夜雨聆风哪些工作，能彻底脱离我、让AI自己跑完。
这，就是我理解的 AI first。
我只给目标和验收标准，不规定它怎么实现。使劲“PUA” AI自己去解决问题。
这两年整个行业的重心，就是从单轮对话的co-pilot，转向能长时间自主跑的goal-driven系统。
物理学背景的AI大牛姚顺宇也在采访中说自己想研究攻克的方向是“Long horizon”。这个确实很难，误差会复利放大（0.95¹⁰≈60%），context越拉越长、注意力会被稀释......
自主性是一个"设计选择"，不是LLM的能力提升就能解决的。一个很强的模型，你可以刻意让它半自动、每步都回来问你；一个没那么强的模型，在边界清晰的小任务上你也可以放它全自动。给多长的绳子，是你定的，需要做harness engineering。
这就是 AI first 作为设计哲学的核心：不是在用一个agent，是在设计它的“自主度”。
我这半年最烧时间的事，就是在练这个。尤其是2-4月份精力都在养龙虾（已从 OpenClaw 迁到 Hermes agent）：Jarvis 当调度官（主agent）下面的子agent ：huatuo管健康、SMS 管交易、Mei-di 管社媒。 我没把AI当一个对话的框，而是一个架构的组织。
另一个"自主性"是尝试做AI trading agent。真金白银7×24地跑，人在loop外。我试过多个AI trading agent产品，也自己设计过AI trading agent，当前都还不满意，还被盗了1000U😭
以下梳理了几个日常场景，我会对照着看自己是不是真的在用 AI first 思维。
【写周报】❌ 每周自己回忆一遍写好，让AI把措辞润色一下。✅ agent自动从 Obsidian、日历、聊天记录里抓素材、生成初稿，你只做终审。【查资料】❌ 有问题就问一句、把答案复制回来。✅ 派deep research agent自己去查、workflow multi-agent去交叉比对，产出结构化结论，你只做判断。【客服】❌ 自己回消息，回不过来时让AI帮你想措辞。✅ 针对具体场景搭一个agent，自主处理80%，剩下20%才升级给人。【日程·健康】❌ 想起来了才问AI一条建议。✅ 接入日历/WHOOP手环等API，agent持续监测、主动协调，用心跳机制按时提醒。【投资决策】❌ 对话里让AI给个"买不买"，然后照做。✅ agent持续跟踪、主动推送信号与风险、标注置信度，你只负责拍板。
2｜从vibe coding 做玩具
vibe coding去年年底热度很高，很多人在吵它到底行不行。我觉得这问题问错了。该问的不是"vibe coding 行不行"，是"手上这个东西，容得下多少 vibe"。
但只要一个东西开始"自己跑"、而且"错了有代价"，需要的工程量就陡增，专业要求就高的多。
代码库越乱，AI 在里面越容易懵、越容易改错地方，你的协作者现在也要读你的代码。所以在 AI 时代，工程思维和纪律没有变得不重要，是在"高自主"的地方变得更重要了。
vibe coding或许能解决99公里，最后的1公里还是需要专业的程序员。这是人家吃饭的本领，不是普通人随随便便用个AI就能替代的。
3｜真正的杠杆在harness engineering
这半年新概念一个接一个冒：
prompt engineering、context engineering、harness engineering、FDE……
看着眼花，但杠杆的位置一直在往上游走。抠单条prompt的收益早已见顶。context现在动辄很大，于是很多人的第一反应是"把所有东西都塞进去"，这恰恰是错的。
context不是越多越好，塞太多，模型的注意力会被稀释，反而变笨。
这门手艺真正的前沿，已经从"往里放什么"变成了"从里面删什么"。
harness engineering说白了就是给模型搭一个好的干活环境：CLAUDE.md怎么写、context怎么裁、权限的爆炸半径怎么隔离、工具怎么挂。我自己的CLAUDE.md原则就加了“减法原则”。模型越强，越需要你帮它把注意力收敛到该看的地方。
我的Claude code - claude.md 文档 👆
4｜给agent接通“四肢”，接口配好才能跑更远
只会生成文本的AI是嘴，能调CLI的AI才有手。我把Vercel、Railway、gh、AWS的CLI全给它配好，agent能自己部署、自己提交、自己动基础设施。/goal启动，auto模式打开，剩下的它自己跑。
这背后是个更大的趋势：模型本身在快速商品化，但套在模型外面的那一层：工具、权限、harness是自己的。等MCP、tool use、computer use这些能力成熟，agent就能真正碰到真实世界。想让AI替你干活，先把真实世界的接口交到它手里，光会出主意的chatbot不值钱。
5｜用AI的速度快速证伪，别慢慢完善
造东西的成本被打到接近零，带来一个后果：这周你能做出来的东西，别人这周也能。所以"做得快"不再是优势，"学得快"才是，谁能更便宜、更快地把错的想法杀掉，谁赢。
我自己就是这么干的。数字员工的toC方向，找6个人测试，直接证伪，那就砍掉转toB。AI策略相反，5个用户，加上已经在Binance合约上跑出的真实收入，说明方向对，那就往下做。Agent交易平台出了点问题，先闲置，不硬撑。海外Crypto和美股交易平台慢慢优化，逐渐放手给Agent管理。。
不对自己做的东西有感情。AI给最大的红利不是产能，是让能低成本地做很多次证伪商业模式。
6｜不做中间件，钻进具体的生产场景
前沿模型每吸收一个新能力，就有一批做通用中间层的产品死掉，参考Claude design对figma的降维打击。中间件自己薄薄的那一层，大厂更新一个功能就替代了。
那护城河在哪？在模型吃不下、也懒得碰的地方——独家的数据、一个足够具体足够痛的生产场景、分发渠道、以及信任和关系。微笑曲线，做两头生意在AI产业也生效。
所以AI数字员工这门生意，我的结论是必须to B，面向具体的生产环境去做，token出海。判断一个AI产品能不能活，就问一句：大厂加个feature，你还在不在？
7｜AI没让人变闲，它把工作重新分配了
AI能力大爆发，没让任何人变闲。它夺走了用不好AI的人的工作，同时加重了用得好AI的人的工作。
"AI解放人类、每周四天工作制"这套叙事，和我看到的现实是反的。恰恰因为杠杆变高了，休息的机会成本也跟着变高，用得好AI的人反而更忙，只是忙在更高杠杆的事情上。这道口子在快速拉大，中间地带在消失。
我上半年基本闭关搞AI，是真的累。所以下半年强迫自己减少develop，多社交、多休息、多读书。用得好AI是红利，但红利也能把人烧了。
8｜判断力、品味、健康，才是真正的瓶颈
当一种生产要素变得极度便宜，价值就会转移到它的互补品上。 而"执行"，包括“写代码、做设计、写文案、跑数据分析...“，正在飞快地变成那个便宜的要素。
那价值往哪儿跑？往判断力、品味、分发、信任、以及独有的数据、经验、context上跑。
把精力放在那些"因为AI变便宜、反而变贵"的东西上面。
大多数人是对着"当前这个模型能干什么"去做产品，到处拿着锤子找钉子。
对着导数做产品，架构要让每一次模型升级都能白嫖到红利，而不是被它一口吃掉。这一点我是亲身经历的——Opus从4.7升到4.8，我什么都没改，一觉醒来整个系统的能力上了一个台阶。Fable 5 刚出来，我立即让它把所有的产品代码debug加固，算是赶上了Fable 5的昙花一现。反过来思考，如果我辛苦做的功能，模型下个版本就原生支持了，那其实是在给大厂做免费的需求调研，就是炮灰😂。
现在模型基本每隔几个月一个台阶，agentic能力（自己跑几个小时的任务、调工具、操作电脑）起得很快。这个节奏下，死磕"当下能力"的优化几乎必输，因为你优化的东西，下一版可能就免费了。
这也是为什么我一个没有开发背景的人，敢从零做全栈。"全栈"这个技能现在是可以租的，你不需要花五年去积累。但"知道该做什么、能判断做出来的东西好不好"，这个租不到。别再囤能租到的技能，去囤租不到的判断力和品味。
执行被AI接管之后，人的瓶颈整体上移到了判断力、对商业模式的理解、品味审美。这些恰好是模型替不了的，只能靠大量阅读、思考、以及和真实世界互动拿反馈，慢慢长出来。
总结可以把AI的能力拆成两层——道和术。
道，是判断力、品味、审美、目标感：知道该做什么、能判断做出来的东西好不好。这层长在自己身上，长得慢，只能靠大量阅读、思考、和真实世界互动拿反馈慢慢养。
术，是把 AI 真正用起来的那套具体手艺。这层可以刻意练、能看到进步、甚至能量化。LLM“选品”成本控制、agent框架、context/prompt、agent 协作......
术决定能不能把 AI 用起来、用得顺；道决定把这份能力用来做对的事。术可以速成，道不能。
最后说一件当下最重要的事：健康。
哈萨比斯说"先解决智能，再用智能解决一切"，AlphaFold已经在兑现这句话，蛋白质折叠结构问题解决了。如果你真信未来一二十年AI能把衰老和大部分疾病啃下来，那健康其实是你手里一张对未来医学的看涨期权，你得活着、活得够好，才能行权。
生产力指数级井喷的时代，健康比赚钱重要。
AI无涯而吾生有涯。该吃吃、该睡睡、该玩玩，活在当下、珍惜眼前。
