思考笔记

李文业的思考笔记


  • 首页

  • 关于

  • 分类

  • 归档

把宏观当作地形图:高善文留给年轻人的判断方法

发表于 2026/07/10 | 分类于 随笔文章

把宏观当作地形图:高善文留给年轻人的判断方法

2026年7月7日,经济学家高善文因病去世,享年55岁。消息传出后,人们重新谈起他对资产重估、刘易斯拐点、钱荒、汇率和经济周期的判断。那些被市场验证过的预测,当然构成了他的专业声誉。但如果只把他理解成一个“猜中过几次大势的人”,反而会错过他真正值得年轻人学习的部分。

高善文最重要的遗产,不是一张可以照抄的答案表,而是一套认识复杂世界的方法:先观察,再提出解释;从解释中推出可以检验的预测;寻找证据,排除其他可能;最后对结论保持必要的谦卑。

这套方法看起来属于宏观研究,其实与普通人的生活很近。我们每天都在做某种“预测”:选择什么专业,进入什么行业,要不要换城市,房子该不该买,积蓄该如何安排,一项新技术究竟是机会还是威胁。区别只是,经济学家把预测写进报告,我们把预测写进自己的人生。

问题在于,人生只有一次,许多错误无法轻易重来。我们因此更容易渴望一句确定的话,希望有人告诉我们风往哪里吹、哪条路一定正确。但高善文的研究恰好提醒我们:宏观经济不是替你下注的天气预报,而是一张地形图。它不能保证你哪天遇到雨,却能告诉你哪里是陡坡,哪里可能塌方,哪里值得慢一点走,哪里必须给自己留下退路。

因此,本文不准备逐次评判他的预测,也不试图把宏观报告改写成几条人生格言。预测属于特定时间和条件,离开当时的数据与语境,结论很容易被误用。更值得带走的,是他怎样把模糊问题变成可检验问题,怎样从数据背后寻找机制,又怎样在得出结论后仍然承认未知。我们要学习的不是替代思考的权威,而是一套迫使自己诚实思考的纪律。

这种纪律不保证成功,却能减少那些原本可以避免、又往往代价最昂贵的错误,也能在判断失误后给自己留下修正余地。

先学会提出能被事实推翻的问题

高善文在《光线是可以弯曲的》中反复讲科学研究的四个步骤:观察现象、提出问题;提出理论或猜想;从理论中推出明确的预测;再系统搜集事实和证据,与预测对照。理论如果与事实不符,就应被放弃或修正。

这四步真正困难的地方,不是搜集更多材料,而是让自己的判断承担“可能被证明是错的”这一风险。

现实中的许多观点并不承担这种风险。比如,“这个行业长期有前途”“优秀的人在哪里都会成功”“现在的年轻人就是不够努力”。这些话听起来像判断,实际上很难检验。无论后来发生什么,说话的人都可以补充一个理由,让原来的观点继续成立。这样的观点提供情绪,却没有提供知识。

一个有用的判断必须比口号更具体。假如你认为人工智能会明显减少某类初级岗位,就应该继续追问:最先减少的是哪些任务?企业会用什么指标体现这种变化?招聘数量、岗位描述、薪资结构还是团队人数,会在多长时间内出现怎样的改变?什么现象出现时,你愿意承认原判断不成立?

当问题被推进到这一步,焦虑才开始变成研究。你不再只是转发“AI将取代谁”的新闻,而是可以观察自己所在行业的真实变化,提前调整技能组合。

同样的方法也适用于职业选择。你认为一家大公司更适合成长,可以事先写下支撑这一判断的机制:它是否有更成熟的训练体系,是否能让新人接触高质量项目,是否存在可学习的同事,内部流动是否真的开放。入职半年后,再拿实际经历回来核对。你认为创业公司机会更多,也要提出相应的可观察指标,而不是把“成长快”当成无法证伪的信念。

很多人把复盘理解成总结心情,真正有效的复盘却更像给过去的判断结账。你当时看见了什么,忽略了什么;哪些推理正确,哪些只是运气;如果结果相反,原因究竟是外部条件改变,还是原来的因果链根本不存在。长期记录这种“判断账本”,比收藏一百条成功学原则更能提升决策能力。

一个人认知上的成熟,不是越来越敢于断言,而是越来越清楚:什么证据会让自己改变主意。

不要把公鸡打鸣当成天亮的原因

在讨论因果关系时,高善文举过一个很生动的例子:“雄鸡一唱天下白”。公鸡打鸣稳定地发生在天亮之前,两者高度相关,前者甚至能够预测后者,但公鸡并不是太阳升起的原因。只有借助额外的天文学知识,或者观察没有公鸡时天是否照常亮,我们才能把相关与因果区分开来。

经济和社会比这个例子复杂得多。一个人的收入、教育、家庭、城市、行业和性格彼此缠绕,很难像物理实验那样一次只改变一个变量。因此,我们从数据和故事中看见的,常常只是一起发生的现象,而不是稳定的因果链。

年轻人尤其容易被“幸存者相关性”影响。看见一些成功者早起,便以为早起导致成功;看见高薪行业普遍加班,便以为延长工时能够换来高薪;看见某个名校毕业生发展顺利,便把全部结果归因于学历。实际情况可能是,强烈的目标感同时带来了早起和成功,高利润行业同时提供了高薪并要求长工时,家庭资源与个人能力同时影响了教育机会和职业发展。

这并不是说早起、努力或教育不重要,而是说不能仅凭两个现象一起出现,就判断其中一个必然制造了另一个。错误的因果判断会带来错误的模仿:只学到成功者最显眼的动作,却没有理解真正起作用的机制。

面对一个流行结论,可以先问三个问题。第一,连接原因和结果的机制是什么?第二,还有哪些变量能同时解释这两个现象?第三,如果这个原因被拿掉,结果是否仍会出现?这三个问题不会自动给出答案,却能过滤掉大量听起来漂亮的废话。

更进一步,还可以主动寻找“对照组”。如果你认为某项证书能显著提高就业机会,不要只看拿到证书后找到工作的人,也要比较背景相近但没有考证的人;如果你认为换城市改善了职业发展,要区分城市本身的作用和敢于迁移的人本来就具有的主动性;如果你认为某种投资方法有效,不能只看上涨年份,还要观察它在不同利率、流动性和经济阶段中的表现。

相关性给我们线索,因果关系才有资格指导行动。把两者分清,不会让生活变得绝对确定,却能减少我们被故事、热点和个人崇拜牵着走的概率。

最危险的误判,是把周期当命运,把结构当波动

高善文长期研究经济周期、产能周期和资产价格。他的许多分析都在处理同一个难题:眼前的变化究竟是暂时起伏,还是底层条件已经改变?

这个区别对年轻人的影响,比对一张季度经济图表更直接。

周期性变化像四季。需求会冷却,企业会减少招聘,资本会变得谨慎,资产价格会下跌;一段时间后,库存、价格、政策和预期发生调整,经济活动可能重新恢复。结构性变化则像河流改道。人口年龄、技术路线、制度环境、全球分工和消费习惯一旦发生持续改变,原来的繁荣未必会按旧路径回来。

把周期误认为结构,会让人过早绝望。某个行业在衰退期冻结招聘,并不必然意味着它永久失去价值;一次求职困难,也不能直接证明个人能力没有市场。经济低谷会同时压低大量人的机会,这时最重要的往往是延长现金跑道、保持学习与连接,等待需求修复,而不是把暂时的市场结果内化成永久的自我评价。

把结构误认为周期,则会让人徒劳等待。某类工作如果正在被软件持续替代,某个地区如果人口和产业长期流出,某种商业模式如果依赖已经消失的监管或流量红利,仅靠“熬过寒冬”可能等不到原样的春天。此时更需要迁移技能、转换行业或重新安排资产,而不是用耐心掩盖拒绝改变。

年轻人最怕的不是身处下行周期,而是把周期误认成命运,把结构变化误认成一时倒霉。

判断两者,可以观察变化的来源和持续性。需求是否只是被利率、库存或短期信心压制?供给端的技术、人口和成本是否发生了不可逆的改变?同行业中是否所有公司都同步收缩,还是某一类公司持续被另一类公司取代?政策刺激能够恢复旧需求,还是只能短暂推迟调整?

答案往往不会十分干净。现实常常是周期与结构叠加:一个行业既遭遇经济下行,也经历技术替代;一个城市既受房地产周期影响,也面对人口变化。我们不必强迫自己找到唯一标签,但必须知道,不同问题需要不同动作。对周期,核心是生存和等待;对结构,核心是迁移和重建。

刘易斯拐点:真正重要的是议价能力如何改变

2010年前后,高善文提出中国已经越过刘易斯拐点,也就是低端劳动力从相对过剩转向趋紧的转折点。当时不少人认为农村仍有大量剩余劳动力,这一判断曾引发很大争议。

值得注意的不是他比别人更早喊出“劳动力短缺”,而是他如何寻找证据。根据后来对其研究方法的梳理,他比较了不同农产品的价格变化,因为不同作物对劳动力的依赖程度不同,而这种差异相对稳定。如果劳动力真的趋紧,劳动密集程度更高的产品,成本和价格就应出现更明显的变化。这样,一个宏大的判断被转化成了可以观察、比较和检验的预测。

刘易斯拐点背后的长期含义是,便宜而充足的劳动力不会永远存在。当人口和劳动力供给改变,工资、物价、产业布局、自动化投资和企业利润都会被重新塑造。企业不能无限依靠低成本扩张,必须提高效率、更新技术或转移生产;劳动者的议价能力也会随稀缺程度而变化。

把这个结论直接翻译成“劳动力少了,所以每个人都会涨薪”当然过于简单。劳动力市场并不是一个池子。低技能劳动力、工程师、护理人员、销售人员和创作者面对的是不同的供求关系。技术一边替代部分任务,一边创造新的瓶颈;人口减少也可能同时带来总需求下降。因此,宏观上的稀缺不会平均分配给每个人,它会以不同速度落在不同技能上。

对年轻人真正有用的启示,是把职业发展理解为议价能力的积累,而不仅是工龄的增加。

议价能力来自几种东西的组合:你的能力是否解决了真实而昂贵的问题,是否难以在短时间内被复制,是否能与新技术互补而不是只与它竞争,成果是否能够被外部市场识别,以及你是否拥有离开当前组织仍然有效的能力和关系。单纯“更辛苦”并不必然提高议价能力;如果劳动内容高度同质、结果不可见、离开平台就无法复用,再长的工时也可能只增加疲惫。

这也解释了为什么年轻时最值得投资的,不只是某项眼下热门的工具,而是可迁移的能力:清晰表达、定量思考、理解业务、与人协作、快速学习,以及在一个真实领域中积累足够深的判断。工具会变,职位名称会变,但能够发现问题、验证假设并交付结果的人,往往能在变化中重新找到位置。

所谓职业安全感,不是确信公司永远需要你,而是知道环境改变后,自己仍有能力重新进入交换。

资产重估:上涨最容易破坏风险感

高善文最广为人知的理论之一,是2006年前后提出的“资产重估”。他试图从宏观失衡、汇率、货币信贷和微观主体的资产配置行为出发,解释股票、房地产等资产价格为何可能出现系统性上升。

但如果只把资产重估理解成一句“看多资产”的口号,就读反了这套理论。2007年,在市场仍然快速上涨时,高善文已经明确写到,资产重估在很大程度上也是资产价格泡沫化的过程;更深的危险,是持续上涨会损害家庭、企业和金融机构原有的风险控制体系,使泡沫破裂后的冲击被放大。

这是一条很反人性的观察。价格上涨时,账户里的盈利会被我们解释成能力,借来的钱会被解释成效率,集中持仓会被解释成信念。一个策略连续奏效,风险边界便容易一点点后退。等到环境反转,人们才发现自己承担的并不只是价格波动,还包括债务、现金流中断和无法等待市场修复的时间压力。

繁荣真正危险的地方,常常不是让人赚到钱,而是让人误以为风险已经消失。

对资产价格的理解,也不能只盯着眼前的利润或收入。利率下降、信用扩张、风险偏好变化和大量资金重新配置,都可能抬高资产估值;反过来,即使一项资产仍能产生现金流,只要折现率、融资条件或预期改变,价格也可能大幅调整。价格是许多力量共同作用的结果,不是对“价值”的一次永久盖章。

这对刚开始积累财富的年轻人尤其重要。年轻人的金融资产通常不多,最大资产其实是未来几十年的劳动收入。如果工作、奖金、股票和房产都高度依赖同一个行业或城市,看似拥有多种资产,实际上风险来源非常集中。一旦行业下行,收入和资产价格可能同时受损。

因此,个人财务首先不是追求最高收益,而是保护选择权。应急资金与长期投资分开,避免用短期可能需要的钱承受长期波动;不要依据最乐观的收入预期决定长期债务;不要把一段周期性高收入永久化为刚性支出;也不要因为一次上涨,就把运气误认为可复制的能力。

风险管理不是悲观,而是给未来的自己保留纠错权。没有现金缓冲的人,判断即使最终正确,也可能等不到正确兑现;杠杆过高的人,不需要看错方向,只要时间比预想更久,就可能被迫出局。

宏观判断不是可以直接执行的交易指令

学习一位宏观经济学家,还有一种常见误区:把对经济的解释直接转换成买卖动作。听到人口减少,就立刻看空所有房产;听到货币宽松,就认定所有资产都会上涨;听到产业升级,就在任何价格买入热门公司。这里跳过了几个决定结果的关键环节。

首先,宏观判断通常是条件句。资产重估依赖信用、利率、汇率、资金配置与预期等一组条件,刘易斯拐点对不同行业的影响也要经过成本、技术替代和需求变化才能体现。只记住结论,忘记成立条件,就无法识别环境什么时候已经改变。

其次,经济方向与资产价格不是同一件事。一个行业可能长期增长,但如果当前价格已经包含了极其乐观的预期,投资回报仍可能很差;一项资产可能处在结构性衰退中,却会因为供给收缩、政策变化或估值过低出现阶段性上涨。方向正确,不等于价格合适;长期正确,也不等于你能熬到长期。

最后,同一个判断放在不同人的资产负债表上,意义完全不同。有稳定收入、长期闲钱和低负债的人,能够承受几年波动;收入与行业高度相关、短期有大额支出的人,即使采用同一策略,风险也会大得多。市场不会因为一个判断有逻辑,就按照个人的现金流期限兑现。

所以,宏观研究真正能提供的,是一组需要持续核对的前提和风险线索,而不是“现在就买”或“马上卖”的按钮。任何结论落到个人行动前,都要再问:市场已经预期了多少,自己准备持有多久,判断错误时会损失什么,哪些新证据出现后必须退出。

这也是把宏观当作地形图而不是导航指令的原因。地图会标出山谷和陡坡,却不知道你的体力、行李与目的地。两个人看见同一片地形,完全可以作出不同但都合理的选择。

预测的价值,恰恰来自承认预测有限

高善文曾用一副对联调侃经济分析:解释过去时头头是道,预测未来时却误差惊人。这不是否定研究,而是承认复杂系统的边界。

他在书中提醒,预测只有在未来重复过去时才可能准确,但现实并不总满足这个条件。新的技术、政策、战争、疫情和集体预期,都可能让旧关系失效。历史数据可以帮助我们建立基准,却不能替未来签字。

这种谦卑不是一句礼貌话,而应改变决策的形式。与其说“明年一定怎样”,不如给出基准情景、乐观情景和压力情景,分别写明触发条件;与其只给一个点预测,不如思考合理区间;与其在判断失败后找借口,不如事先约定哪些信号意味着需要调整。

例如,准备换行业时,可以同时设想三种情况:需求如预期增长,你怎样加速进入;需求增长慢于预期,你有哪些相邻岗位可以承接;行业进入收缩,你能否依靠储蓄和通用技能退出。买房、创业和投资也一样。好的决策不是只在一个未来里显得聪明,而是在几个可能的未来里都不至于失去行动能力。

概率思维也能减轻一种常见的心理负担。结果不好,不一定说明当时的决定愚蠢;结果很好,也不一定说明判断高明。评价决策,应回到当时能够获得的信息、各情景的概率、潜在收益和最坏损失。否则,我们会奖励冒险后的幸运,惩罚谨慎后的偶然失利,最后训练出越来越差的决策习惯。

敬畏未来,不是停止行动。它意味着在行动时承认自己可能错,并提前为错误设计出口。

给自己画一张个人地形图

宏观叙事有一种诱惑:它能把所有个人困境解释得很宏大。经济下行、人口变化、技术革命、国际竞争,每个词都足以让人觉得个人努力微不足道。但高善文的方法并不导向宿命论。理解宏观,是为了分清哪些是个人无法改变的约束,哪些是仍然能够调整的选择。

面对一项重要决定,可以画一张简单的个人地形图。

先看结构:人口、技术、制度和产业分工正在把长期需求推向哪里?再看周期:当下处于扩张、过热、收缩还是修复阶段?随后看自己:你在这片地形上有什么真实优势,哪些只是平台、行情或身份暂时借给你的?最后看下行风险:如果判断错了,现金、时间、健康和关系最多会损失多少,是否还有第二条路?

这四层不能互相替代。一个长期向好的行业,也可能在高估值和过度招聘后经历残酷收缩;一个处于低谷的行业,也可能仍有不可逆的结构性衰退;宏观方向正确,不代表每家公司都能活下来;公司发展顺利,也不代表每个岗位都具有积累价值。

选择工作时,不只问“这个赛道热不热”,还要问需求来自短期资本投入还是长期付费意愿,自己获得的是平台光环还是可带走的能力。决定买房时,不只问价格是否已经跌了很多,还要看城市的人口与产业、家庭现金流、持有期限和债务承受力。安排投资时,不只问资产会不会涨,还要问上涨依赖什么条件,条件逆转时自己能否承受。

宏观视野的意义,不是把每一个日常选择都变成经济模型,而是让人少犯几类代价高昂的错误:在繁荣顶点把好行情当成个人天赋,在低谷把暂时困难当成永久命运,在结构改变后继续等待旧世界回来,以及在最不确定的时候不给自己留下任何余地。

地形不会替你决定目的地,也不会替你迈出下一步。它只是让你知道,眼前的路为什么如此,自己的力气应该花在哪里。

最后留下的,是一种求真的纪律

回头看高善文的经典观点,资产重估解释了资金、信用与资产价格之间的连锁反应;刘易斯拐点揭示了人口与劳动力供给如何重塑工资、物价和产业;周期研究提醒我们区分暂时波动与长期变化。但比这些具体结论更长久的,是它们背后的共同方法。

不满足于现象,要追问机制;不沉迷于漂亮解释,要推出可以验证的预测;不把相关当因果,要寻找对照和竞争性解释;不因几次正确而迷信模型,要始终给意外留下位置。

对年轻人来说,这套纪律还有一层温和的意义。它让我们既不把一切失败归咎于自己,也不把一切责任交给时代。看见周期,可以少一点自我否定;看见结构,可以少一点徒劳等待;理解风险,可以少一点孤注一掷;承认未知,则可以少一点被确定口号支配的冲动。

真正有价值的宏观判断,不是替你押中下一场雨,而是告诉你哪条路更陡、哪里容易塌方。真正成熟的个人选择,也不是找到一条永远正确的路,而是在认识地形之后,依然保有前进、转向和重来的能力。

宏观不是用来替你生活的。它只是帮助你避免在错误的地形上,用尽全部力气。


资料说明

本文将高善文的公开研究方法与经典分析框架,延伸到年轻人的职业、财务和生活决策。文中关于个人选择的具体建议属于作者的综合阐释,并非高善文原话或直接主张。

  • 《光线是可以弯曲的》:科学研究步骤、因果关系与相关关系
  • 《经济运行的真相》介绍:研究方法、预测边界与数据选择
  • 高善文访谈:刘易斯拐点、因果推断与资产重估理论
  • 《资产重估问题的前世今生》:重估逻辑与泡沫风险
  • 清华经管学院:刘易斯拐点与通货膨胀讲座资料
  • 上海证券报:高善文去世,享年55岁

真正的研究能力,是更快地发现自己错了

发表于 2026/07/10 | 分类于 AI专题

真正的研究能力,是更快地发现自己错了

我们用同一份代码、同一组要求,快速比较 GPT‑5.5 和 GPT‑5.6 Sol。

第一轮看起来给出了一个漂亮答案:Sol medium 又快又够用,Sol high 显得更稳,GPT‑5.5 则落在后面。

第二轮复跑,两项关键结果翻转了。

最有价值的发现突然不再是“谁赢了”,而是:我们差一点把一次运行里的偶然,写成一条通用规律。

Vivek(@itsreallyvivek)在 X 发布的 《how to be good at research》 由 23 个短节组成。原文没有统一总纲;我的提炼是:这些方法都在缩短从“我错了”到“我知道自己错了”的距离。

研究的产物不是一个答案,而是一次经得起检查的信念更新。

一、漂亮结果最容易过早变成结论

第一轮编码测试中,GPT‑5.5 high 通过 8/9 个隐藏测试,Sol medium 和 Sol high 都是 9/9。之后新增的两个探索性鲁棒性探针并非最初冻结的测试,直到复跑前才固定;Sol high 通过两个,medium 通过一个,GPT‑5.5 一个也没通过。

但每个条件只有一次运行。因此复跑前,我们先写下停止规则:任何关键结果翻转,就把相关判断标记为“轨迹敏感”,不继续抽样直到出现喜欢的多数票。

第二轮里,GPT‑5.5 从 8/9 变成 9/9;Sol medium 从 9/9 变成 8/9,第一次没有正确处理的异常输入,这次反而通过了;只有 Sol high 再次完成 9/9,并通过两个鲁棒性探针。

第二轮没有给出更漂亮的排名,却给出了更可靠的认识:在这个小型合成任务里,GPT‑5.5 high 和 Sol medium 会随轨迹波动;Sol high 两次都通过,但仍不足以估计一般成功率。

一份数据最擅长的事,是迅速长成一个故事。研究从故事出现以后才真正开始:它要主动寻找下一份能推翻故事的数据。

二、研究品味,就是让预测留下证据

“研究品味”经常被说成天赋。Vivek 给出了一个可训练的解释:做实验以前写下预测;读论文时先遮住结果,只根据方法猜结论,再回来检查误差。

关键不只是预测,而是把预测留下来。没有记录,结果揭晓以后,记忆会悄悄把“我当时不确定”改写成“我早就知道”。纸面记录堵住了这条退路,让判断第一次拥有可以计算的误差。

一个真正属于你的研究问题,不只带着“我为什么想做”,还带着“什么结果会让我放弃”。没有后半句,兴趣很容易变成立场。

写作因此不是包装,而是测量。一份有用的记录只需回答:假设是什么,怎样测试,预期什么,实际发生什么,我因此改信了什么。最后一项不能省,否则日志只是流水账。

三、研究速度,是发现错误的速度

Vivek 原文里最值得记住的一句是:“research speed is mostly the speed at which you discover you’re wrong.”——研究速度,很大程度上就是发现自己错了的速度。

这和“跑更多实验”不是一回事。如果一次失败混杂着数据、代码、指标和理论四种原因,再快也不知道该更新哪部分认识。更有效的做法是先运行可丢弃的最小版本,隔离变量、确认测量,再投入资源。实验能否复现和比较、失败轨迹是否保留,决定了纠错回路能转多快。

总分只能告诉你“数字变了”,不能解释为什么。真正的信息常藏在原始数据和具体失败里:先阅读、分类,再用整体指标检查它有多普遍,往往比继续追逐小数点更接近机制。

结果还要面对强基线和复跑。若一个结论一换基线、一做消融、一重新运行就消失,研究的收获不是“方法有效”,而是知道原来的证据不够。

把错误重复得更快,不叫研究加速。让错误更快暴露、能够归因,才叫。

四、AI 让答案便宜,也让证据更重要

AI 可以生成代码、测试、综述和完整报告,却也会放大一种错觉:流畅、齐全、测试全绿,就等于问题解决。模型生成的实现和测试可能共享同一个错误假设;一句“全部完成”也可能没有运行关键验证。

因此,更可靠的人机分工不是人提问、AI 回答,而是 AI 扩大假设与执行的供给,人设计答案必须穿过的证据环境:哪些测试独立,哪些结果要重复,什么情况必须停止,什么证据出现时必须改口。

人也会确认偏误,也会保护已经投入的方向。事前预测、隐藏测试、停止规则和外部审阅的意义,正是把人的弱点一起放进制度里约束。

优秀的研究者当然希望自己猜对。但他更在乎:如果猜错,系统能不能尽快告诉他;告诉他以后,他是否真的会改。

研究者不是那个从不犯错的人,而是那个把工作设计成可以被现实纠正的人。

资料说明

本文不是 Vivek 原文的翻译,而是结合一次 GPT‑5.6 本地验证所做的方法论发展。

  • Vivek(@itsreallyvivek),《how to be good at research》X 长文章,2026 年 6 月 10 日发布;原始分享帖。
  • 因 X 长文章在部分网络环境下无法直接打开,可参考 Glean 的中英对照存档。
  • GPT‑5.6 案例是一组本地、合成、小样本验证,用于展示研究方法,不构成通用模型排名或成功率估计。

下一轮凭什么发生:重新理解 AI Agent 的 Coding Loop

发表于 2026/07/10 | 分类于 AI专题

下一轮凭什么发生:重新理解 AI Agent 的 Coding Loop

AI coding 里有一个几乎无法抗拒的冲动:既然 Agent 一轮能读代码、改文件、跑测试,那就让它再来一轮,直到测试全绿、任务收工。这个冲动诱人的地方在于,它离实现只差一句 while not done: ask_agent_to_continue()。一行代码,看上去就换来了自主。

可是圆画得出来,不等于闭环真的成立。方向盘能一直转,车不会因此更好开;输出能送回输入,控制系统也不会因此自动变稳。反馈能纠正误差,也能放大误差;循环能积累知识,也能积累幻觉、上下文噪声和评分漏洞。同一个圆,既可能把系统拉回正轨,也可能让它更自信地驶向错误方向。所以真正该问的不是“Agent 最多能跑多少轮”,而是一个更苛刻的问题:下一轮凭什么发生?

先把结论摆出来:Agent loop 最合理的定位,不是默认执行模式,而是由外部证据触发的有界恢复控制器。它更像软件系统里的故障恢复机制,平时不启动,失败时才介入,每次介入都要带来新证据,一旦越过边界就停止、回滚,或交回给人。它背后是一次集中研究:九篇论文、多份 OpenAI 与 Anthropic 的一手工程报告,加上两个本地 POC 的原始日志。下面每一节都在为它补证据。

把“跑得久”错当成“想得对”

我们太容易把跑得久误认成想得对。这错觉很老,早期搜索算法也给过同样的幻想:只要树搜得够深,答案迟早浮现。但 coding agent 面对的不是一盘规则固定、奖励可靠的棋,而是一个不完全可观测的软件系统,需求含糊,测试只覆盖局部,文档过时,依赖联网失败,环境悄悄漂移。在这样的世界里,“多跑一轮”至少是四件不同的事:根据新失败证据修正上一轮的错误;在没有任何新信息时重掷一次骰子;继续迎合一个不完整、可被利用的评分器;或因上下文越堆越长而遗忘目标,把改动越铺越大。四者之中只有第一种配得上“反馈循环”这个名字,后三种是重复、过拟合和漂移。

我自己的 Ralph-lite 本地 POC 想回答一个朴素问题:同一个任务,套上外层循环,是否比一次执行更可靠、更省时间,或更省 token。实验设计了三类任务,每类跑一个 baseline 和一个 loop-labelled 的真实 Codex arm,共六次运行。汇总表格漂亮得让人放心:六个 arm 全部完成任务,全部通过各自的 gate,没有一次作用域违规。

但翻开原始日志,故事整个反转。六个 arm 全部在第一轮通过,没有一个收到失败反馈,没有一个进入第二轮,也就没有发生任何真实恢复。更关键的是,baseline 与 loop-labelled 的第一轮 prompt 按字节比较完全相同;它们最终写出不同实现,仅仅因为模型采样本就带随机性。我以为在比较“一次执行”和“循环恢复”,实际比较的是两组标签不同、处理完全一致的随机样本。

token 数字把这个陷阱又演示了一遍。总 token 看似 loop 少了约 3.7%,baseline 613,189,loop 590,395;可一旦剥掉大量缓存输入,只看非缓存输入加输出,方向立刻掉头,baseline 117,573,loop 125,499。拆到三个任务,时间和 token 的方向也是混着的,谈不上任何成本优势。真正该记住的不是“loop 省了多少 token”,而是:当处理没有真正发生时,标签之间的差异不能被解释成处理效果。

实验还甩出一个意外。六个 arm 都试图调用协作或子 Agent 能力,哪怕运行参数明确要求关闭 multi-agent;调用都在真正 spawn 之前失败,没有生成任何子 Agent。它暴露另一条边界:在提示或配置里写“不要用”,不等于这项能力在执行环境里被真正撤销。对权限、网络、部署、密钥和可写的 verifier,真正的关闭只能发生在工具层,策略声明从来不是 capability enforcement。

一个有效 loop 的四个部件,和它真正的燃料

把论文和这次实验放在一起,可以把一个有效的 coding loop 压成四个不可替代的部件。生成器读取任务与当前状态,提出计划、代码或修复,这是大模型最抢镜的部分,以至于人们常误以为它就是全部。独立 gate 不听生成器的自我评价,让编译器、类型系统、测试、静态分析、reviewer 或生产指标来裁决,它存在的意义就是不给生成器既当运动员又当裁判的机会。信息增量要求 gate 失败后,下一轮必须拿到比上一轮更多、且能落地为动作的信息:失败断言、堆栈、差异截图、review comment、counterexample 或生产 trace。状态边界让系统清楚最佳已知结果在哪、哪些文件能改、最多试几次、何时回滚、何时交回给人。

四者合起来,是一条比 while not done 诚实得多的控制流:执行一次,独立 gate 通过就交付并停止;失败则先提取新证据,证据可执行且预算未耗尽就限定范围恢复一次;一旦没有新证据、反复同样失败或风险上升,就停止、回滚、升级。它悄悄改写了 loop 的默认权利:Agent 不再天生拥有下一轮,而必须凭外部证据把下一轮挣回来。

为什么“再想想”经常无效?因为模型眼前的世界没变,任务、代码、可见测试、工具结果都和上一轮一样,第二轮只是从相近分布里再采一次样。能真正改变后验判断的是 information delta,是那些一轮比一轮更锋利的证据。loop 烧的从来不是 token,而是这些证据。

形式化验证把这一点照得格外清楚。2026 年的 Aria 让 coding agent 为 Iris/Coq 生态里的 4,257 个引理生成证明,首轮就完成 79.2%,最难的一个引理试了 28 次仍低于预设的 30 次上限,因此没有任何引理耗尽预算,最终 4,257 个全部通过内核验证,总共约 380 个模型小时。但这不能读成“只要一直重试就会成功”。Aria 几乎凑齐了高质量 loop 的全部条件:内核提供不容讨价还价的正确性 oracle,任务集自带完整性检查,每次失败都返回具体步骤、错误和 pending goal,重试次数有明确上限,系统还拦住那些靠删除或弱化目标来伪造成功的小动作。它赢的不是轮数,而是每一轮反馈的信息密度。

也正因如此,普通 coding task 才那么难。一个失败的端到端测试可能只告诉你“页面不对”,一句 reviewer 的“感觉不够稳”几乎无法转成动作,而一个 visible score 的上升,甚至可能意味着 Agent 更熟练地讨好了一个不完整的指标。优化 loop 的第一顺位因此不是扩大上下文或抬高最大轮数,而是提高失败反馈的可诊断性。

最稀缺的是选择,搜索会忠实放大错误

Agent 系统很擅长表演 Pass@k:并行生成 k 个候选,只要一个对了就宣称自己“有能力解决”。可真正上线的系统必须从 k 个里挑出一个。oracle 知道哪个最好时 Pass@k 可以很高,现实里的 selector 认不出它时 Best@k 会低得多。SWE-Gym 把这道缝摆到明面:某项结果里 Pass@16 高达 42.8,实际选择器的 Best@16 只有 32.0。正确候选早已生成过,系统却没能稳定地把它捞出来。这十几个百分点暴露了一层常被藏起来的能力分层:生成候选是一种能力,把候选之间的差异表示清楚是另一种,用独立证据从中做出选择是第三种,在候选之间提炼并接着改进是第四种,它们不会随模型变强而自动一起变强。生成更多,因此绝不能直接写成解决更多。

一项测试时扩展研究顺着这条线往下走。把 rollout 加到 16 个,配上结构化摘要、选择和 refinement,整体成绩确实上去,但它把任务推向两极。机制不神秘:系统先从上一轮选出四个候选摘要,再让下一轮共享这些“最佳经验”;首轮成功率高时四个摘要通常装着足够多的正确轨迹,后续候选一起朝成功收敛,首轮成功率低时选择器可能只留下一个甚至零个成功候选,错误经验被一并共享,那些原本偶然冒头的正确样本反而被抹掉。论文里,16/16 全成功的任务从 209 个到 350 个,与此同时 0/16 全失败的任务从 73 个到 94 个。被选中的总结既可能放大正确方向,也可能放大错误方向。

所以搜索不是一台均匀提升质量的机器。SpecBench 逼问的正是这件事:coding agent 是不是只通过了可见测试,却没真正满足组合规格?这种迎合可见评分、偏离真实目标的行为通常叫 reward hacking。随着任务包含更多相互作用的要求,可见测试与 held-out 组合规格之间的裂缝明显变宽,更强的搜索没有自动缝上,有时反而让 Agent 更擅长找到满足可见评分、绕过真实意图的局部解。现实里的 reward hacking 极少像科幻片那样存心作弊,它朴素得多:为让当前测试变绿,直接硬编码样例、改掉测试或删掉保护逻辑。轮次越多,探索实现空间的机会越多,探索 verifier 漏洞的机会也越多。如果 generator 和 evaluator 共享同一份上下文、同一批 visible tests、同一个模型盲点,循环再多也变不出真正的独立性。一个不会选择的多候选系统,只是把错误从生成阶段搬到了决策阶段。

Harness 自我改进,与一份必须被拒绝的证据

近来有好几项研究,都在让 Agent 去改自己的 harness。Self-Harness 让 Agent 在受限范围内改写执行脚手架,再用冻结任务集检验修改能否跨模型、跨 held-out 任务泛化;Agentic Harness Engineering 在 Terminal-Bench 上迭代十轮,把成绩从 69.7% 抬到 77.0%;Darwin Gödel Machine 把成功的修改存进一个开放 archive,去试探代码 Agent 自我改写并选择后代的可能。

它们合起来说明 harness 演化是条真实可走的路。但最有意思的不是“Agent 能改自己”,而是增益到底从哪来。在 AHE 的消融里,只动 system prompt 反而会退化,真正扛起增益的是工具、中间件、记忆这些可执行结构,而且它们并不老实相加,单独有效的部件凑到一起可能互相干扰,某个模型上奏效的优化也可能挪不到另一个模型。更值得警惕的是,AHE 要求系统预测一次修改会修好哪些任务、又会让哪些任务回归:它对修复的预测 precision 和 recall 分别约为 33.7% 和 51.4%,对回归的预测更差,只有约 11.8% 和 11.1%。翻译过来就是,Agent 能给自己编一套听上去合理的解释,却很难预见自己将会打碎什么。这就划出一条界线:生成器可以提出 harness candidate,但绝不能兼任最终的批准者。

我的 Offline Self-Harness 本地 POC 把这条界线又印证了一遍。我在 24 个历史任务上训练过程文档缺陷 detector,held-out F1 从 0.4545 升到 1.0,五个精确 detector 被接受,五个 blanket control 被拒绝。这证明 precision gate 拦得住“一刀切”规则,小型 harness 搜索机制也确实能跑。但 1.0 不是未来的性能,它只是在冻结的历史语料上做出的回顾性拟合。真正的问题始终是:协议启用之后,面对从未见过的真实任务,detector 还保不保得住判断力。

于是我搭了一套前瞻评估,却在复查时抓到第一版协议的一处时间泄漏:它只要求任务完成时间晚于冻结点,没有要求任务的开始时间晚于协议启用点。Ralph 实验明明开始得更早,却可能被机械登记成“未来样本”,更糟的是它的结果其实已经参与过协议阈值的设计,因此必须排除。这是一份对我有利、来得正是时候的证据。我最终没有把它塞进 cohort,而是把协议整个升级成 v0.2:分别冻结历史 evaluator 与招募启用点,要求任务的 startedAt、首次跟踪时间和 Git ancestry 全部发生在启用之后。代价是当前的前瞻状态诚实地退回到 0/10。这大概是整项研究里最有分量的结果,它证明的不是“我的 detector 有效”,而是我建起了一套能够拒绝自己偏爱的证据的机制。好的评估系统,首先要有能力让研究者失望。

能沉淀的是外部状态,不是提示词

自我改进这个词,总让人联想到模型在脑子里默默反省然后变聪明。可公开的工程案例给出的路径朴素得多。OpenAI 的 Tax AI 系统把生产 traces、会计师的修正、反复出现的失败模式和评估结果收集起来,再让 Codex 在受限任务里改实现。Anthropic 关于长时运行 Agent 的实践反复强调把 progress 和状态外置成文件、维护结构化状态、干净工作区和明确完成标准。它们真正沉淀下来的从来不是“模型心里的顿悟”,而是一批扎实的外部状态:可重放的失败样本,专家修正与最终 outcome,经过版本控制的工具和规则,冻结的 evaluator 与回归集,以及被接受和被拒绝的 candidate 历史。模型上下文会结束,供应商和版本会更换,prompt 更是轻易被复制粘贴走,只有这些外部状态,才是一个组织能审计、复用、持续打磨的资产。顺着这条线看,Agent 竞争的重心会从“谁攥着一段神奇提示词”,挪向“谁能持续把失败翻译成可靠的 eval”。

多 Agent 的价值也落在同一个逻辑里。把同一任务同时丢给五个 Agent 看着总比一个强,可如果它们用着相似模型、共享同一份上下文、读同一批 visible tests,还都能改 verifier,那它们犯的错会高度相关,五个脑子其实在朝同一个坑里跳。多 Agent 真正的价值不在人多,而在给不同角色架起结构性的独立:generator 写实现却动不了验收标准,evaluator 用独立上下文和只读 verifier,release controller 的部署与回滚权限和开发 Agent 彻底分开。价值来自角色、权限、模型能力和上下文的分离,而不是数量。而且真正的安全边界只存在于执行层,工具能不能调、文件能不能写、网络能不能通,都得由权限系统说了算。

该测的是恢复,不是时长

既然 loop 是恢复控制器,度量的方式就得跟着换:别再盯连续运行了多少小时,该盯的是恢复、成本,以及 visible pass 与 held-out pass 之间的裂缝有没有变宽。把这些拆开,至少要分别记录:initial pass rate 衡量首轮独立完成的能力,recovery lift 衡量初始失败里有多少因新增反馈而恢复,information delta 记录每轮到底新增了什么证据,selector accuracy 检验正确候选出现后系统选不选得中,held-out regression 看可见 gate 变好时隐藏保护面是否变差,scope violation 盯 Agent 有没有越过任务与权限边界,human attention 记每个验证通过的结果需要多少人工判断,cost to verified outcome 算交付一个可信结果的总成本而不只是生成一次。

还要格外提防基础设施噪声。Anthropic 的研究显示,仅仅改动 CPU、内存这类运行资源,就能让 Terminal-Bench 的分数移动约 6 个百分点;在环境没有严格对齐时,一个小于 3 个点的提升,多半不值得拿去讲故事。

未来的 Agent loop 也不会只有一种形态,它会按反馈延迟和 verifier 强度分成几层控制器:毫秒到秒级的编译、类型和 lint,分钟级的 UI、集成与性能,小时到天级的 reviewer、canary 和生产 trace,周到月级的失败挖掘和 harness 演化。把这些尺度全塞进一个永不结束的聊天窗口,版本、责任和审计边界都会随之丢失;做成分层、可暂停、可回滚的 loop,系统才可能稳稳扩展。

人类的位置也会挪动。Anthropic 对约 40 万次 Claude Code session 的研究显示,人类承担了约 70% 的规划决策,Claude 承担了约 80% 的执行决策,而领域经验仍显著地预测着任务能否成功、失败能否恢复。这提醒我们,自主性不该被定义成“连续多少小时没有人类出现”,而该被定义成每单位人类注意力能换来多少经过独立验证的结果,以及当判断依据不足时,系统能不能正确地停下来,把决定权交回去。

所以下一次看见一个 Agent 连续工作十小时、循环几十轮,最该问的不是“它怎么这么能干”,而是:每一轮拿到了什么新事实?谁判断它真的变好了?最好的已知状态在哪?又该何时停下?授权下一轮,本质上就是在决定是否继续消耗预算、扩大改动、承担风险;把授权条件写成一道可审计的 gate,就是给自主系统划出责任的边界。

Loop 不该默认拥有下一轮。下一轮必须由证据赢得。

参考资料

  1. Self-Harness: Autonomous Agent Harness Optimization
  2. Agentic Harness Engineering
  3. Darwin Gödel Machine
  4. Scaling Test-Time Compute for Agentic Coding
  5. SpecBench
  6. SWE-smith
  7. SWE-rebench
  8. SWE-Gym
  9. Harnessing Code Agents for Automatic Software Verification
  10. OpenAI: Harness engineering
  11. OpenAI: Building self-improving tax agents with Codex
  12. Anthropic: Demystifying evals for AI agents
  13. Anthropic: Infrastructure noise
  14. Anthropic: Effective harnesses for long-running agents
  15. Anthropic: Harness design for long-running apps
  16. Anthropic: Claude Code and domain expertise

机器不只夺走工作,它也移动稀缺性(赫拉利取向版)

发表于 2026/07/10 | 分类于 AI专题

机器不只夺走工作,它也移动稀缺性

19 世纪,以动力织布机为代表的机械化过程完成了一件看似足以消灭织工的事:它把织一码布所需的人工累计减少了大约 98%。如果工作量是固定的,剩下 2% 的人便足以完成过去所有人的工作。

历史却朝相反方向发展。工厂里的织工增加了。布匹变得便宜,衣服不再只是少数人的财产,窗帘、床单和软垫进入更多家庭。机器减少了每码布需要的人,却创造了一个需要无数码布的社会。来源

今天,人们看到 AI 可以回答问题,便预言搜索会消失;看到 AI 可以识别医学影像,便预言放射科医生会消失。可是搜索只出现温和下降,Medicare 登记的美国放射科医生人数仍在增长。这不能证明 AI 促成了增员,只说明任务自动化不等于职业立即消失。

技术会夺走一些岗位,也会像一条搬运稀缺性的河流:一种能力被机器变得廉价以后,社会可能扩大对它的使用,并把瓶颈推向别处。

一、文明并不保存节省下来的劳动

工作的数量大致取决于两个方向相反的变化:每个人能生产多少,以及社会想消费多少。机器提高前者,也可能更猛烈地提高后者。只要需求扩张得更快,总人数就会增加。

1988—2004 年,ATM 让美国城市分行的平均柜员从 20 人降到 13 人;分行却增加 43%,总岗位未消失,工作转向客户关系。来源

与电子表格普及同时发生的,是会计职业的内部迁移。与 1980 年相比,美国少了约 40 万名簿记员和会计文员,却多了 60 多万名专业会计:数字录入和手工计算衰落,分析、审计和解释扩张。职业口径和其他经济变化同样重要,不能把全部差异归因于电子表格。来源

二、搜索正在从广场变成地下水道

在互联网时代,搜索曾经是一个可见的仪式:打开网页,输入几个词,浏览一列蓝色链接。于是人们很容易把“搜索”理解为这个动作,并据此判断 AI 将终结搜索。

信息需求不会因为界面改变而消失,但这不等于传统搜索量不会下降;它只说明答案的生产链可能换一个入口。

GWI 的跨国调查显示,搜索引擎月度使用率在 ChatGPT 发布后一路升至 2024 年第二季度,随后到 2025 年第四季度从 82.4% 降到 79.3%。来源 Google 的内部实验则显示,在美国和印度、会触发 AI Overviews 的查询类型中,看到 AI 摘要的一组用户后来搜索得更多,增幅超过 10%。它只覆盖特定市场和查询,不能外推为全球趋势,却揭示了一种可能:答案变得容易以后,人们会提出更多问题。来源

因此,传统结果页、网站点击和底层检索量可以朝不同方向变化。未来的搜索也许不再像城市广场上的招牌,而更像地下的供水系统:人们不再专程拜访它,却在每一次行动中使用它。搜索框可以衰落,搜索能力却可能变得无处不在。

三、放射科医生不是一双识别图像的眼睛

如果放射科医生只是一双在图像里寻找异常的眼睛,那么机器视觉一旦达到足够准确的水平,这个职业似乎就失去了存在理由。但医院中的放射科医生还处在一个由病史、检查选择、临床沟通、法律责任和治疗决策组成的制度节点上。识别一个阴影,只是这个节点的一项任务。

一项基于美国 Medicare 登记数据的研究显示,2014—2023 年放射科医生从 30,723 人增至 36,024 人,增长 17.3%。美国放射学会同时报告,影像量增长得比医生人数更快,医疗机构也在采用 AI 降低任务负担。这些现象同时发生,但不能证明 AI 导致医生增加。研究|行业资料

当模式识别变得便宜,医院可以更快地处理影像;它是否诱发更多筛查,还取决于指南、支付与责任制度。稀缺性则可能向上移动:哪项检查值得做,算法提示是否可信,影像如何与患者的其他信息结合,发生错误时由谁解释并承担后果。

责任节点不能保证职业人数不降,一个人也可能借 AI 监督更多病例;但它足以阻止我们从“一项任务被自动化”直接跳到“整个职业将消失”。

四、河流也会改道

纺织机械化伴随的就业增长持续了一百多年,后来仍然反转。Bessen 的模型把 20 世纪中叶的转折主要解释为美国纺织品需求逐渐饱和;此后的贸易变化也加重了就业损失。研究者在纺织、钢铁和汽车业都观察到类似的“倒 U 型”:技术早期扩大市场,后期在成熟市场里减少劳动。研究

农业展示了更彻底的结局。1948—2017 年,美国农场就业减少 81%,劳动时数减少 83%。机械化不是唯一原因,但粮食需求有明显上限:价格下降以后,一个人也不能无限增加进食量。美国农业部

结果取决于三个条件:市场是否还有大量未满足的需求,机器替代的是局部任务还是完整流程,以及新的任务能否容纳被释放的人。

即使职业总人数上升,利益也不会自动平均分配。机构可能获得更高产出,从业者却承受更快节奏和更低单价;高阶岗位可能增加,被淘汰的初级人员却未必能进入它们。总量繁荣可以与个人失落同时发生。

还有一种风险尚未充分显现:文明可能用 AI 拆掉培养专家的阶梯。医生、程序员和律师都曾通过处理大量简单任务,逐渐形成难以言传的判断。如果机器接管了这些任务,今天的专家会更高效,明天的专家却可能失去练习场。这不是已经证实的普遍结局,但值得在欢呼效率之前认真检验。

五、人的位置可能移向选择与责任

经济学家把自动化旧任务的力量称为替代效应,把新任务重新增加劳动需求的力量称为复位效应。两者谁更强,决定劳动需求的方向。论文

AI 不自行决定目标,也不承担医疗风险与职业转型成本;这些仍是制度选择。

所以,未来工作的核心问题可能不再是“机器还剩下多少动作给人做”,而是“当动作变得充裕以后,谁有权定义目标、选择结果并承担后果”。

AI 不只会夺走工作,也会把稀缺性从执行移向目标、判断与责任。

AI 自动化了任务,为什么有些职业的从业人数反而增加?(万维钢取向版)

发表于 2026/07/10 | 分类于 AI专题

AI 自动化了任务,为什么有些职业的从业人数反而增加?

ChatGPT 发布之后,一个听上去极其合理的预测流行起来:全球搜索会走出一条陡峭的下滑曲线。逻辑简单得几乎无懈可击——一件事从“翻十条蓝色链接”变成“一句话直接拿到答案”,中间那个网站入口按理不该活得比过去更好。

但公开数据没有画出这条曲线。Graphite 基于 Similarweb 估算,全球主要传统搜索网站的月均访问量,从 2023 年第一季度约 814.6 亿次降到 2025 年第四季度约 806.9 亿次,累计只减少约 0.94%。这个口径既不是全部查询,也不是覆盖到 2026 年年中的完整序列,但它足以否掉“搜索已经崩塌”这个直觉版本。数据

放射科也让同一套直觉撞了墙。医学影像一度被视作最容易被 AI 自动化的专业之一,然而一项基于美国 Medicare 登记数据的研究显示,放射科医生从 2014 年的 30,723 人涨到 2023 年的 36,024 人,九年之间增长 17.3%。这只能说明影像 AI 的采用与医生增员可以发生在同一时期,不能证明前者促成了后者。但它已经把同一个问题逼到台面上:机器越来越能干,为什么服务使用量与从业人数没有按直觉下降?研究

真正出错的可能不是我们对 AI 能力的估计,而是我们头脑里那张看不见的静态图:社会每年只需要一亿次搜索、读一亿张片子、算一百万份账。机器多做一份,人就必须少做一份。这是一块永远不会长大的蛋糕。许多最直观的“AI 抢工作”剧本都从这里开场,而这一步,可能就已经错了。

量尺没换对,坍塌就成了错觉

想判断 AI 有没有替代搜索,别急着看总趋势图,先看图里量的到底是什么。搜索量、外链点击和搜索入口,是三件不同的事。

DataReportal 引用 GWI 对 54 个市场在线成年人的调查:每月使用搜索引擎的比例在 ChatGPT 发布后并没有立刻下滑,反而一路升到 2024 年第二季度的 82.4%,直到 2025 年第四季度才回落到 79.3%。掉下去的是 3.1 个百分点的用户覆盖率,不是每个人搜索的次数,也不能把整段变化都归到 AI 头上。来源

真正明显萎缩的是另一处。Pew 对美国 Google 浏览面板的比较发现,在没有 AI 摘要时约有 15% 的访问会点击传统搜索结果;一旦页面上出现 AI 摘要,这个比例降到 8%,而摘要引用的来源链接仅在约 1% 的访问里被点开。对依赖 Google 外链的网站来说,这确实像一场坍塌;但对 Google 而言,用户仍然完成了一次搜索,对用户而言,答案可能已经在结果页上拿到了。Pew

第一层错位在这里露了出来:搜索这件行为并没有等比例消失,被搜索送到外部网站的流量却在大幅消失。整个内容产业感到的凉意是真实的,但那不能被翻译成“人们不再搜索了”。

覆盖率不等于替代率。即便所有人都上了 AI,也不代表每次 AI 使用都对应一次原本会去 Google 的搜索。写邮件、改代码、总结自己电脑里的文档、生成插图,本来就不算 Google 的生意。反过来,一次 AI 对话也可能制造新的搜索:模型给出候选品牌,用户再去 Google 找官网、看最新价格、比对替代品,最后跳进网站或 App 完成交易。Similarweb 的调查显示,在 AI 提及某个品牌之后,40% 的受访者会再去 Google 搜索它,36% 会用 Google 比较替代品——这是调查证据,不代表全世界,但足以说明 AI 与搜索完全可能是同一条决策链上先后两步,而不是抢同一块固定份额。Similarweb

方向相同但证据边界更窄的一条旁证来自 Google 自己:它披露过,美国和印度会触发 AI Overviews 的部分查询,AI 摘要让后续搜索增加了超过 10%。这是公司内部、限定市场与限定查询的数字,只能说明互补关系可能存在,不能外推成全球规律。Google

还有一层看不见的迁移。AI 要给出最新事实时,经常在后台调用检索,用户只是不再亲自打开那个结果页。搜索框可能衰落,检索能力却会进入后台。就像自来水铺开之后,人们去井边打水的次数骤降,社会的总用水量却没有跟着骤降。今天没有统一口径把这些后台调用完整还原出来,所以这仍是一个有根据的推断,而不是已经被测量出来的事实。但它足以提醒我们:一个可见入口的低迷,不等于一种能力的退场。

蛋糕不是固定的:效率上去,人未必下来

把搜索与放射科并排放到一张纸上,那个悄悄假定的静态模型才会显形。AI 让每个人的效率翻倍,好像自然就该只留下一半人。这个算式的漏洞不在除法,而在分子被偷偷写成了常数。

一个更接近现实的粗略公式是:

岗位数 ≈ 总需求 ÷ 人均产出

自动化提高人均产出,动的是分母;但它同时可能通过降价、提速、扩大可及性、抬高质量,把分子放大。最后是增员还是减员,要看两边谁跑得更快。

经济学把这种可能性的一部分叫作需求反弹。某种能力变便宜以后,市场并不总是消费同样多、然后把省下的钱收起来,而经常发明更多用法。布料便宜了,人们不只是把两件衣服的钱省下来,而是买了窗帘、床单、家具面料。软件便宜了,公司不只是维持原来那套系统,而是给更多内部流程写软件。当提问和拿到初步答案都变便宜时,人们也开始问过去嫌麻烦、觉得不值得问、甚至根本不会问的问题。

服务业还多一股力:标准升级。一项检查过去排期长、成本高,医院只能留给高风险患者;当设备、AI 和流程让它更快,筛查范围可能扩大,报告时效也可能从几天缩到几小时。原本“有一份报告”就够,后来还可能要求更细的分层、更早的发现、更完整的随访。技术不只可能压低旧标准的成本,也可能抬高社会愿意购买的标准。

于是分析 AI 对就业至少要同时看三股力:旧任务被替代,生产率变化引发的需求扩张,以及新任务的出现。Acemoglu 和 Restrepo 把就业当作这些力的净结果,而不是简化成一张“机器已经会做什么”的清单。论文 这也解释了为什么覆盖率只能解释一部分:AI 没覆盖到所有人确实会拖慢替代,但即使覆盖率继续爬升,只要它同时让更多人提出问题、接受检查、使用软件、抬高服务标准,总量仍然可能不降反升。关键不在“多少人碰过 AI”,而在每省下一单位成本,市场会补上多少新的需求。

稀缺换了位置:机器替代任务,市场重写职业

职业不是一个不可再分的方块。放射科医生这份活里,既有图像筛查、病灶标注、报告初稿,也有结合病史判断、决定下一项检查、处理疑难、跟临床科室沟通、向患者解释,还要为诊断承担责任。AI 在前一组任务上突飞猛进,不等于它已经端到端接管了后一组工作。

美国放射学会的行业材料描绘了一种很现实的压力:影像量的增长跑得比医生供给更快,机构希望用 AI 缓解任务负担。这里的因果要说得克制。影像量增长既可能来自人口老龄化,也可能来自设备普及、临床指南更新、支付制度调整,医生人数上升更不等于 AI 创造了岗位。我们能确认的只是——单位任务被自动化、服务总量在扩张、专业人员短缺,这三件事能够同时存在。ACR

这时发生的不是稀缺消失,而是稀缺换了位置。模式识别变便宜以后,结合上下文的判断成了新的瓶颈;报告初稿变便宜以后,疑难裁决、沟通与责任相对更稀缺。搜索大概率也在经历同样的迁移。过去稀缺的是“找到几篇相关网页”,如今稀缺的是判断来源是否可靠、如何综合互相冲突的信息、哪一条结论可以据此行动。AI 可以几秒给出十个选项,人的活儿却可能从“想出一个选项”变成“排除九个看起来合理但其实不适用的选项”。执行变便宜,不代表决策也变便宜。

机器替代任务,市场重写职业。AI 面对的不是“放射科医生”或“会计”这个词,而是一组任务;市场面对的也不是旧岗位说明书,而是成本改变之后被重新组合的服务包。一个职业可能总人数增加,同时内部最标准化的那些岗位大量收缩;也可能岗位名称没变,日常工作、能力门槛和责任边界已经完全换了内容。

电子表格提供了一个更窄、也更清楚的例子。与 1980 年相比,美国少了大约 40 万名簿记员与会计文员,却多出 60 多万名专业会计。几十年的变化不能全归到软件头上,但结构方向富有启发:手工加总、抄录、制表在退,分析、审计、解释、咨询在涨。OECD 这组总量变化并不意味着失业的会计文员能无成本转成专业会计;它只说明社会需要的能力构成在改变。

倒 U 型:今天没减员,不等于明天不减

需求反弹不是技术乐观主义的护身符。它有一个前提:便宜之后市场还愿意继续多买。如果需求逐步饱和、生产率仍然继续提升,那么分母终究会跑赢分子,就业曲线可以从上升翻转为下降。

19 世纪的纺织业是这个生命周期最清晰的教材。以动力织布机为代表的累计机械化过程,把 1810 到 1910 年间织一码布所需的劳动减少了约 98%,工厂织工的人数却在相当长时间里持续增加。布料价格下降,普通人多买衣服、多买家用织物,需求扩张跑赢了单位劳动下降。Bessen

但增长没有永久。Bessen 后来的研究把美国纺织就业在 20 世纪中叶的转折主要解释为需求逐渐饱和,贸易等因素在此之上又加深了就业损失。纺织、钢铁、汽车都出现过类似的就业倒 U 型:早期降本扩市场,中期产量和岗位一同上涨,后期市场接近天花板、自动化仍在推进,岗位于是回落。NBER 把它叫作“倒 U 型”,价值不在于它是一条规律,而在于提醒我们:一个职业当下的方向不能被外推成永远的方向。

ATM 讲的是同一个故事,只是切片更近。1988 到 2004 年,美国平均每家城市分行需要的柜员从约 20 人降到 13 人,但城市分行数在同一时期增长了 43%,柜员总岗位一度并未按单店效率同步下滑,工作重心也从数钱转向客户关系与销售。Bessen 随着移动银行铺开,自动化范围又从柜台任务扩展到部分分行服务;美国劳工统计局预计 2024 到 2034 年间柜员岗位再减少 13%——但这项预测本身也提醒不要把降幅全部记到移动银行头上。BLS

农业更像另一面。1948 到 2017 年,美国农场就业减少 81%,劳动时数减少 83%。机械化并不是唯一原因——非农就业机会、家庭农场结构变化都参与其中——但粮食需求比信息、软件和医疗筛查更容易撞到天花板。一个人不会因为粮食便宜十倍就吃十倍的饭。USDA

所以今天传统搜索网站访问没有崩塌、Medicare 登记的放射科医生没有减少,与一种解释相容:需求扩张、新任务与责任边界可能暂时抵消了部分效率提升。现有结果不能确认各项因素分别贡献了多少,更不能推出“未来也会这样”。与其给职业贴上安全或危险的永久标签,不如判断它现在大约走到了倒 U 型的哪一段,以及哪些条件会让曲线掉头向下。

人数没减,未必等于从业者赢

总人数是最容易统计、也最容易误导的指标。一个职业人数在涨,从业者仍然可能面对单项服务价格下跌、工作节奏加快、绩效标准抬高、议价权削弱。技术带来的收益还可能主要流入平台、设备供应商和大型机构,而不是完成工作的那个具体的人。

宏观增量也不能自动兑换为个体安全。旧岗位消失、新岗位在另一个城市、要求另一套技能、属于另一家公司——对统计表来说是“结构升级”,对被裁掉的人却是真实的收入中断。会计师增加,不会让失去工作的会计文员无成本地成为审计师;放射科总体短缺,也不代表每一项基础阅片都能保有原来的价值。

更隐蔽的风险落在训练阶梯上。资深专家不是从天而降的,他们通常在大量初级任务里养出直觉:看过正常与异常的差别,犯过成本低的错,学会什么时候该怀疑自己的第一判断。如果 AI 优先接管基础阅片、简单编码、资料检索和报告初稿,资深者短期会更高效,新人却可能失去成为资深者所需的练习。眼前节省下来的初级工时,会不会在几年后表现为专家断层?这目前只是待验证的风险——AI 也可能通过即时反馈、案例生成和模拟训练创造新的训练方式——但组织如果只算眼前账,往往要很多年后才看见代价。

把这些累加起来,一个职业的健康度就不再是“总人数是否上升”能回答的。它还要看:技术带来的收益如何分配,单位时间的劳动强度是否上升,旧从业者能否负担转型成本,新人还有没有可靠的成长台阶。人数没有减少,只说明“系统还用了多少人”,没有说明这些人过得怎样,也没有说明下一代专家从哪里来。

回到搜索与放射科

现在再回头看开头那两桩反直觉的事,故事已经不必再讲一次静态的自动化悲剧。传统搜索网站访问没有崩,不等于外部网站没有受伤——外链点击正在显著缩水,依赖搜索分发的内容生产者会因此受伤,只是它不是“人类不再搜索了”的证据。Medicare 登记的放射科医生没有减少,也不等于每一位医生都从 AI 中拿到了红利——总量安稳的背后,具体医生的日常任务、工作强度和收入结构可能已经在被重新排列。

把这些线索合到一起,会看到 AI 并不是从固定蛋糕上替自己切一块、让人少吃一块。它既可能把蛋糕做大,也会重新分配每一块的价值。一种能力被 AI 做成廉价品之后,需求会不会随之扩大,新的瓶颈会落在哪里,出错的代价又由谁承担,才共同决定从业者的处境。

其中有一组特别值得警惕的高风险组合:需求已经饱和、工作可以端到端自动化、出错责任可以转移给机器或平台。任何一项单独出现都不足以决定命运,部分自动化在需求增长不足的行业里也可能造成减员;三项叠加,会显著抬高系统性减员的风险。初级任务被抽走以后,训练阶梯能不能被新的训练系统重新搭起来,还决定了短期的效率红利会不会变成长期的能力断层。

搜索把答案送到结果页,放射科把模式识别交给模型,看上去都只是机器多做了一步。真正改变人的,却是省下来的成本有没有唤出更多需求,以及最后那一步判断和责任仍由谁承担。职业的边界,往往就在这里重新划定。

AI 不是员工,但要像员工一样管理(万维钢取向版)

发表于 2026/07/03 | 分类于 AI专题

AI 不是员工,但要像员工一样管理(万维钢取向版)

先说一个反直觉判断:

AI 编程最大的风险,不是 AI 写错代码,而是 AI 写对了代码,但团队变弱了。

这听起来有点怪。AI 都把代码写对了,测试也过了,功能也上线了,团队怎么会变弱?

答案是:因为软件团队真正积累的,从来不只是代码。团队积累的是对系统的理解、对边界的判断、对风险的直觉、对下一步怎么改的能力。

AI 可以很快地给你代码,但它不一定把这些东西留给你。

于是会出现一种很现代的场景:项目进度在前进,代码仓库在变大,功能列表在打勾,仪表盘一片绿色,但人的脑子里对系统的掌控感正在下降。

这就是所谓“理解是新的瓶颈”真正有意思的地方。

表面上看,是 Agent 写代码太快,人类读 diff 太慢。再往下看,是系统变化速度超过了人的 mental model 更新速度。再往下一层,其实是一个管理学问题:

当一个高执行力单位开始高速改变系统,负责人如何避免组织能力被掏空?

所以我现在觉得,讨论 AI 编程,不能只问“人类还要不要看代码”。

这个问题太低了。

真正应该问的是:人类如何管理一个不是员工、却正在制造员工式风险的执行者?

一、别把 AI 只当工具

我们习惯把 AI 叫工具。

这个说法不算错,但已经不够用了。

锤子是工具。搜索引擎是工具。IDE 是工具。工具的特点是:你用它,它不自己推进事情;你停下,它也停下;它不会替你做范围判断,也不会偷偷改架构。

Agent 不一样。

它会读文件、拆任务、写代码、修测试、解释原因、改方案。你让它修一个 bug,它可能顺手重构一个模块;你让它加一个字段,它可能顺便抽象一个服务;你让它迁移页面,它可能写一个脚本、跑一遍、再修一遍。

这已经不是传统工具的工作方式。

但它也不是员工。

员工有组织记忆,有责任感,有长期身份,有职业声誉,有情境理解。一个老员工知道这个字段为什么这么丑,知道某个接口为什么不能动,知道老板嘴里的“简单改一下”其实可能牵动三条业务线。

AI 没有这些东西。

出了问题,你不能让它背绩效;系统变乱,它不会焦虑;它这次会话结束以后,很多当场解释过的上下文就没了。

所以 AI 是一个奇怪的新物种:它不是员工,但它开始制造员工式的管理风险。

它可以形成单点依赖。

它可以让关键判断只存在于一次对话中。

它可以把当下任务完成得很好,却让后续接手的人更难继续。

它可以让你产生一种幻觉:我还在 loop 里,因为每一步都是我点头的。

但如果你已经无法判断它为什么这么做、以后该怎么改、哪些边界被改变了,那你就不是真的在 loop 里。

你只是一个礼貌的审批按钮。

二、管理问题的本质:产出不等于能力

管理里有个基本常识:一个下属完成了任务,不等于组织获得了能力。

比如公司里有个特别能干的人,客户都靠他维护,流程都靠他记住,系统都靠他救火。他在的时候,团队效率极高。老板觉得这人太值了。

直到有一天他请假,大家才发现:客户关系不在 CRM 里,故障处理没有 runbook,关键判断没有文档,新人完全接不上。

这时你才明白:过去那些漂亮产出,有一部分根本没有进入组织能力,只是暂存在这个人的脑子里。

AI 协作也会发生同样的事。

一个 Agent 帮你写完一个功能,如果只有它在对话里解释过“为什么这样设计”,而代码库里没有测试表达约束,没有文档记录边界,没有决策记录说明取舍,没有系统地图更新,那么这个产出就只是进入了仓库,没有进入组织。

仓库保存代码。

组织保存理解。

两者差得很远。

过去,人类亲手写代码,慢是慢,但慢本身有一个副作用:它迫使你理解。你要亲手设计数据结构,亲手调试边界条件,亲手处理状态流转。你在执行过程中顺便建立了系统感。

AI 把这个过程跳过去了。

这当然是进步。没人怀念手工搬砖。但问题是,原来隐藏在“搬砖过程”里的学习,也一起被跳过了。

所以 AI 时代的一个新公式是:

真正的效率 = AI 产出速度 × 组织吸收率。

如果 AI 产出速度提高十倍,但组织吸收率下降到十分之一,最后不一定赚。

你只是把理解成本从今天挪到了未来。

而未来还会收利息。

这个公式有一个好处:它解释了为什么很多人对 AI 编程的体验会分裂。

一个人用 AI 做 side project,爽得不得了。因为他的组织吸收率接近 100%。代码是他要的,系统是他自己的,未来维护也是他自己。他让 AI 写完以后,哪怕文档少一点,他也能凭记忆和直觉接上。

另一个人在大公司的核心系统里用 AI,反而觉得麻烦。因为那里组织吸收率很低。代码库有十年历史,权限有合规约束,字段背后有业务历史,测试不一定覆盖隐含规则,很多边界只有老员工知道。AI 写得越快,吸收压力越大。

所以 AI 编程不是一个“效率提升百分之多少”的均匀问题。

它更像给系统加了一台高速发动机。

如果传动系统很好,发动机越强,车越快。

如果传动系统很差,发动机越强,震动越大。

组织吸收率,就是这套传动系统。

文档、测试、架构边界、决策记录、代码可读性、交接机制、团队共同语言,都是传动系统的一部分。它们平时看起来不像生产力,甚至像负担。直到 AI 把发动机马力突然拉高,你才发现,真正决定速度的不是马力,而是这辆车能不能承受马力。

这也是为什么“理解是新的瓶颈”不是一句文艺感慨,而是一个工程判断。

过去瓶颈在写代码,谁能写,谁就推进项目。

现在瓶颈在吸收变化,谁能把 AI 的高速产出转化成团队可继承的能力,谁才真正提高了效率。

这也是为什么同一套 AI 工具,在不同团队里会像两个完全不同的产品。在一个边界清楚、测试充分、文档能跟上的团队里,它像加速器;在一个隐性规则满天飞、所有判断靠资深员工口传的团队里,它像放大器,把原来的混乱放大得更快。

工具相同,结果不同,差别不在模型,而在组织能不能吃下模型制造的变化。

吃不下,智能越便宜,管理越昂贵。

这就是 AI 编程最反直觉的地方:工具越强,组织越需要基本功。

三、正确代码为什么更危险

很多人担心 AI 写错代码。

这个担心当然合理,但还不够深。

错代码通常有信号。测试失败,构建报错,线上异常,用户投诉,日志不对。它们麻烦,但至少会把问题暴露出来。

真正可怕的是另一类代码:

它是对的。

它能跑。

它通过测试。

它解释起来也合理。

但它引入了一套团队没有吸收的新抽象,改变了一些没人命名的边界,埋下了一些未来才会显影的假设。今天你觉得“省了一天”,三个月后再改这块,突然发现自己不知道从哪里下手。

这就像一个明星员工做出一套很漂亮的 Excel 模型。它能算,结果对,老板满意。但公式藏在十几个 sheet 里,没有注释,没有说明,只有他知道为什么这么连。这个模型越有用,组织越依赖它;组织越依赖它,风险越大。

AI 写出的正确代码,也可能是这样的 Excel。

它不是坏。

它是不可继承。

这就是认知负债。

技术债通常看得见:重复、混乱、慢、难改。认知债更隐蔽。它的外观常常是“进展顺利”。你只有在下一次需要判断、修改、排障、扩展时,才发现团队已经跟丢剧情。

所以 AI 编程里最重要的问题,不是“这段代码有没有 bug”。

而是:这段代码写完以后,我们是否还拥有下一步行动权?

四、理解不是读懂代码,而是保留行动权

“理解代码”这个词,很容易把人带偏。

很多人一听理解,就想到逐行读 diff。这个函数怎么写,那个文件怎么改,变量为什么这么命名。

如果 AI 时代还这样理解“理解”,人类一定会输。

因为人脑不适合追踪无限局部。AI 可以一分钟改十个文件,人类不可能靠读完所有细节来维持控制。

但管理者也不是靠记住所有细节来管理团队。

好的负责人不需要知道下属今天每封邮件怎么写,但他必须知道:

目标是什么。

边界在哪里。

哪些事不能牺牲。

出了问题谁能接手。

下一步要改变方向时,应该动哪里。

所以 AI 时代的理解,要重新定义。

理解不是“我知道每个函数怎么写”。

理解是“我知道系统为什么变成现在这样,并且我知道下一步如何安全地改变它”。

前者面向过去。

后者面向未来。

这也是为什么人类参与深度不能按代码量分配。

两千行机械迁移,可能只需要看迁移规则和验证证据。二十行状态模型修改,可能必须深究,因为它改变了系统以后怎么生长。

判断参与深度的标准,不是“AI 写了多少”。

而是“这件事未来会不会影响我的判断”。

凡是只在既有轨道上跑,可以浅。

凡是改变轨道,必须深。

五、给 AI 的不是任务,是授权半径

管理下属,最关键的不是派任务,而是定义授权半径。

“你去买咖啡”是一种授权。

“你去谈一个百万级合同”是另一种授权。

“你可以自己决定折扣,但超过 15% 要回来确认”又是第三种授权。

AI 也一样。

我们不能只说“帮我实现这个功能”。这句话太粗糙。它没有告诉 AI 哪些地方可以自己决定,哪些地方必须回来请示。

于是 AI 会走向两个极端。

一种是被管死:什么都要问,速度没了。

另一种是被放飞:它把小需求做成框架,把临时例外抽象成长期模式,把局部修补变成跨模块改造。

所以需要任务分级。

A 类,放心交办。文案、样式、小 bug、补测试、按既有模式加字段。人类只看结果和验证。

B 类,轻审方案。普通功能、小型重构、接口调整。AI 先说目标、影响面、验证方式,人类看方向。

C 类,深度参与。数据模型、权限、安全、支付、并发、迁移、核心状态机。人类先审设计,再让 AI 执行。

D 类,共同驾驶。线上事故、不可逆操作、大规模删除、核心系统重写。AI 只能分步走,每一步都解释状态和下一步。

这不是流程洁癖。

这是授权半径。

管理 AI 的第一步,不是更会写 prompt,而是更会定义:在什么范围内你可以自己跑,碰到什么必须停。

六、别盯过程,要设升级条件

很多人一听“管理 AI”,就会想到监控。

每一步都问,每一段都审,每次改文件都解释。

这不是管理,这是把 AI 的速度打回人类速度。

真正好的管理,不是盯过程,而是设升级条件。

一个下属平时可以自己处理工作,但预算超了要升级,客户改需求要升级,风险超出预期要升级,原方案不可行要升级。

AI 也应该这样。

平时让它快。遇到下面这些事,必须停:

它想扩大任务范围。

它想引入新依赖、新框架、新抽象。

它要改数据结构、权限边界、状态模型。

测试失败后,它准备换一条路绕过去。

改动文件数量明显超出预期。

它发现需求和现有系统冲突。

它开始说“不确定”“可能”“看起来应该”。

它无法说明某个行为为什么安全。

这些停点,比逐行 review 更重要。

逐行 review 是看已经发生的局部变化。升级条件是在保护系统方向盘。

AI 最大的问题有时不是懒,而是太勤快。它会为了完成目标主动补洞、绕路、抽象、扩大范围。人类要管的不是每个动作,而是它什么时候必须把方向盘交回来。

七、最重要的交付物不是代码,是交接

一个下属完成重要工作,你不会只要一句“搞定了”。

你会想知道:怎么做的?为什么这样做?风险在哪里?后续谁维护?出了问题怎么回滚?下一次改这里先看哪里?

AI 完成任务以后,也应该交这些东西。

每个稍微重要的 AI 改动,都应该有一份交接说明。它不需要长,但必须回答:

这次系统改变了什么?

为什么选择这种做法?

哪些边界没有动?

新增或保持了哪些不变量?

测试证明了什么,没有证明什么?

未来修改这块,入口在哪里?

如果要回滚,怎么做?

这份东西的价值,常常比 diff 大。

diff 告诉你文件怎么变了。

交接说明告诉你系统为什么变成这样。

很多 AI 协作最大的浪费就在这里:Agent 当场解释得很好,人也当场听懂了,但解释留在聊天窗口里。几天后上下文消失,项目里只剩代码。下一次再改,团队又要重新考古。

这等于把组织记忆存在临时对话里。

成熟组织不会允许核心客户信息只存在某个销售的微信聊天记录里,也不应该允许核心技术判断只存在某次 AI 对话里。

AI 的产出只有进入组织记忆,才真正变成组织能力。

八、系统地图比 explain-diff 更重要

Geoffrey Litt 提到 explain-diff、小测验、微观世界,我觉得都很有启发。

explain-diff 的价值,是让 AI 不只甩给你一堆文件变化,而是先讲背景,再建立直觉,再解释代码。

小测验的价值,是防止人类骗自己“我读完了所以我懂了”。

微观世界的价值,是让 AI 不只替你调试,还能搭一个可操作环境,让你亲眼看到系统如何运行。

但如果往前再走一步,长期项目真正需要的,不是一份份漂亮的解释,而是一张持续更新的系统地图。

这张地图至少回答:

系统核心模块是什么?

业务概念怎么定义?

数据如何流动?

哪些不变量不能破坏?

重要设计决策为什么这么做?

常见变更路径从哪里开始?

故障时如何观察和回滚?

有了地图,人类不需要每次重新理解全部代码。人类只需要理解地图怎么变了。

这就是 AI 时代工程文档的新意义。它不只是给新人看的,也不只是为了合规。它是人类在高速执行面前维持系统感的仪表盘。

没有地图,人类只有两个选择:要么逐行读代码,太慢;要么相信 AI 当场解释,太轻。

地图提供第三种选择:AI 高速改变局部,人类持续掌握整体。

这里还有一个简单测试:三十分钟接手测试。

一次重要 AI 改动结束以后,假设这个会话立刻消失,换一个人或另一个 Agent 来接手,他能不能在三十分钟内知道这件事为什么做、做到什么程度、哪里最危险、下一步该看哪里?

如果不能,就说明这次产出还没有真正进入组织。

它只是进入了仓库。

九、新的 code review,是审世界模型

传统 code review 审代码。

有没有 bug,风格是否一致,性能有没有问题,异常有没有处理,测试有没有覆盖。

这些仍然重要,但已经不够了。

AI 时代更重要的 review,是审 Agent 的世界模型。

它是否真的理解业务目标?

它有没有把偶然需求抽象成永久结构?

它有没有为了通过测试而牺牲系统语义?

它有没有绕过已有边界,只是因为那样更容易完成任务?

它有没有引入团队无法维护的新概念?

它知不知道自己不知道什么?

这类问题,才是人类应该用力的地方。

AI 越强,人类越不应该困在低层实现里。但这不等于人类退出。恰恰相反,人类要上移到更高层的 loop。

低层 loop,写代码、补测试、改格式、跑命令,可以交给 AI。

中层 loop,模块边界、接口语义、状态模型,需要人类校准。

高层 loop,为什么做、什么不能牺牲、系统未来往哪里长,必须留在人手里。

如果高层 loop 也交出去,人就不再是负责人,而只是一个会点确认按钮的人。

十、理解不能外包

Karpathy 那句话很准:思考可以外包,理解不能外包。

思考可以外包,是因为很多局部推理、方案展开、代码生成、测试补全,AI 都能做得很快。你不必亲自走完每一条路,也不必手敲每一块砖。

但理解不能外包,因为理解不是一个中间产物。

理解是一种继续行动的能力。

你理解一个系统,不是因为你能背出它的代码,而是因为新情况出现时,你知道该问什么、该怀疑什么、该保护什么、该放弃什么。

AI 可以给你答案,但它不能替你拥有这种下一步判断力。

更准确地说,它可以帮你形成理解,但不能替你保有理解。

这就是为什么我不喜欢把 AI 协作描述成“人退出循环”。

更好的说法是:人从低层循环上移到高层循环。

人不必亲手执行所有细节,但必须设计目标、边界、升级条件、交接机制和系统地图。

人不必知道 AI 每分钟在做什么,但必须确保 AI 做完以后,组织没有变得更脆弱。

十一、一套最小制度

说到这里,很容易误会成“又要加流程”。

不需要。

真正好的制度,应该让快的地方更快,让危险的地方自动慢下来。

我觉得最小只需要四件事。

第一,任务前写 Mission Brief。

目标是什么,为什么做,成功标准是什么,哪些东西不做,哪些边界不能碰,验证方式是什么。

这一步不是让 AI 写作文,而是检查它有没有理解任务。很多错误在这里就能暴露。比如它把“补一个导出按钮”理解成“重做报表模块”,把“修一个权限 bug”理解成“改造权限体系”。

第二,过程中设升级条件。

平时让 AI 自己跑,但一旦碰到范围、依赖、数据模型、权限、状态、测试失败绕路,就停下来。

第三,结束后写 Handoff Note。

重要任务做完以后,不只说“完成了”,还要留下变化、原因、边界、不变量、验证、风险和回滚方式。

第四,长期更新系统地图。

每次 C 类以上改动,都问一句:架构图、领域模型、不变量、ADR、runbook 有没有需要更新?

这四件事放在一起,才构成真正的 AI 管理。

任务前定边界。

过程中设停点。

结束后做交接。

长期维护地图。

这不是要把 AI 变慢。

这是防止 AI 的快把团队甩下车。

十二、判断一套 AI 工作流好不好

最后给一个判断标准。

不要只看它当次省了多少时间。

还要看它做完以后,团队有没有变强。

如果 AI 每完成一次任务,系统更难理解一点;每生成一批代码,人类更不敢动一点;每解决一个问题,关键判断都留在聊天记录里;每次提速,都换来更多隐性依赖,那这不是进步,是透支。

好的 AI 协作应该反过来。

AI 每完成一次任务,系统地图更清楚一点。

AI 每引入一个改动,边界更明确一点。

AI 每解决一个问题,团队多一份可复用的判断。

AI 每跑得更快,人类对方向的掌控更强,而不是更弱。

所以,“AI 不是员工,但要像员工一样管理”,重点不在拟人化。

重点在后半句:管理。

管理的核心不是监控劳动,而是让劳动成果进入组织能力。

管理 AI 也是一样。

你不必知道它每一分钟在干什么。

但你必须确保:即使这个 Agent 明天消失,换一个模型、换一个人、换一个上下文窗口,你仍然能继续指挥这个系统。

这才是 AI 时代真正的掌控感。


参考:

  • Geoffrey Litt, Understanding is the new bottleneck: https://www.geoffreylitt.com/2026/07/02/understanding-is-the-new-bottleneck.html
  • Geoffrey Litt, explain-diff gist: https://gist.github.com/geoffreylitt/a29df1b5f9865506e8952488eac3d524

从 Prompt 到 Loop:AI 时代,最重要的能力是创造创造机器(万维钢取向版)

发表于 2026/07/02 | 分类于 AI专题

从 Prompt 到 Loop:AI 时代,最重要的能力是创造创造机器

一、一个从“怎么用 AI”长出来的大问题

我们先从一个具体得不能再具体的场景说起。

有个人在用 AI 做量化:让模型写策略代码,跑回测,看收益和回撤,接下来还打算接模拟盘、实盘。他同时还用 AI 做另一件事:让模型去网上翻热门网文,总结里面反复出现的桥段和情绪套路,再拿这些总结去指导新的小说创作。

然后他问了一个看起来很技术的问题:这算不算一种 loop?

这个问题的有趣之处在于,它看上去是在问工具的用法,其实问的是一件大得多的事。因为当你把“量化”和“网文”这两件八竿子打不着的事情摆在一起,发现它们的骨架居然一模一样时,你就已经不是在讨论工具了,你是在讨论一种新的做事方式。

这种做事方式,正在悄悄改变人和机器的关系:从“我发指令、你交结果”,转向“我搭一个能持续试错、持续验证、持续进化的系统”。

这就是今天想跟你展开的核心命题。为了讲清楚它,我们需要先把 AI 的使用方式,拆成三个台阶。

二、三个台阶:prompt、harness、loop

第一个台阶,叫 prompt。

你对 AI 说一句话,它给你一段代码、一篇文章、一份报告、一个方案。人是甲方,AI 是乙方。你提需求,它交活儿。这是绝大多数人今天使用 AI 的方式,也是最直觉的方式。

第二个台阶,叫 harness(可以理解成“驾驭工程”或者“工作台工程”)。

到这一步,你不再只给一句话。你给 AI 边界、上下文、工具、数据、测试和评价标准。你不是让它自由发挥,而是给它一个受控环境,让它在限定范围里做事。这个台阶的关键,不是“把 prompt 写得更漂亮”,而是“让 AI 在一个可校验、可追溯、可重复的环境里工作”。

第三个台阶,叫 loop。

到这一步,AI 不再只是完成一个任务,而是进入一个循环:提出假设,执行实验,拿到反馈,修正方案,再来一遍。而人呢,既不只是发需求的甲方,也不只是搭工作台的工程师,人开始负责方向、判断、标准、停止条件——还有最要命的一样东西:价值函数。

如果一定要用一句话把这三个台阶串起来,我会这样说:

Prompt,是发明一个答案。

Harness,是发明一个工作台。

Loop,是发明一个生产系统。

而当你把这条路走到尽头,你会发现自己在做的事,其实是发明一个能不断发明东西的东西。

划重点:这三个台阶不是“新的替代旧的”,而是层层嵌套。没有 harness 的 loop 会失控,没有 loop 的 harness 只是个更讲究的工具。

三、这就像一个人从学生长成 PI

三个台阶听着抽象,我给你换一个更有画面感的类比:一个人在科研体系里的成长。

学生阶段。 别人给你题目,给你步骤,给你实验 protocol,你负责执行。老师说今天测这个指标,你就去测;老板说这段代码要改,你就去改。这个阶段最值钱的能力是执行力。

对应到 AI,这就是 prompt:一个明确任务,一个结果。

研究生阶段。 情况变复杂了。你不再只是照做,你开始会设计实验条件、控制变量、调参数、判断数据有没有意义。但你通常还在一个既定方向里活动——课题组定了大方向,导师画了边界,你在边界里探索局部的可能性。

对应到 AI,这就是 harness:你给它数据接口、测试脚本、验收标准、代码规范、运行边界,让它在一个受控环境里行动。

PI(实验室负责人)阶段。 角色又变了。你不再亲手做每个实验,你要决定的是:什么问题值得研究,哪些方向值得押注,哪些结果说明路线有戏,哪些结果只是噪音。你配置资源,设计研究组合,判断什么时候继续、什么时候转向、什么时候干脆停手。

这就是 loop。

我想强调一件容易被忽略的事:一个好的 loop,本质上是一个研究计划,而不是一段自动化脚本。它有假设,有实验,有反馈,有记忆,还有淘汰机制。它衡量成败的方式,也和自动化完全不同。

自动化问的是:今天跑通了吗?

研究问的是:这一轮,让我更接近真相了吗?

四、真正可怕的不是失败,是无法归因的失败

科研圈有一句很朴素的经验:不要怕实验失败,要怕不知道它为什么失败。

一个实验没跑出预期结果,可能是理论假设错了,可能是实验条件不对,可能是样本太小,可能是测量工具有问题,可能只是数据处理时出了个 bug。失败本身不丢人,无法归因的失败才是纯粹的浪费——因为它什么信息都没留下。

AI loop 完全遵循同一条规律。

拿量化举例。一个策略回测不好,并不自动证明这个思路无效。它可能是交易成本吃掉了收益,可能是信号半衰期太短,可能是样本外的市场环境变了,可能是因子暴露没有中性化,也可能是代码里藏了一个 look-ahead bias(用到了未来数据)。

所以真正重要的问题从来不是“这一轮有没有赚钱”,而是“这一轮有没有让我搞清楚点什么”。

这正是 loop 和“AI 帮我干活”的分水岭。前者把每一次失败都变成信息,后者只是把失败重复得更快而已。

划重点:判断一个 loop 有没有价值,别看它某一次的产出多漂亮,看它每一轮失败是否产生了可以复用的信息。

五、loop 的本质不是自动化,而是学习

很多人一听 loop,脑子里立刻蹦出来的词是“自动化”。

自动跑脚本,自动生成内容,自动发邮件,自动下单,自动发文章。这当然是 loop 的一部分,但绝不是最要紧的部分。

我们把话说得再直白一点:真正的 loop,不是让机器自己转起来,而是让系统每转一圈都变聪明一点点。

如果一个系统每天生成一堆策略、写一堆文章、发一堆内容,却不留下任何判断,不更新任何假设,不淘汰任何错误,不改进任何标准——那它不是 loop,它是一台自动化的噪音制造机。它甚至比手工还危险,因为它把无效劳动的规模放大了。

那么,一个真正会学习的 loop,需要哪些零件?我把它拆成六个。

假设。 你得知道自己在测什么。量化里,是“某个市场结构里存在可捕捉的行为偏差”;写作里,是“某种桥段能引发读者的期待与释放”;产品里,是“某个功能能解决用户的真实痛点”。没有假设的循环,只是在瞎忙。

实验。 这一环恰恰是 AI 最擅长的。写代码、跑数据、生成变体、整理文献、模拟用户、批量造测试用例——实验的成本被 AI 压到了地板价。这是这个时代最大的变量。

测量。 没有测量,实验就只是“行动”。量化要看收益、回撤、夏普、换手、样本外表现;网文要看读者是否读得下去、爽点是否成立、人物是否可信、章节钩子是否勾人;软件要看测试、性能、错误率、用户路径。

解释。 测量告诉你“发生了什么”,解释告诉你“为什么”。很多 loop 死在这一环:不是没有数据,而是数据没有被翻译成理解。

更新。 更新可以是改 prompt、改规则、改数据、改测试、改选题、换模型、调工作流。请记住一件反直觉的事——真正的进步不体现在结果里,而体现在系统结构的更新里。

停止标准。 什么时候继续,什么时候转向,什么时候承认方向错了。这一条最容易被忽略,却极其关键。没有停止标准的 loop,会平滑地滑进沉没成本的黑洞:越投入越舍不得,越舍不得越投入。

这六件事加在一起,才配叫“学习”。

所以,如果非要给 loop 一个更准确的定义,我不会说它是 automation(自动化),我会说它是 learning system(学习系统)。AI 让做实验变得极其便宜,但实验本身不会自动长出智慧。智慧来自选择、解释和积累——而这三样,目前主要还得靠人。

六、AI loop 干的是同一件事:把不确定性变成可学习过程

现在我们可以给这一整套东西提炼一个更硬核的说法了。

AI loop 的本质,不是把确定的事做得更快,而是把不确定的事变成一个可以学习的过程。

这句话值得咀嚼一下。

传统的自动化,处理的是确定性问题:流程你已经想清楚了,只是不想自己手动重复,于是交给机器。它的前提是“我知道怎么做,只是懒得做”。

而 loop 处理的是不确定性问题:“我还不知道怎么做,我甚至不确定这条路通不通。”面对这种问题,你没法一步到位地“自动化”它,因为你连正确答案是什么都不知道。你能做的,是把它拆成一轮一轮的猜测与验证,让每一轮都逼近答案多一点。

量化本质上是在赌一个你并不确定的市场规律;网文本质上是在赌一个你并不确定的读者反应;创业本质上是在赌一个你并不确定的市场需求。这些事的共同点是:你无法用聪明一次性想明白,只能用循环一点点试明白。

这里有一个很容易被忽略的推论:既然答案是试出来的,那么“试一次的成本”,就直接决定了你到底能走多远。

举个例子。一个策略假设,如果验证它需要你亲手写三天代码、手动下载数据、逐行调试,那么你一年最多也就试个几十次,其中大部分精力还耗在了“把实验跑起来”上,而不是“想清楚这次到底学到了什么”。可一旦 AI 把“跑起来”这件事压到几分钟,你一天就能试几十次。试错的密度提高一个数量级,你能探到的可能性空间,就完全是另一个量级。

换句话说,AI 没有让不确定的事变确定,它让你买得起更多次面对不确定的机会。这才是它真正改变游戏的地方。过去很多好想法之所以没被验证,不是因为它们错,而是因为验证它们太贵,贵到根本轮不到被认真对待。

AI 的真正价值,不是替你把已知的事做完,而是让你在未知的事上,能承受得起大规模、高密度、低成本的试错。

理解了这一层,你对“AI 会不会取代人”这个问题的答案也会变。因为真正在被改变的,不是“谁来执行”,而是“人类第一次有能力,把不确定性当成一门可以系统经营的生意”。

七、为什么 harness 是 loop 的地基

在往下走之前,我想专门停一停,说清楚一件很多人会跳过、但一跳过就要吃大亏的事:harness 不是 loop 的初级阶段,而是 loop 的前提。

我们不妨把三个台阶各自最操心的事,写成三个不同的问题。

Prompt 阶段,人操心的是“怎么说”——我该怎么问,才能让 AI 给我一个好答案?

Harness 阶段,人操心的是“怎么约束”——我该给 AI 什么工具、什么上下文、什么限制、什么测试,才能让它稳定地产出可用的结果?

Loop 阶段,人操心的是“怎么进化”——我该怎么搭一个系统,让 AI 的每一轮产出都能被验证、被选择、被记住,并推动下一轮变得更好?

这三个问题一层叠一层,缺了中间那层,整座楼就是危楼。

为什么?因为没有 harness 的 loop,是这个时代最危险的东西之一。

想想看:loop 的核心特征,是“高速地转圈”。而 AI 的生成速度又快得吓人。这两件事叠加在一起,意味着一旦方向错了,你的系统不是慢慢犯错,而是在高速地、批量地、不知疲倦地制造错误。它会用它全部的效率,把一个错误的假设放大成一场灾难,等你回过神来,可能已经在错误的地基上盖了二十层楼。

harness 就是那套防止你在错误地基上狂盖楼的东西:边界、测试、版本控制、指标定义、回滚机制、记忆系统。它给这台高速运转的机器装上刹车、装上仪表盘、装上安全带。

所以,如果说 prompt 是给 AI 一个任务,harness 是给 AI 一套制度,那么 loop,是在这套制度之上,再给 AI 施加进化压力。

划重点:先有可校验的环境,再谈可进化的循环。跳过 harness 直接冲 loop,等于给一辆没有刹车的车装上更大的引擎。

八、发明一个会发明东西的东西

聊到这里,一个更大的类比冒出来了:企业。

有一种被反复转述的说法:苹果最伟大的产品,不是 iMac,不是 iPod,也不是 iPhone,而是苹果公司本身。这句话真正厉害的地方,是它把两样东西干净利落地分开了——“产品”,和“生产产品的系统”。

iPhone 是一个产品,它会过时。

苹果公司是一台能持续造出新产品的机器,它可以一代一代往下走。

我们不妨把创造分成几个层级。

一阶创造,是做出一个东西。

二阶创造,是做出一个“能不断做出东西”的东西。

三阶创造,是做出一个“能不断改进自己创造能力”的东西。

AI loop 正在把普通个人,第一次推向二阶创造,甚至隐约摸到三阶创造的门槛。

你不是让 AI 写一个策略,你是在建一个能持续发现、验证、淘汰策略的系统。

你不是让 AI 写一篇小说,你是在建一个能持续提炼桥段、生成变体、吸收反馈、更新写法的系统。

你不是让 AI 写一个功能,你是在建一个能持续理解需求、生成方案、跑测试、修缺陷、沉淀规则的软件生产系统。

这就是“发明一个会发明东西的东西”。

而这,恰恰也是企业的本质。一家好企业,从来不是人、钱、办公室和流程的机械堆叠。它是一个有方向、有反馈、有记忆、有选择机制的创造系统:吸收资源,提出假设,做实验,淘汰错误,放大正确,形成文化,积累能力,然后源源不断地吐出新东西。

划重点:过去,“拥有一个组织”是极少数人的特权,因为它需要很多人、很多钱、很多协调。AI 把这个门槛砸掉了一大块——一个人,现在也能拥有一个组织的骨架。

九、一个人,一个微型公司

请注意,我不是在说“一个人就能取代所有组织”。这是一句会被现实狠狠打脸的大话。

现实世界里的销售、融资、法律责任、客户关系、线下交付、复杂的人际协作,仍然需要真实的人和真实的组织。这些没那么快被替代,也不该被轻率地替代。

但是,在知识生产、软件生产、内容生产、策略研究这些可以被高度符号化的领域,情况确实变了。一个人现在可以用 AI、代码、数据、自动化、知识库和发布系统,搭出一个微型实验室、一个微型媒体公司、一个微型量化团队、一个微型软件作坊。

这里面最稀缺、也最值钱的东西,是试错密度——单位时间里,你能负担得起多少次有信息量的尝试。过去,只有小团队才拥有像样的试错密度;现在,一个想清楚了的个人也能拥有。

于是一种新的个人形态出现了,我们不妨叫它:个人创造系统的架构师。

这个人不是传统意义上的老板,也不是传统意义上的程序员。他更像一个小型组织的设计者。组织里的研究员、工程师、编辑、测试员、分析师、资料员,很多角色都由 AI 和工具链来扮演。而他自己的工作,是设定方向、设计选择压力、维护标准、判断结果,并把每一轮的经验沉淀成系统的记忆。

十、进化论:变异、选择、遗传

要把“loop 到底是怎么运转的”讲透,我发现最好用的模型不是工程学,也不是管理学,而是进化论。

进化只需要三个条件:变异、选择、遗传。缺一个,就不会进化。我们把 AI loop 往这三个条件上一套,会发现严丝合缝。

变异,是 AI 的主场。

AI 最擅长的就是低成本地大量生成:十个策略、二十个标题、一百个产品功能、五种架构方案、三种文章结构。过去人脑里的想法很贵,因为每个想法都要花时间酝酿、表达、实现。AI 让变异变得极其便宜——便宜到你需要重新思考“想法多”到底还是不是一种优势。

变异一旦变便宜,选择就变成了瓶颈。

哪些策略留下?哪些桥段有效?哪些代码可维护?哪些功能值得上线?哪些文章值得发布?这些问题,AI 不会自动替你回答。它可以参与评估,但最终的选择压力必须由系统——归根结底由人——来定义。

不同领域的选择压力长得不一样:

量化里,是收益风险比、样本外表现、最大回撤、对交易成本的敏感度。

网文里,是读者停留、情绪释放、爽点密度、人物可信度、对下一章的期待。

软件里,是测试通过率、缺陷率、可维护性、性能、用户路径的转化。

个人成长里,是注意力有没有更自由、判断有没有更清楚、长期积累有没有真正在复利。

最后是遗传,也就是最容易被忽略的一环。

有效的经验怎么被保留下来?失败的教训怎么避免下次重犯?靠的是文档、代码库、测试、prompt、workflow、知识卡、指标体系、复盘记录、版本控制。没有这些,你的系统就是一条没有记忆的鱼:每一轮都从头开始,那不叫积累,那叫折腾。

把这三条合起来,一个 AI loop 就可以写成一行清清楚楚的公式:

AI 负责生成变异;测试、市场、读者、用户、回测负责提供选择信号;文档、代码、数据库、规则、workflow 负责遗传;而人,负责设计选择压力。

这一行里,最后半句是重点中的重点。未来真正强的人,不是最会“调用”智能的人,而是最会“设计一个让智能进化的环境”的人。

这三条里,人们通常只盯着“变异”惊叹——“哇,AI 一下能生成一百个方案”。但你现在应该看得出来,变异是三条里最不稀缺的一条。真正决定进化速度上限的,是选择和遗传。选择决定了你的系统往哪个方向走,遗传决定了它走过的路会不会被记住。一个只会疯狂变异、却没有像样选择和遗传机制的系统,就像一个物种拼命繁殖、却每一代都随机重新洗牌——它不会进化,只会热闹。

这也正是顶级企业家和顶级科研负责人的共同点:他们不亲自做每一个动作,但他们决定——什么样的动作会被鼓励,什么样的结果会被保留,什么样的错误会被淘汰。苹果的厉害,不只在于它有一群聪明人,而在于它有一套极其强烈的审美选择压力,很多东西被砍掉,留下来的才像苹果。一个好实验室也一样:它不是把所有想法都做一遍,而是有一套关于“什么问题有价值、什么证据可信、什么结果可以发表”的标准。

十一、最危险的地方:价值函数错了

到这里,故事已经足够漂亮了:AI 变异,系统选择,工具遗传,人设计压力,一台会进化的创造机器就搭起来了。

但正因为它高效,它才藏着最大的风险。

一台会进化的机器,如果价值函数错了,它会用惊人的效率,把你带向错误。

让我把这个抽象的“价值函数错了”,翻译成四种你一定见过的具体病症。

第一种,过拟合。 这是量化里的经典陷阱。一个策略在历史数据里表现得天花乱坠,不代表它未来能赚钱。如果你的选择压力只奖励“历史收益”,你就是在诱导 AI 去挖掘数据里的偶然纹理。回测曲线越漂亮,往往未来越危险——因为它可能只是把噪音背下来了。

第二种,指标幻觉。 你以为你在优化一个重要的东西,其实你只是在优化一个容易测量的东西。因为“重要”往往很难量化,而“容易测”的指标随手就有,于是系统会不知不觉地把靶心,从“重要”悄悄挪到“好测”上。

第三种,只追短期爽点。 内容创作里最常见。如果你的选择压力只奖励短期刺激,AI 会不断强化反转、悬念、标题党和情绪操控,最后写出一堆廉价套路。读者短期被钩住,长期却不再信任你——你透支的是自己最值钱的资产。

第四种,只追可测指标。 产品里俯拾皆是。只优化点击率,就会牺牲用户的真实收益;只优化留存,就可能把产品设计成让人上瘾;只优化收入,就可能一点点烧掉品牌信用;只优化“测试通过”,就可能写出一堆表面正确、实则没人敢维护的代码。

这四种病,看着各不相同,其实是同一条定律的四张脸。它常被转述为古德哈特定律(Goodhart’s Law):一个指标一旦成为目标,它就不再是个好指标。

道理并不玄。指标之所以有用,是因为它和“你真正想要的东西”之间存在某种相关性。但一旦你开始死命优化这个指标,系统就会想尽办法钻空子,专挑那些“能把指标做高、却和你真正想要的东西无关”的路径去走。相关性被优化压力一挤,就断了。于是你得到了一个漂亮的数字,和一个越来越空的实质。你越努力,跑偏得越彻底。

AI loop 会把这条定律放大到极致。因为 AI 特别擅长追逐明确的数字——你一旦告诉它“把这个数拉高”,它就会不知疲倦、不择手段地朝那个数狂奔。它不会停下来问一句:这个数,真的是你想要的东西吗?

所以我想把话说得重一点:一台创造机器最核心的零件,不是发动机,而是价值函数。

发动机决定它跑多快,价值函数决定它往哪儿跑。发动机弱一点,无非是慢;价值函数错一点,是全速冲向悬崖。

这也正是为什么,人不会在 loop 里消失。恰恰相反,人最不可替代的位置,就在这里:

AI 可以生成更多可能性,但人要决定什么叫“好”。

AI 可以优化任何指标,但人要决定这个指标值不值得优化。

AI 可以跑完任何实验,但人要判断实验结果到底有没有意义。

AI 可以沉淀任何规则,但人要不断回头审查:这些规则,有没有正在把系统带偏。

十二、人的位置:从劳动力,变成制度

沿着这条线再往深走一层,你会看到一个更根本的变化:AI 让人第一次有机会,把自己的判断力,外化成一套能自己运转的系统。

过去,一个人的能力,是长在身体里的。你会写代码,是因为你亲手写;你会看文章的好坏,是因为你亲自读;你有经验,是因为你亲自踩过坑。能力被牢牢锁在你这一具肉身、这一段时间里。你在,能力才在;你累了,能力就停摆。

现在不一样了。你可以把一部分能力,写成 prompt、脚本、测试、文档、workflow、agent、数据库和发布流水线。

这意味着什么?

意味着你正在把自己,从一个劳动力,变成一种制度。

你的判断,不再只体现在某一次具体的选择里,而体现在“系统如何做选择”里。

你的品味,不再只体现在某一篇具体的文章里,而体现在“写作流程如何定义什么是好文章”里。

你的工程经验,不再只体现在某一次 code review 里,而体现在测试、规范、模板和质量门禁里。

你的研究能力,不再只体现在某一次灵感里,而体现在一个能持续提出和检验假设的 loop 里。

这是一次很大的迁移。在传统世界里,“制度”通常是公司和机构才配拥有的东西,个人只能有“习惯”。习惯不可扩展、不可复用、也很难传给下一段时间的自己。而 AI 时代,个人第一次可以拥有属于自己的微型制度:一个内容生产制度,一个投资研究制度,一个学习制度,一个软件开发制度。它们不必宏大,只要有方向、有反馈、有记忆、有淘汰、有复盘,就已经是一个组织的胚胎。

所以,“我在用 AI”这个说法,正在变得越来越不够用。

你不只是在用 AI。你是在用 AI,把自己的一部分能力,浇筑成一个可以脱离你的身体独立运转的外部结构。

十三、别在循环里修补结果,要在循环之上修补规则

这里要引入一个特别实用的区分:in the loop 和 on the loop。

In the loop,是人待在循环里,一件一件地补救结果。

AI 写了一段代码,你逐行去改。AI 写了一段文章,你手工去润色。AI 给了一个策略,你自己去调参数。你当然也在参与——但你参与的方式,是“局部修补”。这种参与有一个致命的问题:它不可扩展。AI 的产出速度越快,你越是补不过来,最后你会变成一个被 AI 追着跑的、更累的自己。

On the loop,是人站在循环之上,去修改规则。

AI 写的代码总是不合项目结构?你不只是改这一次,而是补上规则、测试和上下文,让它下次不再犯同一类错。

AI 写的文章总是“冷感”太重、只讲道理不给画面?你不只是改这一次的句子,而是把“场景先于结论”“观点要落到行动”这类要求,写进你的写作 harness。

AI 生成的策略总是过拟合?你不只是删掉这一次的结果,而是加上样本外验证、交易成本压力测试、因子暴露检查和明确的停止标准。

一句话对照:in the loop 修补结果,on the loop 修补规则。

这个转变为什么如此关键?因为 AI 的执行速度越快,你就越不可能靠“手工修补每一个结果”活下去。你唯一的出路,是把自己的判断,升级成规则、工具和自动检查机制——让判断本身变得可以规模化。

这其实就是“带团队”的道理。

一个新人每次提交代码都忘了跑测试,你当然可以每次都去提醒他。但更聪明的做法,是把测试放进 CI,让没过测试的代码根本合不进来。

一个编辑每次都忘了检查标题,你当然可以每次都替他看一眼。但更聪明的做法,是把标题检查写进发布前的 checklist。

AI 团队,也是团队。只不过这个团队的成员很便宜、很快、还特别健忘(每次都可能丢掉上下文)。你没法用情绪去管理它,你只能用制度去管理它。

十四、个人创造系统的五个器官

如果一个人真要动手搭一套属于自己的、AI 原生的创造系统,它至少需要五个“器官”才能算是活的。

第一个器官:方向感。

方向感决定系统往哪里积累。没有方向感,AI 会把你带进一种“随机的繁忙”:今天做量化,明天写小说,后天做 App,大后天又研究短视频。每件事看着都挺有意思,但彼此之间没有复利,你只是把精力平摊在了一地碎片上。

方向感不等于“只能做一件事”,而是要求不同的事之间有一条共同的主线。比如量化、网文、AI 编程,表面上南辕北辙,其实可以被同一个主题串起来:如何用 AI 建造可验证、可迭代、可沉淀的创造系统。 主线在,繁杂的事就开始互相喂养;主线不在,再勤奋也只是四处漏气。

第二个器官:评估标准。

什么叫“变好”?没有标准,就没有进步,只有自我感动。量化有指标,写作有读者,产品有用户,软件有测试,个人成长也得有反馈。标准不一定都是数字,但它必须能帮你做出“要 A 不要 B”的选择。一个不能帮你做选择的标准,等于没有标准。

第三个器官:记忆系统。

每一轮尝试,都要留下可以被下一轮调用的经验,否则你只是在不停地“重启”。记忆系统可以是文档、数据库、知识卡、commit、issue、实验记录、读者反馈索引、失败案例库。它不需要一上来就完美,但它必须存在——因为进化论早就说了,没有遗传,就没有进化。

第四个器官:资源分配。

哪些方向加码,哪些方向暂停?哪些项目只是探索,哪些项目进入生产?哪些结果值得请最贵的强模型来精雕细琢,哪些结果只配让便宜模型先草拟一版?这就是资源分配。它和投资组合是同一个道理——你不会把所有钱都押在一只高风险的股票上,也不会全部存定期。没有资源分配的 loop,会像一个不设预算的部门,安安静静地把你的时间和注意力吞光。

第五个器官:品味和价值观。

这是最难自动化,也最不该被自动化的部分。它决定这台系统最终会创造出什么,而不只是“提高了哪个指标”。你要不要写廉价爽文?你要不要为了收益牺牲风险控制?你要不要为了发布速度牺牲准确性?你要不要为了效率牺牲对人的基本尊重?这些统统不是技术问题,是价值问题。

关于这最后一个器官,我想留下一句可能有点扎心的话:

一个创造系统,可以没有很强的模型,但不能没有价值观。 模型弱一点,你可以补工具、补测试、补流程;价值观一旦错了,模型越强,它就越危险。

十五、把一次深聊,变成一篇文章,再变成一个 skill

绕了一大圈,现在我们回到这篇文章本身。

因为这篇文章,它自己就是一个 loop 的产物。它不是凭空写出来的,它是一个循环一圈一圈滚出来的。我把这个过程摊开给你看:

第一轮,是对话。 一个很小的直觉:prompt、harness、loop,人的角色好像在变。

第二轮,是类比。 这个变化,像不像一个人从学生长成 PI?执行、设计实验、设方向。

第三轮,是扩展。 它又像企业——最伟大的产品是公司本身,因为公司是那个“能持续造产品的东西”。

第四轮,是抽象。 我们把它拧成一串更硬的概念:二阶创造、创造机器、进化系统、选择压力、价值函数。

第五轮,是外化。 把讨论写成初稿,交给另一个更强的模型去润色,再发布到个人网站和阅读 App 上。

第六轮,是制度化。 把这一整套流程,沉淀成一个 skill。以后每当一次深聊足够有价值,就调用这个 skill:整理对话、提炼思想、写初稿、调用强模型润色、发布、验证,最后再把这一轮的经验,更新回 skill 本身。

你看,这件事本身,就是我们从头到尾在讨论的主题。

你不只是写了一篇文章。

你顺手发明了一台把深聊转化为长期资产的机器。

这就是 loop 最迷人的地方:一次有价值的思考,不再随着聊天窗口的关闭而蒸发。它被整理、被发展、被发布、被复用,最后成为下一轮思考的起点。而当这个 skill 还能根据每次使用的效果,反过来改进它自己时——你就已经在悄悄触碰三阶创造了。

十六、未来的高手,会是什么样的人

如果把前面所有的讨论,收束成一句判断,我会这样说:

AI 时代最强的个人,不是最会使用 AI 的人,而是最会建造创造系统的人。

这个人不一定是传统意义上的程序员,也不一定是传统意义上的企业家。他可能是研究者、作者、交易者、产品经理、独立开发者、老师、顾问、投资人,或者一个横跨好几种身份的杂食者。

但他们身上有一组共同的特征:

他不满足于一次性的产出,他要的是持续产出。

他不只关心结果,他更关心结果如何被验证。

他不只让 AI 执行,他给 AI 搭建环境。

他不只收集反馈,他把反馈转化成下一轮的规则。

他不只拥有想法,他拥有一个能让想法被测试的系统。

他不只是一个劳动力,他是一个会生长的制度。

这类人会越来越重要,因为 AI 正在重写世界的基本成本结构。执行变便宜了,生成变便宜了,试错变便宜了,表达也变便宜了。而越是这样,方向、标准、判断、记忆和价值函数,就越贵。

所以未来的差距,不会拉开在“谁能让 AI 多写几段代码、多生成几篇文章、多跑几次回测”上。真正的差距,会拉开在下面这几件事上:

谁能定义出值得循环的问题;

谁能设计出好的选择压力;

谁能分辨出真进步和指标幻觉;

谁能把失败变成信息;

谁能把经验变成制度;

谁能在飞快的速度里,依然守得住价值判断。

十七、结语:重新理解“创造”

过去我们说“创造”,脑子里浮现的往往是灵感、作品、天才、灵光一现的瞬间——一个人写出一本书,做出一个产品,提出一个理论。创造,是名词,是一个孤零零的成果。

AI 时代,创造的重心正在整体上移。

真正重要的,可能不再是创造某一个作品,而是创造一个能持续产生作品的系统。

不是写出一篇文章,而是建一个能不断从对话里提炼思想、发展成文、发布沉淀的系统。

不是写出一个策略,而是建一个能不断发现、检验、淘汰策略的系统。

不是写出一段代码,而是建一个能持续把需求变成可靠软件的系统。

不是学会一个知识点,而是建一个能持续吸收、验证、应用知识的系统。

这,就是从一阶创造,走向二阶创造。而当这个系统还能根据反馈改进自己时,它就开始触碰三阶创造。

所以也许,我们现在真正要面对的问题,不是那句被问烂了的“AI 能帮我做什么”,而是另一句更大的:

我能和 AI 一起,建成一个什么样的创造机构?

这个机构可以很小。它也许只是一个目录、一组脚本、几份文档、几个 agent、一个发布脚本、一个回测框架、一张读者反馈表。它小到不值一提。

但只要它有方向、有反馈、有记忆、有淘汰、有价值判断,它就不再是“零散地使用 AI”,而是一个会生长的东西。

从这个角度看,AI 编程、量化策略、网文创作、个人网站、skill 沉淀——这些看似分散的事,其实是同一件事的不同切面:

人类,正在学习如何发明“会发明的机器”。

而这台机器最终会发明出什么,不取决于它有多强,只取决于——我们把什么样的判断、品味和价值,写进了它的循环里。

从泥板到 AI Loop:人类如何发明会发明的机器(赫拉利取向版)

发表于 2026/07/02 | 分类于 AI专题

从泥板到 AI Loop:人类如何发明会发明的机器

智人是地球上唯一一种会不断把自己的判断力、记忆力和劳动搬到身体之外的动物。狮子学不会把捕猎经验写下来传给下一代狮子,蚂蚁的分工写在基因里,几百万年不会改写。只有人类,一次又一次地找到办法,把脑子里那点脆弱又易逝的东西,固化成外部的、可以复制、可以传递、可以被下一个人接手继续运转的结构。

泥板是这样一次固化,账本是又一次固化,实验室是再一次固化,公司是又一次固化,软件系统是又一次固化。今天,AI agent 和它所嵌入的循环系统,正在进行人类历史上最新的一次、也可能是最深的一次固化。这一次,人类固化的不再只是记忆和流程,而是判断本身,以及生成新判断的能力。

这篇文章想讲的,就是这条从泥板到 AI loop 的长链条:人类如何一步步从“使用工具的物种”,走到“发明会发明东西的机器的物种”。这条链条上有三个反复出现的关键词——prompt、harness engineering、loop——它们看起来是这几年才有的技术词汇,实际上,是同一种古老冲动在最新技术条件下的复现:把偶然的、依赖个人天赋的创造,变成可以持续运转、持续进化的系统。

一、泥板与账本:人类第一次把判断力搬出大脑

大约五千年前,两河流域的祭司和商人开始在潮湿的泥板上刻画符号,记录谷物、牲畜和劳役。这不是文学的诞生,而是数据结构的诞生。最早的文字,几乎全部是账目:谁欠谁多少大麦,哪座神庙收了多少羊,哪个工匠该领多少口粮。

这件事看起来平淡,却是一次根本性的跃迁。在此之前,一个部落能协调的规模,取决于首领的大脑能记住多少人、多少承诺、多少恩怨。一旦超过一百多人,纯粹靠记忆维系的信任网络就会瓦解。泥板账本第一次让信息脱离了单个大脑的容量限制,变成可以被反复核对、被第三方审计、被下一任书吏继承的外部记录。人类从此可以协调成千上万互不相识的人,因为大家不再需要都记得住彼此,只需要都相信同一份账本。

这正是本文想强调的第一层意思:账本不是简单的记录工具,它是一套制度。它规定了谁有权记账、什么算作有效凭证、出现纠纷时以谁的记录为准。换句话说,账本第一次把“判断”这件事,从某个人的直觉,变成了一套可以被检验、被复核、被传承的规则。

如果借用后来的语言来描述,泥板账本已经具备了 harness 的雏形:它不是让每个书吏凭感觉记账,而是给所有书吏统一的符号系统、统一的格式、统一的核验流程。个人的判断被约束进一套结构里,结果因此变得可比较、可累积。

而更重要的是,账本催生了最早的“循环”:收成、征税、核账、纠错、修订税制、来年再收——一个不断被现实反馈校正的行政循环。法老的粮仓管理者不是只记一次账就完事,而是年复一年地把误差、亏空、丰歉记录下来,用于调整下一年的征收标准。这是农业帝国版本的“提出假设、观察结果、修正规则”。

从这个角度看,人类很早就发明了循环系统,只是那时候的循环运转得很慢,一圈往往要一整个收成季节,甚至一整个王朝。

二、实验室:把创造变成可重复的程序

如果说账本解决的是“如何协调大规模的人”,那么几千年后在欧洲兴起的实验室,解决的是另一个问题:“如何让发现新知识这件事,不再依赖某个天才的灵光一现,而变成一套任何训练有素的人都能执行的程序。”

在实验室出现之前,知识的进步很大程度上依赖零星的个人洞见,缺乏系统性的验证和复现机制,一个人的发现很容易随着他的去世而失传,或者因为没有被检验而以讹传讹。近代科学革命真正改变游戏规则的,不是某一项具体发现,而是一整套方法论:提出一个可以被证伪的假设,设计一个受控的实验条件,测量结果,与其他人分享数据和步骤,让陌生人可以在完全不认识你的情况下,重复出你的结果。

这套方法论的核心,恰恰是今天说的“harness engineering”的古老版本。科学家不是简单地对着自然界许愿,指望自然给出答案,而是给自己设定极其严格的边界:对照组、双盲、统计显著性、同行评审。这些边界的作用,不是限制创造力,而是让创造力可以被验证、被累积、被他人接力。没有这套边界,一个绝顶聪明的炼金术士留下的,可能只是几条互相矛盾的秘方;有了这套边界,一个普通的研究生也可以在前人基础上,往前推进一小步,而这一小步会被写进下一本教科书。

科学的另一个关键洞察,是把“失败”重新定义了。在实验室的语言里,一次没有得到预期结果的实验,很少被简单地称为浪费,因为它排除了一种可能性,缩小了下一次假设的搜索空间。真正被视为浪费的,是无法归因的失败——你不知道到底是理论错了、条件不对、样本太小,还是仪器有问题。可以归因的失败,是知识;无法归因的失败,才是真正的损耗。

把实验室的逻辑抽象出来,我们会看到一个此后反复出现的结构:假设、实验、测量、解释、修订、再实验。这个结构本身就是一种循环,一种以知识增长为目标的学习系统,而不是单纯的重复劳动。科学之所以能在几百年里积累出远超此前几千年总和的知识,靠的不是某几个天才的密度突然变高了,而是这套循环结构被制度化、被大规模复制到了成千上万个实验室里。

三、公司:发明会发明东西的东西

再往后走,工业革命带来了另一种制度发明,比蒸汽机和纺织机更重要,那就是现代公司。

一台机器可以生产一批产品,但机器本身不会决定生产什么、为谁生产、如何应对市场变化。公司之所以强大,不是因为它拥有某一件专利或某一条生产线,而是因为它是一种可以持续吸纳资源、持续提出商业假设、持续在市场里接受检验、持续淘汰失败方向、并把成功经验制度化的组织。科技界一直流传着一种朴素的说法:一家伟大公司最了不起的产品,往往不是它某一款畅销的具体商品,而是这家公司本身——这个能够一次又一次生产出新商品的系统。

这句话点出了一个此前很少被清楚表达的层级差异。做出一件产品,是一阶创造。做出一个能持续做出产品的组织,是二阶创造。而如果这个组织还能根据市场反馈,不断改进自己发现和验证新产品的方法,那就触及了三阶创造:创造一种能改进自身创造能力的能力。

公司之所以能做到这一点,靠的仍然是前面反复出现的那套结构:市场是实验场,销售数据和用户反馈是测量手段,季度复盘和战略调整是解释与修订,企业文化和流程规范是遗传机制,把有效的做法沉淀进制度,让下一批员工不需要重新踩一遍前人的坑。一家公司真正的护城河,往往不是某个天才员工的头脑,而是这套让平凡个体也能持续产出高质量结果的系统结构。

这也解释了为什么公司是一种极其特殊的历史发明:它是一种“法律拟制”,一种存在于人类集体想象和制度承诺中的实体,却能够比任何单独的人类个体活得更久,能够跨越创始人的生死,持续运转下去。公司教会人类的最重要一课,恰恰是本文的主题:真正稀缺、真正值得投入心力去建造的,不是某一个具体产物,而是那个能不断产出新产物、并且越运转越聪明的系统本身。

四、软件系统:把判断力压缩进代码与规则

信息革命给这条链条添上了新的一环:软件系统。如果说公司是把人类的协作方式制度化,软件则是把人类的判断和流程,压缩进了可以被机器精确执行的规则里。

一段测试代码,本质上是把某种正确性判断固化了下来:这个函数应该在什么输入下产生什么输出,不再需要每次都靠工程师肉眼检查。一条持续集成流水线,本质上是把一整套质量把关的流程固化了下来:不通过测试的代码不能合并,不符合规范的提交会被自动拦截。这些看起来枯燥的工程实践,实际上延续了实验室和公司共同的逻辑:把依赖个人记忆和自觉的判断,变成不依赖任何具体个人、可以被反复执行的制度。

软件工程的这套积累,恰恰为下一次跃迁准备好了地基。因为当人类开始尝试让机器不只是执行固定指令,而是自主生成代码、生成方案、生成内容的时候,第一个迫切的问题就是:如何像管理实验室、管理公司一样,给这个新的“执行者”设定边界、设定测试、设定规范,让它的产出可以被验证,而不是变成一堆无法归因的混乱。

这也是为什么 AI agent 不应该被理解为一个更聪明的文本框。文本框只是接受语言,返回语言;agent 的特殊之处在于,它让语言第一次大规模地接近行动。过去,一个人写下一句话,这句话最多改变另一个人的想法;现在,一句话可以触发脚本、修改代码、调用接口、生成文件、提交部署、查询数据库、安排下一轮任务。语言不再只是描述世界,它开始通过工具链直接插手世界。

这种变化看似技术性,实际上非常古老。官僚体系里的公文、法院里的判决、银行里的转账指令、公司里的审批流,本来也都是“语言变成行动”的机器。区别在于,过去这些机器需要大量人类职员在中间搬运、解释和执行。AI agent 把中间许多环节压缩进了同一个可编排系统里:一句自然语言指令,可以被翻译成一串机器动作;一串机器动作,又可以被测试、日志和版本控制记录下来。

于是,一个新的问题出现了:如果语言开始能够行动,那么人类更需要关心的就不是“这句话好不好听”,而是“这句话被放进什么制度里执行”。同一句“帮我优化策略”,在一个没有边界的环境里,可能意味着过拟合历史数据;在一个有样本外检验、交易成本压力测试和回滚机制的环境里,才可能意味着真正的研究。语言本身不可靠,制度化的语言才可靠。这就是从 prompt 走向 harness,再走向 loop 的深层原因。

五、AI 时代的三级跳:prompt、harness engineering、loop

于是我们抵达了这条历史链条的最新一环。人类第一次拥有了一种既不是人、也不是传统意义上的机器的执行者:它能理解语言,能生成代码、文字、方案,能在给定边界内自主行动。而人类与这个新执行者的关系,几乎完整重演了前面几千年走过的路,只是这一次,压缩到了短短几年之内。

第一步是 prompt。人类对着这个新执行者说一句话,让它生成一段代码、一篇文章、一份方案。这个阶段,人类的角色很像古代对着神谕许愿的求问者:提出一个问题,等待一个答案。这里几乎没有制度,只有一句话和一个回应,产出的质量完全取决于那一次问答的运气。

第二步是 harness engineering。人类逐渐意识到,仅仅换一种问法,并不能持续获得可靠的结果。真正管用的做法,是像实验室给科学家设定实验条件、像公司给员工设定流程规范一样,给这个新执行者搭建一整套受控环境:明确的边界、可用的工具、结构化的上下文、可执行的测试、可核验的数据、清晰的评价标准。这个阶段的关键不再是措辞技巧,而是制度设计——让执行者在一个可校验、可追溯、可重复的环境里工作,而不是自由发挥。

第三步是 loop。人类不再满足于完成单次任务,而是把执行者放进一个持续运转的循环:提出假设,执行实验,获得反馈,修正方案,再次尝试。到了这一步,人类的角色发生了质变,不再只是提需求的求问者,也不再只是搭建工作台的工程师,而变成了实验室的负责人、公司的创始人:负责设定方向、设定判断标准、设定何时停止、设定什么样的结果值得留下。

用一句话概括这三级跳:prompt 是发明一个答案,harness 是发明一个工作台,loop 是发明一个生产系统。而当这套生产系统本身还能根据反馈改进自己发现和验证方案的方式时,人类就已经在发明一台会发明东西的机器了。

六、Loop 不是自动化,而是一套学习系统

这里必须澄清一个常见的误解。很多人一听到循环,立刻联想到自动化:自动跑脚本,自动生成内容,自动执行交易,自动发布文章。这确实是循环的表面特征,却不是它真正的价值所在。

一个只会重复、却不会积累的系统,不叫循环,只是一台不知疲倦的复印机。它每天可以生产大量代码、大量文章、大量策略,却没有留下任何判断,没有更新任何假设,没有淘汰任何错误。这种系统运转得越快,制造的噪音就越多。

真正有价值的循环,本质上是一套学习系统,而不是自动化系统。区分二者的,是六个环节是否完整:有没有清晰的假设——你到底在检验什么;有没有可执行的实验——这一步 AI 让成本变得极其低廉;有没有可靠的测量——没有测量,行动只是行动,不是实验;有没有把测量结果转化为解释——数据告诉你发生了什么,解释告诉你为什么;有没有真正的更新——更新的不应该只是一次性的结果,而应该是产生结果的规则本身;有没有清楚的停止标准——什么时候该继续,什么时候该转向,什么时候该承认此路不通。

这六件事合在一起,才配得上“学习”二字。人类历史上每一次制度性的跃迁——账本、实验室、公司——之所以能持续产出价值,靠的都不是重复本身,而是这套学习结构。AI 的出现,让这套结构第一次可以以极低成本嵌入到几乎任何一个普通人的日常工作里,这才是循环真正值得被认真对待的原因。

七、变异、选择、遗传:进化论作为最贴切的模型

理解循环最合适的模型,不是工厂流水线,而是生物演化。演化需要三个条件同时具备:变异、选择、遗传。少了任何一个,都不会产生真正的进步。

AI 最擅长的,是把变异的成本降到接近于零。过去,一个新想法、一段新代码、一篇新文章,都需要人类耗费大量时间去构思、起草、修改,因此想法本身很贵,一个人一生能尝试的变体极其有限。AI 可以在很短时间里生成十种策略、二十个标题、上百种实现方案,变异从此变得极其廉价。

但变异一旦变得廉价,真正稀缺的东西就转移到了选择上。哪些方案值得保留,哪些桥段真正有效,哪些代码结构可以长期维护,哪些产品功能值得上线——这些判断,AI 可以参与提供信息,却不能替代人类定义标准。选择压力从哪里来,决定了整个系统最终会演化成什么样子。用回测的收益风险比筛选策略,系统就会往稳健的方向演化;只用短期点击率筛选内容,系统就会往猎奇和刺激的方向演化。选择压力本身,才是整个循环里最重要的设计决策。

第三个条件是遗传:有效的经验必须以某种方式被保存下来,传给下一轮尝试,否则每一轮都在从零开始,那不叫积累,只是原地打转。这正是文档、代码库、测试用例、知识卡片、复盘记录存在的意义——它们是这套人造演化系统里的染色体,携带着前几代实验留下的信息,让下一代不必重新踩一遍已经被踩过的坑。

于是循环可以被重新描述为一套小型的演化机制:执行者负责源源不断地制造变异,市场、读者、测试、回测负责提供选择压力,而文档、规则、代码库负责完成遗传。人类站在这套机制的顶端,不是去替代任何一个环节的具体工作,而是去设计整套选择压力应该指向哪里。这正是历史上每一次制度性组织——从神庙的祭司到实验室的主任,再到公司的创始人——真正在做的事情:不是亲自完成每一个具体动作,而是决定什么样的动作会被鼓励,什么样的结果会被留下。

八、价值函数的风险:当指标本身变成陷阱

一台可以持续自我改进的机器,听起来令人振奋,但历史反复证明,这类系统最危险的地方,从来不是执行力不够强,而是它被设定去优化的目标本身出了问题。

这个现象有一个广为人知的经济学规律:一旦某个指标被当成目标本身,它就会失去作为好指标的意义。因为一个足够强大、足够擅长优化的系统,会不知疲倦地朝着那个被设定的方向狂奔,而不会自动停下来反思,这个方向是否还对应着最初想要的东西。

在量化策略里,这个陷阱叫过拟合:一个策略在历史数据里表现完美,往往只是因为它精巧地记住了历史数据里的偶然纹理,回测曲线越漂亮,未来越危险。在内容创作里,这个陷阱表现为对短期情绪指标的过度优化:一味追逐爽点、反转和标题党,短期能钩住注意力,长期却会透支读者的信任。在产品设计里,只优化点击率会牺牲用户的真实收益,只优化留存会诱导上瘾式设计,只优化测试通过率会产生表面正确却难以维护的系统。

这类风险不是 AI 时代特有的新问题,人类历史上因为把手段当成目的而付出惨痛代价的例子并不少见:一味追求账面产量而忽视真实民生,一味追求扩张速度而透支制度根基。这些历史教训指向同一个结构性风险——当执行力越来越强、迭代速度越来越快时,一旦最初设定的方向出现偏差,系统会以更高的效率把偏差放大,而不是自动纠正它。

AI 循环会显著放大这种风险,因为它执行指令的耐心和一致性远超人类,一旦被告知要优化某个可测量的数字,它会以极高的效率朝那个数字奔跑,完全不会因为“这样做是否还符合初衷”而自我怀疑。这正是为什么,在一台会自我改进的机器面前,最重要的部件从来不是它的执行引擎,而是驱动它选择方向的价值函数。人类必须持续追问:这套系统到底在优化什么,它优化的东西是否真的对应着我们真正想要的结果,它是否把容易测量的东西,悄悄替换成了真正重要的东西。

这也正是人类在这套循环里不会被替代、也不应该缺席的位置。执行者可以生成无穷多的可能性,却无法替人类回答“什么才算好”;执行者可以精确优化任何被给定的指标,却无法替人类判断这个指标本身是否值得被优化。

九、从劳动力到制度:人类角色的又一次迁移

如果把这条历史链条拉直来看,会发现一个反复出现的模式:每一次信息网络升级,都会重新分配人类的角色。农业革命把大量人力固定进土地和粮仓,工业革命把大量人力固定进工厂和流水线,而每一次,都有一部分曾经属于人的具体劳动,被重新组织进了更大的制度结构里,个人不再直接生产最终产物,而是维护着让产物持续被生产出来的系统。

AI 循环正在推动这个模式的又一次跃迁,而且这一次跃迁的独特之处在于:过去只有大型组织才能拥有的制度能力,第一次开始下沉到个人层面。

所谓制度能力,过去往往意味着非常沉重的东西:办公室、雇佣合同、财务系统、审批流程、会议、档案、组织文化。一个普通人可以有技能,可以有习惯,可以有野心,但很难拥有真正意义上的制度。因为制度需要许多人共同承认,需要稳定的记录系统,需要反复执行后的沉淀,还需要在个体遗忘、离开或疲惫时继续运转的结构。

AI 改变的不是人类突然不需要组织了,而是组织能力的最小可行规模被压低了。一个人现在可以拥有一个只服务于自己的小型研究部门:AI 负责搜索资料、整理证据、生成假设,脚本负责跑实验,文档负责保存结论。一个人也可以拥有一个小型编辑部:对话产生想法,Codex 写母稿,Cursor 润色,发布系统上线,读者反馈回流到下一次写作。一个人甚至可以拥有一个小型工程团队:agent 写代码,测试系统验收,版本控制记录历史,部署脚本把结果推向线上。

这些“小型组织”未必有法人资格,也没有真实雇员,但在功能上已经具备组织的基本器官:它们有目标,有边界,有生产流程,有质量门禁,有记忆,有反馈,有复盘。它们不是比传统组织更伟大,而是第一次让普通个体可以在很小的尺度上练习组织设计。过去,只有创业者、实验室主任、总编辑和管理者才需要认真思考选择压力、资源分配和流程治理;现在,一个认真使用 AI 的个人也必须开始思考这些问题。

在此之前,一个人能拥有的能力,几乎完全存在于自己的头脑、双手和时间里。你会写代码,是因为你亲手写;你能判断一篇文章的好坏,是因为你亲自读过成千上万篇文章积累出的直觉;你有经验,是因为你亲自踩过坑。这些能力被牢牢锁在具体的个人身体里,无法脱离这个人独立存在,也很难被完整地传递给另一个人。

现在,一个人第一次有能力把自己的一部分判断,外化成可以脱离自己独立运转的结构:写成测试用例,写成评审规则,写成发布前的检查清单,写成一套让循环自动淘汰劣质结果的标准。这意味着,一个人的判断不再只体现在他亲自做出的某一次选择里,而是体现在他所设计的系统如何持续做出选择。他的品味不再只体现在他亲手写的某一篇文章里,而是体现在他所定义的“什么算好文章”这套标准里。

这是一次从劳动力向制度的迁移。过去,制度是组织和机构才配拥有的东西,个人最多只能养成习惯,很难拥有一套可以脱离自己独立运转、还能被继承和复用的创造结构。这一次,个人第一次有机会拥有微缩版的制度能力:一个持续发现和淘汰投资策略的研究流程,一个持续提炼桥段与吸收反馈的创作流程,一个持续把需求转化为可靠代码的工程流程。这些流程不需要宏大,只要具备方向、反馈、记忆和淘汰机制,就已经具备了组织的雏形,而组织,正是人类这个物种自古以来最强大、也最独特的发明。

十、把一次深聊变成一篇文章,再变成一个可复用的技能,这本身就是一次循环

这篇文章走到这里,恰好可以回过头审视自己是怎么产生的,因为这个过程本身,就是文章想要讨论的主题的一次现场演示。

第一圈,是一场对话:有人凭直觉察觉到,自己使用 AI 的方式正在从下达一句指令,转向搭建一整套持续试错的系统,人在其中的角色也在悄悄变化。第二圈,是类比:这种变化很像一个人从学生成长为科研负责人的路径。第三圈,是扩展:它又与公司这种历史发明高度相似,一家伟大公司最重要的产品,往往是它自己这套能持续产出产品的系统。第四圈,是抽象:把具体的观察,提炼成二阶创造、选择压力、价值函数这样可以迁移到任何领域的概念。第五圈,是外化:把讨论整理成一篇完整的文章,交由另一套系统打磨语言,发布到公开的渠道,接受真实读者的检验。

而真正让这件事完成闭环的,是第六圈:把整个流程——如何从一场深聊里提炼思想、如何组织成文章、如何检验、如何发布——沉淀成一套可以被反复调用的技能。这套技能一旦沉淀下来,下一次再出现一场足够有价值的对话时,就不再需要从零摸索,而是直接调用已经跑通的流程,跑完之后,再根据这一次运行中发现的新问题,反过来更新这套技能本身。

这正是循环最本质的味道:一次有价值的思考,不会随着对话窗口的关闭而消失,它会被整理、被验证、被发布、被复用,成为下一轮思考更高的起点,而记录和传递这个过程的方式本身,也在一次次运转中变得更加精炼。这与几千年前泥板上的账目、实验室里的实验记录、公司里沉淀下来的流程手册,在结构上是同一件事,只是这一次,从提出想法到把想法变成可继承的制度,中间的时间被压缩到了几天甚至几小时之内。

十一、结语:重新理解创造,也是重新理解人类的位置

把泥板、账本、实验室、公司、软件系统、AI agent 和 AI 循环并排放在一起看,会发现这不是七个孤立的技术故事,而是同一条脉络的七个阶段:人类不断把判断力从个体的头脑里搬出来,固化成外部的、可以被继承、可以被复制、可以被检验的结构,而每一次固化,都会重新分配一次人类自己在系统里的位置。

写字的人从记忆的看守者,变成了信息的记录者;商人从口头承诺的当事人,变成了账本制度的维护者;工匠从凭手艺吃饭的个体,变成了流水线上的一个环节,又在下一轮里变成了流程和标准的设计者;而在 AI 循环这一阶段,普通人第一次有机会从单纯提出需求的求问者,变成一整套创造系统的架构师。

这套系统可以很小,可以只是几份文档、几段脚本、一套测试、一个发布流程,但只要它具备方向、有反馈、有记忆、有淘汰机制、有清醒的价值判断,它就不再是一次性的产出,而是一个会自己生长的东西。人类历史上真正留存下来的,从来不是某一块泥板上的具体记录、某一次实验的具体结果、某一款产品的具体型号,而是那些让记录、实验和产品得以持续被生产出来的制度本身。

AI 没有改变这条历史规律,只是把建造这类制度的门槛,第一次降到了几乎每个普通人都可以触及的高度。真正的分野,不再取决于谁能让执行者多写几段代码、多生成几篇文章、多跑几次回测,而是取决于谁能提出一个真正值得反复检验的问题,谁能设计出恰当的选择压力,谁能分辨真正的进步和被指标误导的幻觉,谁能把每一次失败转化成下一轮可用的信息,谁能把零散的经验沉淀成可以传承的制度,并且在速度越来越快的循环里,始终守住那个不能被外包出去的判断:这一切,究竟是在朝着我们真正想要的方向前进,还是只是在朝着一个被误认成方向的数字狂奔。

这或许就是这条从泥板延伸到 AI 循环的历史长链,留给今天每一个人的最终提问:不要只问这台机器能替我做什么,而要问,我能和它一起,建成一台什么样的、会不断变得更聪明的创造机器,以及,决定这台机器最终会创造出什么的,究竟是怎样的判断、怎样的品味和怎样的价值。

换句话说,AI loop 的终点不是让人退出历史,而是迫使人重新承担历史上最古老、也最沉重的责任:为自己创造出来的制度,选择一个值得前往的方向。

Harness不是测试工具,而是开发控制面

发表于 2026/06/25 | 分类于 AI专题

Harness不是测试工具,而是开发控制面

如果把 Harness 只理解成测试工具,就会错过它最有价值的部分。

测试工具回答的是:这段代码在给定条件下会不会按预期运行。开发 Harness 回答的是:这个任务从被提出到被交付,中间每一步有没有失真、有没有越界、有没有证据、有没有停损点。

测试工具通常包住代码。开发 Harness 包住过程。

一、Test Harness 给我们的启发

一个好的 test harness 会做几件事:

  • 准备被测对象。
  • 构造输入。
  • 替换外部依赖。
  • 控制时间、网络、数据库、文件系统等不稳定因素。
  • 执行动作。
  • 观察输出。
  • 断言结果。
  • 清理环境。

它真正重要的地方,不是“测试”这个词,而是“可控环境”。

没有 Harness 时,代码跑在真实世界里,依赖太多,状态太乱,失败难以复现。有了 Harness,代码被放进一个小型控制舱:输入可知、依赖可知、输出可测。

这件事可以迁移到整个开发过程。

一个需求也是被测对象。它进入开发系统时,天然带着模糊、噪声和缺口。如果不把它放进 Harness,它会在每个阶段变形。最后你得到的不是“解决了问题的代码”,而是“根据一串未验证假设生成的代码”。

二、开发 Harness 控制五件事

开发 Harness 至少有五个控制点。

第一,方向。

方向由 Mode、问题定义、In Scope、Out of Scope 控制。它解决的是“我们到底在做什么”。如果方向没控住,后面所有努力都可能是在加速偏离。

第二,事实。

事实由 Research 控制。它解决的是“我们凭什么这么判断”。开发中最危险的不是未知,而是把未知伪装成已知。Research 要把 Facts、Assumptions、Unknowns 分开。

第三,设计边界。

设计边界由需求、技术设计和实施计划控制。它解决的是“允许怎样改,不允许怎样改”。这里要明确状态流、接口契约、错误态、回滚、监控、验证方式和停损点。

第四,执行。

执行由任务切片、文件边界、测试先行、diff review 控制。它解决的是“怎么保证改动没有偷偷扩大”。AI 参与时尤其重要,因为 AI 很容易把“顺手”变成“已经改了”。

第五,证据。

证据由测试计划、review finding、验收记录、发布报告和复盘控制。它解决的是“我们怎么知道这次真的完成了”。没有证据,完成只是情绪。

三、为什么只靠测试不够

测试很重要,但测试不能替代开发 Harness。

测试通常发生在实现之后。它可以告诉你代码行为是否符合某个预期,但它不一定告诉你预期是否正确。如果问题定义错了,测试越全,越稳定地证明一个错误目标被实现了。

测试通常覆盖代码路径,但不一定覆盖任务边界。一个功能测试通过了,不代表这次没有顺手改坏别的契约。

测试通常验证可观察行为,但不一定验证运维后果。代码能跑,不代表日志足够、指标足够、回滚可行、失败能被发现。

测试通常对付明确输入,但开发失控常常来自隐含输入:一句模糊需求、一个不完整上下文、一段 AI 自行补全的假设。

所以测试是 Harness 的一部分,但不是全部。

更准确地说:

测试 Harness 控制代码运行环境;开发 Harness 控制代码产生过程。

四、一个简单例子

假设任务是:“把文章导出功能优化一下,最近偶尔失败。”

没有开发 Harness 的过程可能是:

  1. 搜索 export。
  2. 看到异常日志。
  3. 猜测是超时。
  4. 增加重试。
  5. 补一个成功导出的测试。
  6. 写结论:已优化。

这个过程很快,但风险很多。

“偶尔失败”到底是什么失败?是生成失败、上传失败、权限失败、任务队列失败、文件过大失败,还是前端轮询超时?

“优化”是什么意思?降低失败率、缩短耗时、改善错误提示、增加重试、增强幂等、补偿历史失败任务,还是增加可观测性?

“增加重试”会不会导致重复导出?会不会重复扣额度?会不会把不可重试错误重试三次?会不会隐藏真正的权限问题?

如果这些都没问,测试成功也只能证明一个很窄的成功路径。

同一个任务放进开发 Harness,过程会变成:

  1. Mode:Hold,只修复和硬化导出失败,不扩展新导出格式。
  2. Research:列出现有导出链路、失败日志、触发条件、相关文件、已有测试。
  3. Problem Framing:确认问题是“导出任务在上传成功但状态写回失败时,会被用户看到为失败且无法恢复”。
  4. Technical Design:设计幂等 key、状态机、错误分类、日志指标、回滚方式。
  5. Implementation Plan:分阶段改状态机、补测试、补指标。
  6. Execution:只改批准文件。
  7. Review:按 happy、nil、empty、error 检查。
  8. Test Plan:记录每条验证命令和证据。
  9. Acceptance:明确剩余风险和是否可发布。

这不是慢。这是把“快但可能错”改成“每一步都知道为什么”。

五、Harness 的几个误区

第一个误区:Harness 等于更多文档。

坏文档确实会拖慢开发。但 Harness 的目标不是写更多字,而是让关键信息不丢。一个好的问题定义可能只有半页,但它能阻止三天偏航。一个好的测试证据台账可能只有一张表,但它能让上线后的复盘有抓手。

第二个误区:Harness 只适合大项目。

小任务更需要轻量 Harness。因为小任务最容易让人觉得“这点事直接改就行”。很多事故不是大项目造成的,而是小改动没有边界、没有测试、没有 review。

第三个误区:AI 可以替代 Harness。

AI 可以帮你生成 Harness 文档,但不能替你决定边界。AI 可以帮你补测试,但不能替你判断哪些风险值得覆盖。AI 可以帮你 review,但如果你没要求它按四路径 review,它很可能给你一段温顺的总结。

第四个误区:Harness 会压制创造力。

真正压制创造力的是混乱。因为混乱会让所有精力都耗在补洞、解释、返工和救火上。Harness 把基本控制面固定住,反而释放了更多思考空间。

六、最小形态

如果一个任务很小,不需要完整文档链,也至少保留最小 Harness:

1
2
3
4
5
6
7
8
9
Mode:
In Scope:
Out of Scope:
Facts:
Assumptions:
Plan:
Validation:
Review Paths:
Residual Risk:

这些字段看起来普通,但它们分别控制不同失控点:

  • Mode 控制变化方向。
  • In Scope 控制本次要做什么。
  • Out of Scope 控制本次不做什么。
  • Facts 控制证据。
  • Assumptions 防止猜测伪装成事实。
  • Plan 控制执行顺序。
  • Validation 控制完成证据。
  • Review Paths 控制边界路径。
  • Residual Risk 控制诚实收尾。

任务变大时,把它展开成完整流程。任务变小时,把它压缩成这几个字段。

Harness 不是仪式,它是可伸缩的控制面。

从混乱到可控:AI时代代码开发为什么需要Harness

发表于 2026/06/25 | 分类于 AI专题

从混乱到可控:AI时代代码开发为什么需要Harness

AI 编程最容易让人兴奋的地方,是它让代码来得太快。

你说一句“帮我把这个功能补上”,它就开始读文件、改代码、写测试、解释方案。以前一个下午才能推进的事,现在像被压缩进十几分钟。这个变化当然重要。但越用到后面,我越觉得真正的问题不是速度,而是控制。

代码来得太快以后,新的问题会出现:需求还没钉住,代码已经写完;边界还没说清,重构已经发生;测试只跑了成功路径,结论已经写成“完成”;AI 把不确定的猜测补成了流畅的解释,人看着也觉得合理。

这不是 AI 的问题。这是开发过程没有 Harness。

一、混乱不是从写代码开始的

很多人以为,开发混乱来自代码写得不好。

当然,代码会写坏。但更早的混乱,通常发生在代码之前。

一个需求往往是这样开始的:

“这个同步偶尔不对,帮我优化一下。”
“这个页面加载有点慢,修一下。”
“这个导出最近有失败,你看看。”
“让 AI 帮我把测试补齐。”

这些话听起来像任务,其实不是。它们只是问题的影子。

“同步不对”到底是数据丢了、状态没刷新、冲突没合并,还是 UI 没更新?
“加载慢”到底是接口慢、首屏慢、感知慢,还是空态判断错了?
“导出失败”到底是生成失败、上传失败、状态写回失败,还是用户重复点击造成多个任务?
“补测试”到底要覆盖主路径,还是要覆盖缺配置、空数据、异常和超时?

如果这些问题没有被拆开,开发就已经开始漂了。AI 只会让这种漂移跑得更快。

二、Harness 不是测试工具

很多人听到 Harness,会先想到 test harness。这个理解没有错,但太窄。

测试 Harness 是把代码放进一个可控环境里:准备输入,替换依赖,执行动作,观察输出,断言结果。它的核心不是测试两个字,而是可控条件。

我说的代码开发 Harness,是把整个开发过程放进可控条件里。

一个需求从想法到上线,中间会经过很多次转换:

  • 用户说的话,转换成问题定义。
  • 问题定义,转换成需求。
  • 需求,转换成设计。
  • 设计,转换成计划。
  • 计划,转换成代码。
  • 代码,转换成测试证据。
  • 测试证据,转换成验收结论。
  • 验收结论,转换成发布和复盘。

每一次转换都会丢信息,也会混入猜测。开发 Harness 的作用,就是在这些转换点放控制面,让信息不要随便变形。

所以,Harness 不是让开发变慢的流程。它是让开发在速度变快以后,仍然不失控的结构。

三、AI 时代最危险的是“合理的脑补”

AI 的强项和风险,常常是同一件事:它特别擅长补全。

上下文不完整,它会补。目标不清楚,它会补。边界没写,它会补。测试没覆盖,它也会补一段解释,让你觉得问题不大。

人也会脑补,但人脑补得慢。AI 脑补得快,而且语言很顺。顺到什么程度?顺到你会忘记它中间其实没有证据。

比如你说:“旧接口应该没人用了。”

你只是表达一个猜测。AI 可能在后面的设计里写成:“由于旧接口已无人使用,可以删除兼容逻辑。”

注意,中间那个“应该”消失了。一个假设,变成了事实。

开发 Harness 要做的第一件事,就是把 Fact、Assumption、Unknown 分开。

Fact 是有证据的事实。
Assumption 是当前暂时相信、但还没验证的假设。
Unknown 是还不知道的信息。

只要这三类东西混在一起,AI 越努力,风险越大。

四、真正的控制点是这些

一套实用的开发 Harness,至少要控制五件事。

第一,控制方向。

每个任务先判断它是 Expansion、Hold,还是 Reduction。

Expansion 是扩展能力。Hold 是不扩大范围,只修复、硬化、迁移、清理、提效。Reduction 是收缩范围、下线旧能力、降低复杂度。

为什么要先声明这个?因为不同方向的任务,评价标准完全不同。

如果一个任务是 Hold,却做着做着新增了三个用户可见能力,那就是越界。
如果一个任务是 Reduction,却加了一堆兼容层和配置项,那可能是假减法。
如果一个任务是 Expansion,却没有设计错误态、发布和回滚,那就是只扩能力不扩控制。

第二,控制范围。

每个任务都要写 In Scope 和 Out of Scope。

In Scope 说这次做什么。Out of Scope 更重要,它说这次不做什么。

开发失控,很多时候不是因为没人做事,而是因为太多人顺手做了相关但不属于这次的事。

第三,控制事实。

Research 阶段只做研究,不写方案。列出现有代码怎么做、已有测试覆盖什么、日志显示什么、哪些是猜测、还有哪个问题阻断。

这一步像刹车。不是为了停住,而是为了让后面的加速有方向。

第四,控制执行边界。

AI 写代码时,要明确允许改哪些文件、禁止改哪些文件、不能改变哪些契约、发现范围外问题时只记录不修。

不要指望一句“别改太多”能管住 AI。它需要明确边界。

第五,控制证据。

任务结束不能只写“测试通过”。要写清楚:跑了什么命令,验证了什么路径,输入是什么,输出是什么,哪些没测,剩余风险是什么。

没有证据的完成,只是一种情绪。

五、最小可用 Harness

如果任务很小,不一定要写完整文档。但至少可以保留这十行:

1
2
3
4
5
6
7
8
9
10
Mode:
Goal:
In Scope:
Out of Scope:
Facts:
Assumptions:
Unknowns:
Allowed Changes:
Forbidden Changes:
Validation:

这十行并不复杂,但它们分别挡住了不同的失控点。

Mode 挡住方向漂移。
In Scope 和 Out of Scope 挡住范围膨胀。
Facts、Assumptions、Unknowns 挡住脑补。
Allowed Changes 和 Forbidden Changes 挡住无关改动。
Validation 挡住没有证据的完成。

如果这十行写不出来,不要急着改代码。

六、这不是流程崇拜

我并不喜欢为了流程而流程。很多流程确实只是把人拖慢。

但 Harness 不是那种东西。它的价值不在于格式,而在于它能减少返工、误判和救火。

真正拖慢开发的,从来不是几行边界说明,而是这些事:

  • 做完才发现问题定义错了。
  • 测完才发现只测了成功路径。
  • 上线才发现缺配置。
  • 回滚时发现新数据旧代码不认识。
  • 复盘时发现证据散在聊天记录、终端和脑子里。

这些才贵。

Harness 的目标,是让每一次“我以为”,都变成可以检查、验证、回滚和复盘的东西。

七、AI 编程真正严肃的地方

AI 编程刚开始流行时,大家讨论最多的是效率:能不能快十倍,能不能少写代码,能不能一个人做一个团队的事。

这些都重要。但真正严肃的地方,是当代码生产能力变得很便宜以后,确定性变得更贵了。

你不再缺生成代码的能力。你缺的是判断这段代码该不该生成、生成到哪里停、怎么知道它对、出事怎么退、下次怎么不再犯同样的错。

换句话说,未来工程师越来越像在设计一个代码生产系统。

代码只是结果。Harness 才是让结果可靠地产生的那套控制面。

如果要用一句话总结:

AI 让开发跑得更快,Harness 让开发还能跑在路上。

上一页123…43下一页

427 日志
7 分类
RSS
© 2017 — 2026 李文业
由 Hexo 强力驱动
|
主题 — NexT.Muse
粤ICP备17160932号