? Harness is the closed-loop control system. Agentic Engineering is the philosophy of where to draw trust boundaries.
cover An Unplanned Loss of Control The first two pieces covered how AI "sees" (Prompt and Context Engineering) and how it "acts" (MCP and Skills). By that point the puzzle looked nearly complete: feed the model information, it reasons, it exec...
摘要： MCP connects AI to the outside world. Skills make sure it does things right. One solves "can it act," the other solves "will it act correctly."
cover A Very Specific Frustration In the previous piece, I covered Prompt and Context Engineering, which boils down to one question: how do you get the right information in front of AI? But seeing information and acting on it are completely di...
摘要： A prompt is what you say to AI. Context is the room AI walks into. Understanding the difference is the starting point for everything else.
cover The question everyone keeps asking wrong Over the past six months, I've been asked some version of the same question dozens of times: "How do I write a better prompt?" Product managers, founders, friends who run newsletters, even my moth...
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...