AI 天天都在变，但真正重要的东西一直没变

Prompt Engineering、Context Engineering、Harness Engineering、Tool、Function Call、Skill、MCP……学不赢，根本学不赢。从 Prompt 到 Context，再到 Harness：AI 工程到底升级了什么？

新概念一个接一个冒出来，都有人在问：

如果大模型越来越强，harness 还重要吗？Anthropic: 网传的Harness过时了如果 AI 已经能写代码、调工具、跑流程了，程序员是不是很快就会被替代？未来软件开发的壁垒，到底还剩什么？

当“写代码”变得越来越便宜，什么东西反而会越来越重要？

我的答案是：

知识工程。

而且不是狭义上的“知识库搭建”，而是更广义的把业务知识、流程知识、隐性经验、判断标准、协作约束，持续沉淀为可复用资产的能力。

这件事，才是 AI 时代最不容易被替代、也最值得持续投入的能力。

一、Harness 会变，但“把知识变成系统能力”这件事不会变

Harness 会持续演进，但它要解决的问题不会消失。

今天我们讲 harness engineering，讲的是怎么给 AI 设边界、补上下文、接工具、做反馈、做观测、做评测。

未来如果模型更强，很多 harness 的形态当然会变化。也许提示词会更短，也许工具调用会更稳定，也许多轮规划会更自然，也许很多“脚手架”会被模型能力本身吸收掉。

但这不代表我们就不需要工程了。

因为只要一个系统要进入真实业务场景，它就永远绕不开这些问题：

• 你的目标到底是什么？
• 什么叫“做对了”？
• 哪些步骤能自动化，哪些步骤必须审查？
• 哪些边界不能碰？
• 出错了怎么兜底？
• 不同团队之间如何协作？
• 经验如何沉淀，而不是每次从头踩坑？

这些问题，不是模型参数变大就会自动消失的。

所以，真正值得关注的，不是某个 harness 形态会不会过时，而是：

在 AI 越来越强之后，我们到底还要把什么东西牢牢抓在手里。

我的判断是：要抓住的不是“每一行代码”，而是“系统背后的知识结构”。

二、代码越来越便宜，知识反而越来越贵

今天很多人觉得：软件开发正在变便宜，计算机已死。很多人Vibe Coding出来一个程序就在互联网高呼程序员要被AI取代了，程序员要失业了。

变便宜的，主要是“把代码写出来”这件事。但把一个软件真正做成，并没有想象中那么便宜，因为软件工程从来都不只是写代码。真正昂贵的部分通常在这些地方：

• 需求有没有理解对
• 怎么集成到不同平台
• 业务约束有没有吃透
• 边界条件有没有覆盖到
• 风险有没有识别出来
• 系统能不能稳定交付
• 出问题后能不能定位和恢复
• 后续迭代时会不会把历史债务越滚越大

程序能跑起来，不等于软件工程完成了。

AI 把“编码成本”打下来了，不代表“软件工程成本”就同步下降了。

三、最难的不是显性知识，而是专家脑子里的隐性知识

为什么“知识工程”才是核心？

因为现实业务里，最值钱的知识，很多都不在文档里。

它可能在专家的经验里，在业务负责人的判断里，在老员工的习惯里，在团队无数次踩坑之后形成的默认规则里。这件事放在 AI 时代，反而更重要了。因为显性知识比如：文档、接口说明、FAQ、已有代码、公开 best practice这些东西，AI 学得会。但隐性知识不是这样，这些东西，你让专家“说一下”，他常常未必能完整说出来；但你让他审一个方案、挑一个问题、改一次流程，他马上就知道哪里不对。

这就是为什么很多团队会发现：

AI 能很快生成一个“看起来差不多”的方案，但离“真正能落到业务里”的方案，往往还差最后那一截。

而这最后的一截，恰恰最贵。

四、真正的壁垒，不只是模型能力，而是企业沉淀知识的能力

很多人会担心，未来专家经验是不是都会被上传成 skills、workflow、playbook，最后人就没价值了？

我不这么看，因为企业真正的壁垒，不是“知道一个答案”，而是：

能不能把长期实践中形成的有效经验，持续沉淀成组织资产。

也就是说，真正重要的不是一次性回答出一个问题，而是把一次次专家判断，变成以后可以复用的结构化能力。你可以把这理解成一种“复利工程”：

• 一次需求澄清，沉淀成需求模板
• 一次事故复盘，沉淀成风险清单
• 一次专家评审，沉淀成审核规则
• 一次交付失败，沉淀成新的边界条件
• 一次优秀实践，沉淀成团队默认流程

久而久之，企业之间真正拉开差距的，就不是“谁先接上了 AI”，而是谁更擅长：

把知识变成流程，把流程变成标准，把标准变成系统能力。

这也是为什么，哪怕同样用 AI、同样用 harness、同样接入工具，不同公司做出来的系统，效果还是会差很多。

因为很多企业在同一个业务上，已经浸泡了几年甚至十几年。它知道一个业务需要同时照顾 5 个角度，而 AI 因为缺少场景浸泡，可能只能稳定覆盖其中 3 个。剩下那 2 个，往往就是公司之间最关键的差异。

那不是模型参数直接抹平的东西，至少短时间内不是。

五、人与人之间的差异，也不会那么快被 AI 抹平

AI 很强，不等于每个人用出来都一样强。

很多人会觉得，现在模型都很厉害，你也能用，我也能用，那人与人之间的差异是不是会被迅速拉平？

恰恰相反。

在工具能力接近的时候，真正拉开差距的，反而是使用者本身：

• 你是否知道问题真正是什么
• 你是否能把一个模糊目标拆成结构化任务
• 你是否有系统性思维
• 你是否理解业务逻辑与商业模式
• 你是否能识别风险和边界
• 你是否知道结果“看起来对”和“实际上可用”的区别

同样一个 AI，同样一个 harness，不同的人用出来的结果会差很多。因为差异不在工具上，而在人的认知结构上。

未来比拼的，不是谁会不会写 prompt，也不只是会不会搭 workflow。真正比拼的，是谁更懂问题，谁更懂业务，谁更懂如何把经验组织起来。

所以，AI 并没有消灭人的价值。

人最重要的价值，从来都不是“手工输出代码”，而是“理解世界、定义问题、做出判断、沉淀经验”。

六、程序员不会那么快被替代，但“只会写代码”的程序员会越来越被动

这可能是很多人最关心的问题。我认为AI 不会在短时间内完全替代程序员。但它会快速压缩“只把自己定义为代码生产者”的那部分价值。因为写代码，本来就不是软件开发里最难的那一段。真正难的是：

• 和业务对齐需求
• 把模糊目标转成清晰规格
• 在速度、质量、成本、风险之间做权衡
• 保证可测试、可观测、可维护
• 保证上线稳定性与持续交付能力
• 对结果负责，而不是只对代码负责

所以，程序员这个角色不会突然消失。但它的重心会明显变化：企业不会再把代码量当作考核程序员的标准。未来更有价值的工程师，会像下面这些角色的结合体：工程师、产品理解者、知识建模者、系统设计者、风险控制者。

听起来像要求更高了。没错，现实就是要求更高了。这也意味着：

人的价值并没有消失，而是在上移。

七、真正重要的，不是把决策全交给 AI，而是和 AI 一起进化

有人会觉得，既然 AI 已经能写、能调、能跑，那我是不是只要把一套流程配好，它自己在那里运行，我就可以去喝咖啡了？

至少现在，远远还没到这个阶段。

• 我们要知道 AI 擅长什么
• 也要知道 AI 不擅长什么
• 要知道哪些环节适合放权
• 哪些环节必须保留人工判断
• 要知道如何借助 AI 提升自己的专业能力
• 而不是把自己的专业判断让渡给 AI

不要把 AI 当作“替你思考的人”，而要把它当作“放大你思考能力的系统”。

它可以帮你提速，帮你扩展探索空间，帮你把很多体力活接过去。但定义目标、判断好坏、识别风险、提炼经验，这些事，短期内依然要靠人来主导。

八、AI 时代，程序员最该升级的不是写代码速度，而是知识工程能力

在一个个新概念不断出现的时代，真正长期不变的，是知识工程。

Harness 会演进，模型会升级，工具会更强，写代码会越来越便宜。但只要软件还要服务真实业务，只要系统还要进入真实组织，只要交付还要对结果负责，那么下面这些东西就始终重要：

• 对业务的理解
• 对流程的抽象
• 对隐性知识的提炼
• 对标准的建立
• 对风险的控制
• 对协作的组织
• 对经验的沉淀

这才是 AI 时代真正不会快速贬值的能力。因为未来真正稀缺的，不是会生成代码的人，而是那些能把专家经验、业务逻辑、组织规则、交付标准，持续转化为系统能力的人。