最近半个月，我写了不少文章，也密集分享了很多自己的实践。这些内容涉及许多 AI 工具，看似领域跨度很大，但底层其实都通过 Agent 协作与 Skill 工程做到了高效协同。
现在的我，除了视觉与交互原型的推敲暂时离不开 Figma（许多流程也已被 AI 深度精简与自动化）之外，调研、写作、编程等几乎所有环节，都可以交给 AI 辅助完成。高强度折腾了半年 AI，我想是时候做一次沉淀：脱离那个无所不能的输入框，真正向内审视，我到底学到了什么，又有怎样的认知迭代。
Agent 在今年，真的变得很强大
回看去年下半年，Agent 刚刚在全球范围内走红。彼时的形态大多停留在 Dify 或基于 LangChain 这类框架的搭建——本质上仍是“提示词 + 工具调用 + 模型 API”。复杂任务依赖人工编排的 Workflow，缺乏真正的自主规划能力。
那时候我有在使用一个字节跳动出品的 coding Agent——Trae，因为我很喜欢字节，所以我在 Code Buddy、Qoder 中选择了它。那时的 Agent 普遍笨拙：没有约束性的规范文档，更没有成熟的 Skill 生态，规划全靠模型内置的 Todo 机制。写出来的代码大多只能叫“勉强跑通”，上生产是完全不可能的。
但今年，随着 Skill 机制的成熟、约束性 Markdown 规则的应用，以及 Harness 在实践中的推广，配合底层模型推理能力的跃升，Agent 真正具备了交付生产级成果的能力，不仅比人更快（应该说是快得多），在很多局部甚至比人更严密。
以我自己的写作为例。以前想要写作一篇好的文章，我需要花很多时间去构思脉络——把文章的前因后果、思路梳理清晰，对于比较长的文章，可能需要先用纸笔或者思维导图工具，比如 XMind，把思路和行文结构都梳理清晰，然后再去做；我可能需要查些资料，才能把想法和观点佐证清晰，把读者带入我称为“论证的陷阱”的心流状态里来。
现在我基本上不会从 0 开始，更多是作为架构师定义文章的骨架、核心论点与推导逻辑，列出 1、2、3、4 点，剩下的调研、论据补齐与逻辑查漏交给 Agent 执行。虽然目前的 AI 写作偶尔仍有“不是……而是……”这类句式偏好和刻意的“人味”，但已经足够清晰严整地传递核心思想，对于不少文章来说也足够了，更何况最近 Gemini 3.7 Flash 的文笔依然是十分在线的，而且速度快得恐怖，几乎大多数写作我都可以放心的交给它。
编程场景的进化更为直观。从年初开始高频使用 Codex 等新一代客户端工具，我完整见证了模型与 Harness 工程的交替演进，体验早已不可同日而语。在年初的时候，我和我的开发朋友介绍 Codex，我说它的能力很好，写的代码也不错，我很满意，和 Trae 有着天壤之别，他对此嗤之以鼻，并且说“AI 写的代码根本不可用”——现在我写文章的时候，他应该拿着他 20x 的 Codex 直接 vibe coding 代码，自己刷着抖音……
从写代码到市场分析，几乎所有数字化与知识工作流中，AI 都已经从“能跑通的小弟”质变为“能交差的协作者”。
探索边界，但似乎瓶颈是人
AI 依然会产生幻觉，会在写测试用例时为了通过而投机取巧。如果使用者本身缺乏判断力，就会被它轻易蒙蔽和欺骗。
大家常说“AI 是能力的放大器，不是许愿池”。它能放大你的专业积累与思维广度，却无法替你构想你从未触及的盲区。换句话说，每个人手里的 AI 都是一样的，区别就是人——人是 Agent 能力的边界瓶颈，以前我们常用“眼高手低”来形容执行力不足，但在 AI 时代，“眼低”才是最致命的瓶颈。
AI 学习了一个人可能两辈子都学不完的知识，所以单从这一点来说 Agent 有能力边界是有点站不住脚的，真正让 Agent 有边界的是，始终是人。
一个知道优秀设计、优雅架构或深刻文章是什么样的人，即便代码写得慢，也能引导 AI 逼近极佳的成果；相反，如果你对系统架构一无所知，连 Git 与版本管理的概念都没有，就根本无法下达有效的架构指令。这并非语言组织能力的问题——大模型对模糊提示词的容错率已经极高——而是你对事物本质理解的深度，决定了你能给 Agent 开放多大的施展空间。
Harness自己的工作环境是最重要的
常有人问我：“为什么你的 Agent 能干这么多事，我的却经常连基本指令都执行不好？”答案往往不在模型本身，而在 Harness。简单来说就是 Harness 就是 AI 运行的环境，你需要把这套环境给它配置好，让它能够好的执行任务。
说到这里还是十分的晦涩，不妨拿实际的工作做类比。把 Agent 类比为新入职的员工：只给他派活是行不通的，他需要配好权限的电脑、网络环境、清晰的代码规范、业务文档以及协作机制——人需要这些，Agent 也需要，Harness 就是给 AI 提供了这样进行工作的环境。
对 Agent 而言，Harness 意味着：AI 友好的结构化知识库（如 Markdown）、即插即用的 Skill、按需调用的 MCP 插件，以及明确的任务边界。结合我的踩坑经历，我自己的经验是可以拆解为以下几点。
沉淀确定性知识与最佳实践
做过的事情，踩过的坑，走通的路径最好是写成文档，这个文档不一定需要你亲笔写，你可以让 AI 帮你，但是沉淀是必须要的，你可以利用飞书、钉钉这种工具，配置了 CLI 就可以让 AI 读取，也可以直接使用 GitHub 等产品，用对 AI 来说更友好的 Markdown 格式，总之，让 AI 可以读取到这些明确的知识很重要，这需要你自己去积累，因为每个人的需求和会遇到的问题都不一样，专属的上下文库就是你的核心资产。
将高频重复任务封装为 Skill
让重复操作自动化，Skill 会教会 AI 如何做这件事情，并且在你需要的时候主动或被动（随你心意）的触发。但请注意，Skill 具有极高的个人时效性和 AI 能力时效性，有可能你所依赖的能力后续不支持了，那你就要去更新你的 Skill，这也是为什么我要做软连接的方式来管理的原因之一，总之，把重复任务做成 Skill 并及时维护。
善用 Plugin 弥补单点能力的不足
对于跨系统调用、依赖特定环境或需要多个能力协同的任务，通过封装 MCP Plugin 提供稳定的外部能力拓展。有些机械化重复的任务，单纯依赖 Skill 不够，例如他需要 MCP 的支持，需要多个 Skill 协作，那么你可以把他们封装成 Plugin，他们更适合这种需要对方支持的任务类型。
多 Agent 分工，放弃“单次端到端交付”的执念
永远不要指望一个 Agent 就能把事情一次就完美做好，特别是复杂的任务。面对复杂系统，单一 Agent 极易陷入上下文退化和死循环。
Agent 和人是一样的，如果你把任务拆解开交给不同的下属，他们分工完成，他们每个人都会做的很专注，因此每一个模块都会做的精致且完善，如果你自己做，你当然也可以完成，但可能就会变得比较简单且浅层，没那么深入。Agent 也是如此，把任务拆解给不同的专用 Agent，让他们在各自狭窄且明确的上下文中深耕，最后汇聚整合，工程任务多用 Worktree 尝试，就像我之前让 Agent 在飞书和 Orca 里面协作一样，感兴趣的可以看看。
构建外部记忆层
不同 Agent 体系间的上下文往往互相割裂，引入统一的外部记忆或结构化知识库，充当跨工具协同的公共上下文中心。
各家的 Agent 都有独立的记忆系统，但是他们互相隔离，不共享，你可以使用一些第三方工具帮你实现“赛博共享大脑”，比如 EverMind，我之前也写过文章来介绍（点击跳转）。
总结
总而言之，Harness 很重要。没有完善 Harness 支撑的 Agent，只是一个概率输出的聊天窗口；配齐了基础设施的 Agent，才是真正可靠的数字员工。
AI 是工具，切勿把“思考”让渡给 AI
很多人用不好 AI，本质上是因为陷入了“技术盲从”——既缺乏对生成结果的审校能力，又把核心的业务决策拱手让给模型。
AI 只是帮你执行，却绝对无法帮你决策，因为决策的后果是由人来承担，而不是在电脑的里的 Codex 或者 Claude Code。我最近发现很多人是完全反过来的，他让 AI 去给他思考问题，最后把执行交给人，这是一种本末倒置。
最常见的一种伪创新，是试图构建一套“全自动流转体系”：输入粗糙的市场需求，全自动生成代码上线，仅留人类在最后阶段形式化地审批。这本质上是一种本末倒置——把人退化为背锅的执行层，却把未经逻辑校验的 AI 推上决策层——这并非真正的 AI 原生，而是为了迎合 AI 这一概念造出来的畸形的怪物，荒唐的像是 Maurizio Cattelan 的《喜剧演员》一样。
就像宝玉和我最近接触的一个很优秀的主管认为的一样，一个高效的 AI 原生组织，需要的绝非被动审核代码的工具人，而是一群具备强悍业务理解、高度自驱、敢于在 AI 边界不断试错并收敛经验的探路者。换个角度看：如果一项工作脱离了你的业务判断，AI 也能完美闭环交付，那这项工作本身的护城河就极其微弱，随时面临边际成本归零的风险。
AI 并没有新增需求，重塑的是服务边界
回顾早期的互联网崛起，技术往往直接催生出全新的用户需求与商业模式，但当前的 AI 演进，更多是在改造交付效率。
你可以看到营销号在短短十几秒的视频里告诉你“帮某企业落地一套 AI 系统快速盈利”的叙事，但是这种事情有着许多的经不起推敲的逻辑漏洞——这是一个什么规模的企业？有多少并发？真的落地又是否真的可使用还是只是给老板吹牛的？而且就算没有 AI，早就有这一类工程团队了。企业对降本、提效与自动化开发的需求由来已久，过去有成熟的软件外包团队承接，AI 并没有凭空造出一个新需求，它只是降低了供给侧的交付门槛。
再说现在大力推广的个人超级个体（OPC）模式，现在跑通的所谓 OPC 大多其实是多人公司，只是人数不多，又或者是本就机械重复的岗位。
我见过一个帮人办签证的中介自己出去创业联系客户帮他们办签证，利用当时爆火的 OpenClaw 来完成全流程，说实话我家里 60 岁的姑姑自己都能办明白（她老人家也就是真的做到了），这件事情本就没有任何难度，都是标准流程，并在里面有着可以穷举的常见阻断，用传统的 Workflow 可能都能完成，赚钱的本质并没有偏移，依然是市场和客户需求是优先的，只是过去受限于人力上限，现在 AI 抹平了工具门槛，让单人能够承载以往数人甚至数十人的服务吞吐量，让这套业务跑通了，仅此而已。
所以不要信仰学了 AI 就能赚钱，真正的需求不在 X 或社交媒体的信息茧房里，而在泥土里——坐在电脑前刷着小红书和 X 找不到真需求，多出去看看，接触不同的阶层、行业的人，才能找到真的需求——他们或许看着很 Low，甚至土的掉渣，但在那些看似传统、流程繁复、甚至尚未数字化的实体与传统行业中，去理解他们的痛点并用技术交付价值，远比对着技术参数自嗨更有意义。
AI 带来了效率，也带来了焦虑
随着 AI 在专业垂直任务上逼近甚至超越初中级人员水平，“被替代”的焦虑不可避免地弥漫开来。这已经不是单纯的营销号带来的危机感了，而是一种确切的、有迹可循的焦虑，如果在 2023 年的时候是无稽之谈，在 2026 年就一切变得有迹可循了。因为就像我上文说的那样，AI 和 Agent 在今年真的可以工作了，甚至比很多专职做这个的人做得还要好。
但现实世界不是超级英雄电影，没有全知全能的贾维斯，我们也不是 Tony Stark。而且就算我们有了贾维斯，我们也没有 Tony Stark 的超级智商和多线程并行思考的强大能力，更没有他那超人般的精力。而且，强如贾维斯都需要钢铁侠去指挥，现在这些没有钢铁侠强大的 AI 更是如此。剥离了人类的意图、品味与真实场景校验，AI 只是服务器里的一堆权重矩阵。只有连接到具有主动意识的人手中，它才会成为指数级的杠杆。
我个人的观点是不需要焦虑和内耗，拿我是一个 B 端设计师举例，一家企业可能会因为 AI 的存在不再继续招聘新的设计师（至少不会新增），但是绝不可能开掉全部的设计师，因为一家真正有着较大用户规模产品的 B 端企业绝不可能放弃对业务逻辑、用户价值与全局体验的深层把握。
与其陷入宏大叙事带来的内耗，不如挑选一个真实的痛点动起手来，玩玩 AI，找找乐趣，如果玩累了，就去旅游、看书、看电影、谈恋爱，出门走走，发现世界依然很美好。
持续学习，保持好奇心
又到了回归俗套且有爹味儿的地方了，我也在尽力避免落入俗套，显得说教、教条，可是发现无论怎么去表达都会绕到这里，就仿佛无论怎么走都是走到同一个目的地的“殊途同归”的感觉一样。
我自己在分享 AI 的过程中，常有人问我：“如何从零开始系统学习 Agent”，我的回答始终很直白：“掏 700 块钱去买一个 Codex 5x Pro 订阅，然后遇到问题就丢给它干，高强度使用 1 个月，你看你会不会。”——我自己的体会就是如此。
而且很多人总是抱着一种只要我去 B 站或者其他什么媒体平台找一个课程看看，做做笔记就算是我学会了。或许对于一些纯理论的知识，比如什么是 AI，什么是 Agent 这些是如此的，但是我觉得如果想用好 AI，这都是新时代的赵括——纸上谈兵。在这个工具日新月异的节点，仅靠看视频课程、整理笔记是学不会的。现在的 AI 生态像极了个人电脑诞生初期的车库时代：缺乏开箱即用的银弹，大多是工程师与极客在软硬件碎片中摸索出来的经验。一个在你机器上运行完美的 Skill，换个环境可能就因依赖缺失报错不断。
因此在这个时代，你需要持续学习补充知识，但或许和你理解的又有点不一样，因为这是一个连销售人员都知道写代码更快的帮他完成客户对接的时代，执行力在这个时代成了刚需。因为 AI 让从前不敢的“先试试”变得很便宜（我不会用廉价来形容），所以当你好奇我觉得 AI 做的不好而索性不愿意用 AI 的时候，请先用 AI 试一试再说，先做了再说好不好。
那么要怎么做呢？破局的关键在于由明确目标驱动的闭环：
你首先需要有一些驱动你做事情的动机，比如你想做一个自己的个人网站，哪怕是来装逼的（是的我一开始就是这么想的），又或者是你想给你家的小猫做一个成长 App 等等。它们可以大也可以小，大到做一个系统或者让你拿高薪甚至财富自由，小到只是一个自己用的小工具，或者就是帮你写写文章，但核心就是这是一个可以促使你动起来的由头，一个理由；
然后你就开始执行，强大的执行力会驱使你更加专注，更加自驱的做下去，在这个过程中你难免会遇到挫折和失败——可能是 AI 写错了代码，可能是做出来的效果不是你想要的等等，但都不重要，如果是你的知识不够，你可以去学，打开 ChatGPT 或者豆包，尽管去问，不懂就接着问，直到你问不出来为止，现在快速学习是很快的，你可以大胆的让 AI 帮助你学习，听不懂就接着问，让它举例子帮你理解等等，AI 在科普上的能力远超任何一个人类专家——它是那么全能和博才——这就是老话说的“干中学”。
总而言之，AI 时代那些本就愿意保持好奇心，有着自驱学习和探索执行力的人就会变得更好，他们是这个时代的精英，或许在上一个时代他们也很普通，但是在这个时代会迎来他们的舞台。
使用 AI 是快乐的
大学时，一位我很敬重的老师曾说：“做设计是一件快乐的事。”这半年高强度的实践下来，我也想说：探索 AI 同样是一件极其快乐的事。
它让我们第一次能够以极低的边际成本，将脑海中那些曾受制于精力、代码能力或繁杂琐事的构想，具象化地呈现在屏幕上，那种重新找回创造自主权的心流，以及在技术浪潮中与优秀同路人同频共振的充实感，才是支撑我们持续钻研最深层的动力。AI 并不只是效率，毕竟人生很长，AI 提效只是人生中很小的一部分，AI 带来的那份快乐或许才是真正让每一位钻研并热爱 AI 的人们一直所痴迷的原因。
105 次点赞
今天可以点赞一次