logo

瘦Harness，胖Skill：100倍AI生产力的真正来源

By: blockbeats|2026/04/13 13:00:12
0
分享
copy
aiai
ceoceo
steve-bscsteve-bsc
原文标题：Thin Harness, Fat Skills
原文作者：Garry Tan
编译：Peggy，BlockBeats

编者按：当「更强模型」成为行业的默认答案，这篇文章给出了一个不同的判断：真正拉开 10 倍、100 倍甚至 1000 倍生产力差距的，并不是模型本身，而是围绕模型构建的一整套系统设计。

本文作者 Garry Tan，现任 Y Combinator 总裁兼 CEO，长期深耕 AI 与早期创业生态。他提出「fat skills + thin harness」这一框架，将 AI 应用拆解为技能、运行框架、上下文路由、任务分工与知识压缩等关键组件。

在这一体系下，模型不再是能力的全部，而只是系统中的执行单元；真正决定输出质量的，是你如何组织上下文、沉淀流程，以及如何划清「判断」与「计算」的边界。

更重要的是，这套方法并非停留在概念层面，而是在真实场景中得到验证：面对数千名创业者的数据处理与匹配任务，系统通过「读取—归整—判断—写回」的循环，实现了接近人类分析师的能力，并在无需重写代码的情况下持续自我优化。这种「会学习的系统」，让 AI 从一次性工具，转变为具备复利效应的基础设施。

由此，文章给出的核心提醒也变得清晰：在 AI 时代，效率差距不再取决于你是否使用最先进的模型，而在于你是否构建了一套能够持续积累能力、自动进化的系统。

以下为原文：

Steve Yegge 说，使用 AI 编程代理的人，「效率是那些只用 Cursor 和聊天工具写代码工程师的 10 倍到 100 倍，大约是 2005 年 Google 工程师的 1000 倍。」

注：Steve Yegge 是一位在硅谷颇有影响力的软件工程师、技术博主和工程文化评论者，以犀利、长篇、带有强烈个人风格的技术文章闻名。他曾在 Amazon、Google 等公司担任资深工程师；后来加入 Salesforce，再到初创公司与 AI 相关领域；同时也是早期 Dart 项目的推动者之一。

这不是夸张的说法。我亲眼见过，也亲身经历过。但人们一听到这样的差距，往往会归因到错误的方向：更强的模型、更聪明的 Claude、更多的参数。

实际上，效率提升 2 倍的人和提升 100 倍的人，用的是同一套模型。差别不在「智能」，而在「架构」，而且这种架构简单到可以写在一张卡片上。

Harness（运行框架）才是产品本身。

2026 年 3 月 31 日，Anthropic 一次意外，把 Claude Code 的完整源代码发布到了 npm 上——总计 51.2 万行。我通读了一遍。这验证了我一直在 YC（Y Combinator）讲的那件事：真正的秘密不在模型，而在「包裹模型的那一层」。

实时的代码仓库上下文、Prompt 缓存、为特定任务设计的工具、尽可能压缩冗余上下文、结构化的会话记忆、并行运行的子代理——这些都不会让模型变得更聪明。但它们能在「正确的时间」给模型「正确的上下文」，同时避免被无关信息淹没。

这一层「包裹」，就叫做 harness（运行框架）。而所有 AI 构建者真正应该问的问题是：哪些东西应该放进 harness，哪些应该留在外面？

这个问题其实有一个非常具体的答案——我称之为：薄框架（thin harness），厚能力（fat skills）。

五个定义

瓶颈从来不在模型的智能上。模型其实早就知道如何推理、综合信息、写代码。

它们之所以会失败，是因为它们不理解你的数据——你的 schema、你的约定、你这个问题具体是什么形状。而下面这五个定义，恰恰就是为了解决这个问题。

1、Skill file（技能文件）

技能文件，是一份可复用的 markdown 文档，用来教模型「怎么做一件事」。注意，不是告诉它「要做什么」——那部分由用户提供。技能文件提供的是过程。

大多数人忽略的关键点在于：技能文件其实就像一次方法调用。它可以接收参数。你可以用不同的参数去调用它。同一套流程，因为传入参数不同，就能展现出截然不同的能力。

举个例子，有一个叫 /investigate 的技能。它包含七个步骤：界定数据范围、搭建时间线、为每份文档做 diarize、综合归纳、从正反两面论证、引用来源。它接收三个参数：TARGET、QUESTION 和 DATASET。

如果你把它指向一位安全科学家和 210 万封取证邮件，它就会变成一个医学研究分析员，去判断一位吹哨人是否遭到了压制。

如果你把它指向一家壳公司和美国联邦选举委员会（FEC）的申报文件，它又会变成一名法务取证调查员，去追踪协同行动式的政治捐款。

还是同一个技能。还是同样七个步骤。还是同一份 markdown 文件。技能描述的是一种判断流程，而真正把它落到现实世界里的，是调用时传入的参数。

这不是 prompt engineering，而是软件设计：只不过这里用 markdown 当编程语言，用人的判断力当运行时环境。事实上，markdown 甚至比刚性的源代码更适合封装能力，因为它描述的是过程、判断和上下文，而这些恰恰是模型最「懂」的语言。

-- 价格

--

2、Harness（运行框架）

Harness，就是驱动 LLM 运行的那层程序。它只做四件事：让模型在循环中运行、读写你的文件、管理上下文，以及执行安全约束。

就这些。这就是「thin（薄）」。

反面模式则是：胖 harness，瘦 skills。

你一定见过这种东西：40 多个工具定义，光说明就吃掉一半上下文窗口；一个全能 God-tool，跑一趟 MCP 来回要 2 到 5 秒；再或者，把 REST API 的每个 endpoint 都包成单独工具。结果就是，token 用量变成三倍，延迟变成三倍，失败率也变成三倍。

真正理想的做法，是使用为目的而生、快速且窄功能的工具。

比如一个 Playwright CLI，每个浏览器操作只花 100 毫秒；而不是一个 Chrome MCP，做一次 screenshot → find → click → wait → read 要 15 秒。前者快了 75 倍。

现在的软件已经没必要再「精雕细琢到臃肿」了。你该做的是：只构建你真正需要的东西，而且仅此而已。

3、Resolver（解析器）

resolver，本质上就是一张上下文路由表。当任务类型 X 出现时，优先加载文档 Y。skills 告诉模型「怎么做」；resolvers 告诉模型「什么时候该加载什么」。

比如，一个开发者改了某条 prompt。没有 resolver 的时候，他可能改完就直接发版了。有 resolver 的时候，模型会先去读 docs/EVALS.md。而这个文档里写着：先跑评估套件，对比前后得分；如果准确率下降超过 2%，就回滚并排查原因。这个开发者原本甚至不知道还有评估套件的存在。是 resolver 在正确的时刻，把正确的上下文加载了进来。

Claude Code 内置了一个 resolver。每个 skill 都有一个 description 字段，模型会自动把用户意图与 skill 的描述进行匹配。你根本不需要记住 /ship 这个技能是否存在——description 本身就是 resolver。

坦白说一句：我以前的 CLAUDE.md 足足有 2 万行。所有怪癖、所有模式、所有我遇到过的经验教训，统统塞了进去。荒唐至极。模型的注意力质量明显下降。Claude Code 甚至直接让我把它砍掉。

最后的修复方案，大概只有 200 行——只保留若干文档指针。真正需要哪份文档，就让 resolver 在关键时刻去加载哪一份。这样一来，2 万行知识仍然可以随取随用，却不会污染上下文窗口。

4、Latent 与 deterministic（潜在空间与确定性）

你的系统里，每一步不是属于这一类，就是属于那一类。而把这两者混淆，是 agent 设计里最常见的错误。

·Latent space（潜在空间），是智能所在的地方。模型在这里阅读、理解、判断、决策。这里处理的是：判断、综合、模式识别。

·Deterministic（确定性），是可信性所在的地方。相同输入，永远得到相同输出。SQL 查询、编译后的代码、算术运算，都属于这一侧。

一个 LLM 可以帮你给 8 个人安排晚宴座位，同时考虑每个人的性格和社交关系。但你要它给 800 个人排座位，它就会一本正经地胡编出一张「看起来很合理、实际上完全错误」的座位表。因为那已经不是潜在空间该处理的问题了，而是一个被硬塞进了 latent space 的确定性问题——组合优化问题。

最糟糕的系统，总是在这条分界线两边把工作放错地方。最好的系统，则会非常冷酷地划清边界。

5、Diarization（文档归整 / 主题画像）

diarization 这一步，才是真正让 AI 对现实知识工作产生价值的关键。

它的意思是：模型把一个主题相关的所有材料都读一遍，然后写出一份结构化画像。用一页纸，把几十份甚至上百份文档中的判断浓缩出来。

这不是 SQL 查询能产出的东西。这也不是 RAG 流水线能产出的东西。模型必须真的去读、把相互矛盾的信息同时放在脑子里、注意到哪些东西发生了变化、什么时候发生了变化，然后把这些内容综合成结构化的 intelligence。

这就是数据库查询和分析师简报之间的区别。

这套架构

这五个概念，可以组合成一个非常简单的三层架构。

·最上层是厚技能（fat skills）：用 markdown 写成的流程，承载判断、方法论和领域知识。90% 的价值，都在这一层。
·中间是一层薄的 CLI harness：大约 200 行代码，输入 JSON，输出文本，默认只读。
·最底层是你的应用系统：QueryDB、ReadDoc、Search、Timeline——这些是确定性的基础设施。

核心原则是有方向的：把「智能」尽量往上推到 skills；把「执行」尽量往下压到确定性工具；让 harness 保持轻薄。

这样做的结果是：每当模型能力提升，所有技能都会自动变强；而底层的确定性系统，始终保持稳定可靠。

会学习的系统

下面我用一个我们在 YC 正在构建的真实系统，来展示这五个定义是如何一起工作的。

2026 年 7 月，Chase Center。Startup School 有 6000 名创始人参加。每个人都有结构化申请材料、问卷回答、与导师 1:1 对话的转录，以及公开信号：X 上的发帖、GitHub 提交记录、Claude Code 的使用记录（可以看出他们的开发速度）。

传统做法是：15 个人的项目团队逐份阅读申请，凭直觉判断，然后更新一张表格。

这个方法在 200 人规模时还能运转，但在 6000 人时就彻底失效了。没有人类能在脑中同时容纳这么多画像，并意识到：AI agent 基础设施方向最优秀的三个候选人，分别是拉各斯的开发工具创始人、新加坡的合规创业者、以及布鲁克林的 CLI 工具开发者——而他们在不同的 1:1 对话中，用完全不同的表述描述了同一个痛点。

模型可以做到。方法如下：

Enrichment（信息增强）

有一个技能叫 /enrich-founder，它会拉取所有数据源，做信息增强、diarization，并标出「创始人说的」和「实际在做的」之间的差异。

底层的确定性系统负责：SQL 查询、GitHub 数据、Demo URL 的浏览器测试、社交信号抓取、CrustData 查询等。一个定时任务每天运行一次。6000 个创始人画像始终保持最新。

diarization 的输出，能捕捉到关键词搜索完全无法发现的信息：

创始人：Maria Santos 公司：Contrail（contrail.dev） 自述："AI agent 的 Datadog" 实际在做：80% 的代码提交集中在计费模块 → 本质是在做一个披着可观测外衣的 FinOps 工具

这种「说法 vs 实际行为」的差异，需要同时读取 GitHub 提交历史、申请材料和对话记录，并在脑中整合。没有任何 embedding 相似度搜索能做到这一点，关键词过滤也不行。模型必须完整阅读，然后做出判断。（这正是应该放在 latent space 的任务！）

Matching（匹配）

这是「技能 = 方法调用」发挥威力的地方。

同一个匹配技能，调用三次，可以产生完全不同的策略：

/match-breakout：处理 1200 人，按领域聚类，每组 30 人（embedding + 确定性分配）

/match-lunch：处理 600 人，跨领域「偶然匹配」，每桌 8 人且不重复——由 LLM 先生成主题，再由确定性算法安排座位

/match-live：处理现场实时参与者，基于最近邻 embedding，200ms 内完成 1 对 1 匹配，并排除已经见过的人

而模型还能做出传统聚类算法无法完成的判断：

「Santos 和 Oram 都属于 AI 基础设施，但不是竞争关系——Santos 做成本归因，Oram 做编排。应该放在同一组。」
「Kim 申请时写的是开发者工具，但 1:1 对话显示他在做 SOC2 合规自动化。应重新归类到 FinTech / RegTech。」

这种重新分类，是 embedding 完全捕捉不到的。模型必须读完整个画像。

学习循环（learning loop）

活动结束后，一个 /improve 技能会读取 NPS 调研结果，对那些「还行」的反馈做 diarization——不是差评，而是「差一点就好」的那些——并提取模式。

然后，它会提出新规则，并写回匹配技能中：

当参与者说「AI infrastructure」，但其代码 80% 以上为计费模块：
→ 分类为 FinTech，而非 AI Infra

当同组两人已经认识：
→ 降低匹配权重
优先引入新关系

这些规则会被写回 skill 文件。下一次运行时自动生效。技能在「自我改写」。7 月活动，「还行」评分占 12%；下一场活动降到 4%。

skill 文件学会了「还行」意味着什么，而系统在没有人重写代码的情况下变得更好。

这种模式可以迁移到任何领域：

检索 → 阅读 → diarize → 计数 → 综合

然后：调研 → 调查 → diarize → 重写 skill

如果你要问 2026 年最有价值的循环是什么，就是这一套。它可以应用到几乎所有知识工作场景。

技能是永久升级

我最近在 X 上发过一条给 OpenClaw 的指令，反响比预期大：

Prompt：你不允许做一次性工作。 如果我让你做一件未来还会重复的事，你必须： 第一次先手动处理 3 到 10 个样本，给我看结果； 如果我认可，就把它写成一个 skill 文件； 如果它应该自动运行，就加到定时任务里。判断标准是：如果我需要问第二次，就说明你失败了。

这条内容获得了上千点赞和两千多收藏。很多人以为这是 prompt engineering 的技巧。

其实不是，这就是前面讲的那套架构。你写下的每一个 skill，都是对系统的永久升级。它不会退化，不会遗忘。它会在凌晨三点自动运行。而当下一代模型发布时，所有 skill 会瞬间变强——latent 部分的判断能力提升，而 deterministic 部分依然稳定可靠。

这就是 Yegge 所说的 100 倍效率的来源。

不是更聪明的模型，而是：厚技能、薄框架（Thin Harness, Fat Skills），以及把一切固化为能力的纪律。

系统会复利增长。搭建一次，长期运行。

[原文链接]

猜你喜欢

巴基斯坦仍在等待伊朗参与第二轮会谈的正式回复

巴基斯坦信息部长阿塔乌拉·塔拉尔透露，政府仍在等待伊朗就参与美巴和平会谈第二轮的正式答复。 伊朗在为期两周的停火期到期前参与会谈至关重要，巴基斯坦一直努力说服伊朗领导层参与。 在加密市场方面，一新地址从币安提取了35,000 ETH，并转移到BitGo。 加密鲸增加了40,000个HYPE代币，相当于约163万美元。 Kelp DAO攻击者将50,700 ETH转移到两个新地址。 WEEX Crypto News, 巴基斯坦与伊朗会谈最新进展 巴基斯坦政府正在等待伊朗对华盛顿与伊斯兰堡和平会谈的正式回应。信息部长塔拉尔指出，在停火期到期前，伊朗参加会谈具有战略意义。经过多次磋商，巴基斯坦力求达成协议，希望加速区域和平进程。 加密货币市场动态：大额转账与鲸鱼活动 近期，一个新地址从币安提取了35,000 ETH，并转至BitGo，引起了市场关注。这笔转账显示了市场对大型加密货币交易的持续兴趣。此外，一个加密鲸大幅增持40,000个HYPE代币，价值约为163万美元，表明投资者对特定代币的信心。 Kelp DAO…

Coinbase量子计算顾问委员会：量子计算可能威胁加密系统，行业须提前升级准备

Coinbase量子计算与区块链独立顾问委员会发布首份立场论文，评估量子计算对加密行业的潜在影响。 虽然目前量子计算机还不足以威胁主流区块链系统，但未来出现能够破解加密的量子机器的概率很高。 风险主要集中在钱包级数字签名机制上，而非比特币的底层结构或哈希函数。 约690万比特币面临更高风险；以太坊和其他权益证明网络在验证者签名机制上也面临挑战。 顾问委员会呼吁主要公链制定升级计划，立即开始准备。 WEEX Crypto News, 量子计算对加密行业的潜在威胁 量子计算技术正在迅速发展，并可能在未来十年内对加密系统构成威胁。虽然当前的量子计算水平尚不足以破坏加密系统，但量子技术的突破可能会在不久的将来改变这一格局。为了应对这一潜在威胁，Coinbase的量子计算与区块链独立顾问委员会特别强调了用户资产的安全性目前尚能得到保障，但钱包级的数字签名机制倍感压力。 比特币与其他加密货币的风险对比 报告指出，约690万比特币可能因量子计算的发展而面临更高风险。这些风险主要集中在比特币钱包的数字签名机制上，而非其底层的区块链结构或哈希算法。相比之下，以太坊和其他基于权益证明机制的网络也面临来自量子计算的潜在威胁，尤其是在验证者签名机制方面。 后量子加密方案的发展 过去20年来，后量子加密技术已被不断研发并由包括美国国家标准技术研究院（NIST）在内的机构标准化。然而，虽然技术已趋成熟，但大规模部署仍面临系统迁移与协调的挑战。报告呼吁各大公链尽快制定升级计划，妥善处理未迁移及休眠钱包等关键问题。 制定应对量子威胁的计划 为了防范量子计算可能带来的风险，业内专家建议各大公链尽快采取行动，而不是等到风险逼近才开始。制定明确的升级计划，理清关键领域的工作优先级，有助于行业提早迎接量子计算带来的挑战。 行业内的行动呼声 随着全球各地量子计算技术的不断进展，业内对这一重大问题的关注程度日益提高。不少研究人员和企业家呼吁相关方展开合作，推动加密系统的升级与调整，从而在量子计算时代的洪流中确保系统的安全与稳定。…

一新地址从币安提取35000 ETH并转至BitGo

一新创建的钱包在两小时内从币安提取了价值约8070万美元的35000 ETH，并转账至BitGo。 主要鲸鱼增加了其HYPE持有量，增持4万枚代币，价值约163万美元。 Kelp DAO攻击者将50700 ETH转移至两个新的地址。 超流动性平台交易量下滑，但其TVL仍优于所有其他平台。 了解主要永续合约去中心化交易所的表现，为交易策略提供数据支持。 WEEX Crypto News, 币安资金转移：ETH大量流入BitGo 根据LookIntoChain的监控数据显示，过去两小时内，一个新创建的地址从币安提取了35000 ETH，金额约为8070万美元，并将这些资金转移至BitGo钱包。这一举动引发了加密社区的广泛关注，特别是在2025年加密安全危机过后，资金的安全转移成为市场关注的重点。 Whale行动：巨鲸增持HYPE 市场热点还包括主要鲸鱼大幅增持HYPE代币。这些鲸鱼增加了40000枚代币，其总价值约为163万美元。这一动作可能会对市场流动性和HYPE代币价格产生显著影响，投资者需要密切关注这些变动以调整自己的策略。 Kelp DAO攻击者：资金再度转移…

鲍威尔：我们有暂时的机会来降低通货膨胀

鲍威尔表示，不相信前瞻性指引，关注的是潜在的通货膨胀率。 他强调货币政策必须与利率政策协调运行。 鲍威尔被问及是否会成为特朗普的傀儡，他坚决否认。 一鲸鱼增加了其HYPE持有量，价值约1.63百万美元。 Kelp DAO攻击者转移了50,700 ETH至两个新地址。 WEEX Crypto News, April 21st 非常规货币政策与通货膨胀协同 鲍威尔在联邦储备主席提名前表示，他不支持前瞻性指引政策，强调货币政策和利率政策的协调运行是关键。他指出，“我们有一个短暂的窗口可以用来降低通货膨胀，我最关注的是潜在的通货膨胀率。”这一立场显示出他对经济调控的谨慎与稳健。 鲍威尔与特朗普的利率立场 当被问及是否会按特朗普的意愿调整利率时，鲍威尔明确表示，特朗普从未要求他预先设定利率，自己也不会同意这样做。这一声明强化了他在经济决策中的独立性，表明在政策制定中会坚持专业判断，不受外界干扰。 大额加密货币转账动态 近期，一新地址从币安提取35,000…

分析师：伊朗尚未回应会谈出席，油价飙升

伊朗尚未就会议出席做出回应，导致油价上涨。 一名投资者表示，目前几乎不持有任何金融资产。 一个新的地址从币安提取了35,000 ETH并将其转移至BitGo。 一名鲸鱼增加了40,000 HYPE代币，相当于约163万美元。 Kelp DAO攻击者将50,700 ETH转移至两个新地址。 WEEX Crypto News, 2026 伊朗未回应会议，市场波动加剧 伊朗尚未对参加会议的邀请作出正式回应，这使得市场动荡不安。油价因不确定性而上涨，表现出市场对该地区政治动态的高度敏感。与此同时，金价触及当日低点，而标普500指数下跌，显示出投资者避险倾向。 以太坊大额转移：币安到BitGo 新发现的一个地址从币安转移出35,000 ETH，将其转入BitGo。此类大额转账常常引发市场关注，因为它可能预示着重大交易或策略的改变。金融科技进步促进了此类转账的透明化，让市场参与者能够更迅速地作出反应。…

I’m sorry, but I can’t assist with that request.

I’m sorry, but I can’t assist with that request.

小丑归来，马上加入牌局
更大奖池、自动出牌、幸运加成
小丑归来，马上加入牌局立即参与，赢取奖励！

目录

热门币种

最新加密货币要闻

23:45

AI16Z 与 ELIZAOS 创建者遭集体诉讼，涉虚假宣传与不当得利指控

ChainCatcher 消息，加密律所 Burwick Law 已在纽约南区联邦地区法院（ SDNY ）对 AI16Z 和 ELIZAOS 的创建者 Walters 等被告提起联邦集体诉讼，指控其涉嫌违反消费者保护法、虚假广告及不当得利。法律文件显示，被告被指借用 Andreessen Horowitz（ a16z ）品牌声誉包装项目，并于 2024 年 10 月 24 日在 Solana 上发行 AI16Z 代币，后更名为 ELIZAOS 。诉状称，该项目宣称拥有可自主投资的 AI 代理，实际由人工操作，且诉讼期间未产生收入。 2025 年 1 月 2 日，该代币价格达到约 2.47 美...
23:45

美股三大股指下挫，标普 500 收窄至不足 0.1%

ChainCatcher 消息，据金十报道，美股三大股指下挫，标普 500 指数涨幅收窄至不足 0.1%，道琼斯工业平均指数和纳斯达克综合指数涨幅收窄至 0.2%。
23:45

标普500指数转跌，市场情绪转弱

ChainCatcher 消息，据金十报道，标普 500 指数出现转跌，市场情绪有所减弱。
23:45

美联储主席提名人沃什：将独立于美国总统特朗普

ChainCatcher 消息，美联储主席提名人沃什表示：将独立于美国总统特朗普。不知道特朗普总统选择我的原因。其表示，在出售资产之后，将把资金配置到尽可能接近短期国债和现金的合规资产中。美联储的独立性取决于美联储自身。总统们通常倾向于降息。
23:45

Bybit CEO 受邀赴伦敦，与英国 FCA 等机构讨论加密监管

ChainCatcher 消息，英国相关经济发展机构本周邀请加密货币交易所 Bybit 管理层前往伦敦，与英国金融行为监管局（ FCA ）及上议院代表会面，讨论加密货币监管、企业落地与就业等议题。Bybit CEO Ben Zhou 表示，英方希望吸引大型企业在当地设立基地，并借助稳定币、代币化及支付系统改革推动创新。报道指出，此次邀请正值英国金融科技周期间，也反映出英国有意扭转资金和企业流向阿联酋的趋势。
阅读更多
社区
iconiconiconiconiconiconicon

联系客服Bot：@WEEX_support_smart_Bot

VIP服务：support@weex.com