夜雨聆风
1. 引言：别再只盯着“模型马力”了
进入 2026 年，AI 工程圈正在发生一次非常明显的认知转向。
很多团队还在讨论：
模型参数到底要不要更大？ Agent Workflow 要不要再复杂一点？ 状态机是不是应该设计成 DAG？ 多 Agent 协作要不要再套一层调度器？
但真正跑在前面的团队，已经悄悄换了方向。
过去一年里，有几个非常典型的案例：
OpenAI 通过精细的指令协议，让 Codex 接近“零手写代码”； Cursor 用后台 Agent 自动检测代码冲突，让 IDE 开始进入“自动驾驶”阶段； Anthropic 则通过多层记忆系统与 CLAUDE.md 约束，让复杂任务具备长期一致性。
这些实践背后，其实都指向同一个核心：
Harness Engineering（驾驭工程）。
这个概念非常形象。
AI 模型像一匹能力极强的马，而工程系统真正重要的，并不是继续增强“马力”，而是如何通过缰绳、马具、路线和规则，把它稳定地引导到正确方向。
很多人误以为 AI 工程的核心是“模型能力”。
但现实越来越清楚：
真正决定系统价值的，不是模型本身，而是你如何组织、约束、沉淀和复用知识。
因为 Workflow 只是管道。
真正重要的，是流过管道的东西。
如果没有垂直领域知识，再复杂的 Agent 系统，也只是一个一次性的“智能工具”；它不会成长，也不会积累，更不会形成真正的壁垒。
2. Harness Engineering 的本质：不是流程，而是“知识驱动”
在很多 AI 团队的实践里，Harness Engineering 通常由三部分组成：
一、上下文工程（Context Engineering）
包括：
长短期记忆 知识检索 渐进式上下文注入 历史状态管理
它解决的问题是：
AI 在当前时刻“知道什么”。
二、架构约束（Architecture）
包括：
Agent 编排 状态机设计 Workflow 调度 安全边界 权限隔离
它解决的问题是：
AI 在什么规则下行动。
三、持续治理（Governance）
包括：
质量门禁 知识生命周期管理 自动衰减 评估与审计
它解决的问题是：
AI 如何长期保持可靠。
但很多团队现在有一个典型误区：
他们把绝大部分精力，都放在了“流程设计”上。
比如：
Workflow 要不要 16 阶段？ 状态机是否应该可回滚？ Agent Router 怎么设计？ DAG 如何并行化？
这些当然重要。
但它们更像是在“修高速公路”。
真正的问题是：
路上到底跑什么车？
没有知识沉淀的 Workflow，本质上只是空转。
你会发现：
每次项目都重新踩坑； 每次模型升级都得重写流程； 每次上下文丢失都得重新解释业务； 每个 Agent 都像“失忆患者”。
问题不在 Agent。
问题在于：
你的系统没有形成知识闭环。
3. 为什么 Workflow 可以被替代，而知识无法被替代？
这是很多团队直到今天都没意识到的一件事。
Workflow 是会过时的。
模型升级后：
Prompt 会变； Tool Call 会变； Agent 架构会变； 调度逻辑会变； 上下文窗口会变。
甚至今天精心设计的状态机，半年后都可能被更强的模型能力直接“抹平”。
但有一样东西不会失效：
你在垂直领域积累的知识。
比如：
为什么当初做这个架构决策； 哪种方案在生产环境里翻过车； 哪些 API 有隐藏副作用； 某类业务规则为什么不能简化； 哪些“经验主义”其实是关键约束。
这些东西，才是真正昂贵的资产。
因为它们：
无法从模型参数里直接获得； 无法靠 Prompt 临时生成； 无法被公开数据集训练出来。
它们只能来自：
长期真实业务实践。
这才是 AI 工程真正的复利。
4. 一个成熟 AI 团队，如何构建知识系统？
很多团队的问题，不是“不重视知识”。
而是：
不知道如何把知识工程化。
真正有效的知识系统，通常需要同时解决三件事：
怎么存？ 怎么分类？ 怎么演化？
第一层：知识分层
一个成熟团队，往往会把知识拆成不同层级。
Layer 0：个人偏好
比如：
IDE 设置 Prompt 风格 编码习惯 本地工具链
这是个人资产。
Layer 1：团队技术知识
比如：
技术规范 架构模式 通用组件 基础设施经验
这是团队共享资产。
Layer 2：业务知识
比如：
风控规则 订单状态机 审批流程 业务约束
这是领域资产。
Layer 3：项目知识
比如：
某项目的特殊设计 某次事故复盘 临时 workaround 项目上下文
这是项目生命周期资产。
真正关键的一点是：
项目知识必须能够“向上提升”。
也就是说：
一个项目里验证过的经验，如果具备通用性，就应该自动沉淀为团队级资产。
否则团队永远在重复交学费。
5. 最反直觉的一点：知识库必须“会腐烂”
很多人以为：
知识库越大越好。
其实完全相反。
AI 系统最大的风险之一，就是：
陈旧知识污染上下文。
一个过时的架构决策，可能比“没有知识”更危险。
因为 Agent 会默认它是正确的。
所以成熟的 AI 团队，开始引入一种非常重要的机制：
知识衰减（Knowledge Decay）
核心逻辑很简单：
长时间没人引用的知识，可信度下降； 长时间没人验证的经验，需要降级； 已经过时的规则，必须自动退出活跃索引。
例如：
12 个月没人引用的 proven 条目，降级； 6 个月没人验证的 verified 条目，回退； 长期无人使用的 draft，自动归档。
与此同时，还会结合类似“Lint”的机制：
检查冲突； 检查孤儿文档； 检查过期引用； 检查循环依赖。
本质上：
知识库不是图书馆，而是“活体系统”。
它必须持续新陈代谢。
6. AI 工程真正难的，不是生成，而是“上下文控制”
很多团队在 Agent 系统里遇到的真正瓶颈，其实不是模型能力。
而是：
上下文膨胀。
知识一多，Prompt 就越来越长。
最终：
Token 爆炸； 检索失控； Agent 开始“胡吃海塞”； 模型注意力迅速下降。
所以先进团队现在普遍开始采用：
分层索引 + 查询预算
而不是“全量喂给模型”。
一个典型结构通常是：
Layer A：全景目录
几十行。
只告诉 Agent：
知识库里“有什么”。
Layer B：分类摘要
几百行。
提供：
标题 标签 成熟度 摘要
帮助 Agent 判断：
要不要深入读取。
Layer C：完整内容
只有真正需要时才加载。
这种模式最大的价值在于：
把“上下文消费”变成一种精确行为。
而不是无节制的信息投喂。
很多团队在这里，能直接把上下文规模压缩一个数量级。
7. AI 工程的下一个瓶颈：不是模型，而是“人在等待”
再先进的 Workflow，只要中间卡了一个“等待人工确认”，效率都会断崖式下降。
很多团队真实的交付周期其实是：
Agent 工作 2 小时； 等人审批 18 小时。
最终：
系统大量时间浪费在“人在不在”。
所以越来越多团队开始做：
全异步 AI 工程。
比如：
手机远程审批； 异步架构确认； Agent 后台持续执行； 自动知识归档； 自动经验提取。
本质上是在让 AI 系统：
从“工具”变成“持续运行的生产系统”。
8. 真正的 AI 护城河：不是模型，而是“知识复利”
今天的大模型能力已经越来越接近“基础设施”。
模型差距仍然存在，但已经不像两年前那样决定生死。
真正拉开团队差距的，开始变成：
是否具备领域知识沉淀； 是否形成知识闭环； 是否拥有长期演化能力； 是否让系统“越用越聪明”。
这是很多人忽视的一件事：
模型提升具有概率性，但知识沉淀具有确定性。
模型可能下个月就被新版本超越。
但你的：
业务理解 故障经验 架构演化 决策逻辑 领域规则
会持续复利。
而这，才是真正无法被轻易复制的东西。
9. 结语：别再只修 Workflow 了，开始建设“知识基础设施”
未来几年，Agent、Workflow、Tool Use、长上下文、自动编排，都会逐渐标准化。
很多今天看起来“高门槛”的工程能力，未来都会成为基础能力。
但有一样东西不会：
领域知识。
它决定了：
AI 是否真正理解业务； Agent 是否能长期稳定演化； 系统是否能形成复利； 团队是否拥有不可替代性。
所以，一个 AI 团队最重要的问题，也许不再是：
“我们该用哪个模型？”
而是：
“我们的知识，是否正在持续沉淀为资产？”
因为最终：
Skill 会变化，工具链会变化，模型会变化。
但真正长期存在的，永远是知识本身。
