上周面试一个候选人。简历很漂亮——三年 LLM 应用开发，做过 RAG、做过 Function Calling、做过多轮对话系统。
我问他：「你平时自己写代码用什么工具？」
他说：「IntelliJ，偶尔用 Copilot 补全。」
我又问：「你上周的工作流是什么样的？从接到需求到交付。」
他想了想：「看需求文档，设计方案，写代码，联调，测试，上线。」
我说：「这个流程里，AI 在哪个环节？」
他愣了一下：「……写代码的时候用 Copilot。」
技术没问题。但他自己的工作流和五年前一模一样。
那一刻我就知道，他做不出好的 Agent 系统。 一个自己都不是 AI 驱动工作方式的人，设计不出 AI 驱动的产品。
上个月和一个做 SaaS 的朋友吃饭。他的产品刚上线四个月，已经迭代了 9 个版本。
我说：「你以前在互联网公司，一个季度能发几个版本？」
他想了想：「两个。还得是顺利的情况下。」
「现在呢？」
「一个月两个。有时候三个。」
我问他为什么快了这么多。他的回答让我愣了一下：
「不只是写代码快了。是 所有事 都快了。调研快了，做素材快了，看数据快了，连决定砍哪个功能都快了。」
这句话比「AI 让编程效率提升 10 倍」重要得多。因为它指向一个被严重低估的变化： AI 压缩的不是产品迭代的某一个环节，而是全链路。
上周，一个 FDE 给我发了条消息：「我让 Agent 帮我做一份竞品分析，它说『好的，我开始处理』，然后就消失了。两个小时后我实在忍不住，去群里问『你还在跑吗』，它回了句『是的，还在处理中』。又过了半小时，终于出来了——结果质量不错，但这两个半小时里我完全不知道它在干嘛、做到哪了、有没有卡住。」
这个场景太常见了。而且它暴露了一个大多数 Agent 平台都没认真对待的问题： 长程任务的人机交互设计。
不是模型能力的问题，不是工具调用的问题——是 **通信协议 **的问题。Agent 和人之间，缺少一套关于「什么时候说话、说什么、怎么说」的共识。
[Read More]
从只有大模型到完备 Harness：7 个组件缺一不可
上周我让 Agent 帮我写了一篇博客。
它从我的 wiki 里读了 5 篇历史文章做去重分析，生成初稿后自己跑了一轮对抗性评审打了 18 分，然后用 Gemini 生了一张配图、resize 到 1360px 以下、压缩成 948KB 的 PNG，再跑了一遍中文排版修复，最后 commit 推到 GitHub，等 CI 构建完成后自己验证了上线 URL。
整个过程我做了三件事：选了一个标题方向，补了两处内容，说了三次「发布」。
这套流水线跑了 4 篇博客（#290 到 #293），每篇都是这个流程。它不是 demo，是真实的生产管线。
但我回头看这套东西的时候，发现一个问题： 我搭出来的不是一个 Agent，是一个 Harness。
[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]上周一个朋友（某 SaaS 公司的产品 lead）发我一段视频：他们公司请来了一位"AI 转型顾问"，PPT 上密密麻麻写着 30 多项行动——成立 AI 委员会、设立 AI OKR、采购 AI 工具矩阵、推行 AI 培训计划、设置 AI Champion……
看到第 24 页时他截图问我：“你觉得我们三个月后会变成 AI 原生团队吗？”
我反问他：“你最近一次把一个想法从冒出来到上线，用了多少天？”
他沉默了一会儿：“上一个功能，从 PRD 评审到线上，47 天。”
我说：“那不管你们买多少工具，请多少顾问，你们都不是 AI 原生团队。”
隔壁一家 5 个人的初创团队，同期上线了 11 个功能，每个从想法到用户手里平均 6 天。两边用的是同一批模型、同一批工具，差距来自完全不同的地方。
[Read More]两周前，一个做 AI 写作 Agent 的朋友约我吃饭，他刚拿了 A 轮，准备砸 200 万投放抖音和小红书。
我顺嘴问了一句：你们 Agent 的复杂任务成功率是多少？
他愣了一下，说：“你这问题问得有点怪，我们看的是 DAU 和留存。”
三个月后我们再见面，他融的钱烧了一半，DAU 涨了三倍，月留存从 18% 掉到了 9%。他叹了口气：“用户来了，但 Agent 还是那个 Agent。”
那一刻我意识到一件事：很多 AI 创业团队还在用 SaaS 时代的增长教科书，跑一个根本不是 SaaS 的生意。
[Read More]上周和一个刚从大厂出来创业的朋友聊天。他去年还在犹豫要不要做 AI 应用，今年终于下定决心，却发现赛道已经变了：
“半年前我觉得自己能做一个 AI 写作工具，现在发现 Notion、飞书、钉钉全内置了。半年前我觉得 AI 客服是个机会，现在发现大厂已经把价格打到了几分钱一次调用。我出来晚了？”
他没说错。
2023 年 ChatGPT 爆发时，所有人都觉得 AI 遍地是黄金。但到了 2026 年的今天，一个越来越清晰的趋势是：AI 的机会不是越来越多，而是越来越少。
更准确地说：留给普通人和中小团队的机会窗口，正在快速关闭。2026 到 2027 年，是最后的关键期。
[Read More]上周三，一家头部互联网公司的CTO在季度复盘会上盯着一组数据沉默了整整两分钟。
Q1 的 AI 投入报表显示：工程团队 token 消耗同比增长 400%，人均 AI 工具支出逼近 20 万美元/年——已经和一个高级工程师的人力成本持平。但业务端呢？营收增长 35%，客户满意度提升了 8 个百分点。
“我们买了蒸汽机，但跑出来的速度还不如马车。“他最终说了这么一句。
会议室里没人接话。因为所有人都知道，问题不在 AI 技术本身——他们的工程师确实写出了更多代码，做了更多功能。问题在于：组织的工作方式没有变。AI 被塞进了旧的流程、旧的考核、旧的管理思维里，变成了"更贵的自动化”。
这不是个例。2026 年硅谷一线的最新观察揭示了一个残酷现实：AI 技术迭代已经进入"周级范式转换”，但绝大多数企业的组织形态还停留在"年度规划+季度复盘"的工业时代节奏里。技术跑得太快，组织跟不上，中间的鸿沟正在吞噬 AI 本该带来的价值。
[Read More]