夜雨聆风
每天打开技术社区，扑面而来的全是新东西。新模型，新 MCP，新 skill，新 workflow，新社交帖子，标题清一色「我用一个 prompt 彻底搞定了 AI」。
我不信。
GitHub 工程师 Burke Holland 每天和 AI 打交道，他说了一句大实话。
我每天用 AI 工作，发现少即是多。真正让生产力飙升的不是装了什么、配了什么，而是我怎么用 harness，以及我对它理解有多深。
这句话戳中了一个很多人不愿意承认的事实。
你收藏夹里躺着 100 个 AI 工具，真正在用的可能就那么一两个。而你花在「找新工具」上的时间，比花在「用好手头工具」上的时间多得多。
Harness 才是生产力杠杆
Burke 说的 harness，就是 AI agent 的约束系统。GitHub Copilot 是一个 harness，Cursor 是，OpenClaw 也是。它们决定了模型能做什么、怎么做、做多久。
这个概念我之前写过好几篇。DeepSeek 招 harness 工程师，AI 研究者 Lilian Weng 说 harness 是 AI 自我改进的路径，Claude Code 源码里 98.4% 是 harness 代码。固定模型只换 harness，性能差距能到 6 倍...这些数字当时看很震撼，但回答的是「为什么」。
这篇不一样。这篇是「普通人怎么用好手上的 harness」。
Burke 分享了一个 8 步工作流，用 GitHub Copilot 现有功能从原型到上线，不需要装任何新东西。没有怪 prompt，没有花里胡哨的技巧。就是 harness 本身。
我自己也有过这种阶段。看到一个新工具就忍不住试，试了半天发现核心功能跟上一个差不多，又换下一个。来回折腾好几圈，最后效率最高的时段，反而是老老实实用一个工具把流程跑通的那次。
选一个工具，然后学透它
GitHub Copilot 家族有一堆入口。CLI、桌面 app、VS Code 插件、JetBrains 插件，眼花缭乱。
好消息是这些体验越来越统一在同一个 harness 上了。核心工作流一致，学一次到处用。
Burke 的建议是从 CLI 开始。终端界面，纯文本，没有花哨的 UI 干扰。你输入 prompt，agent 干活，交互直接而即时。
说一千道一万，最好的 harness 是你正在用的那个。别再比较了，选一个，学透它。
把权限交出去
YOLO 模式，GitHub Copilot 里叫 Allow All。打开它，让 agent 自己执行命令，不用每一步都问你。
这听起来有点吓人。但想想看，如果你要批准 agent 的每一个操作，你不如自己做。没人愿意坐在那按一天「批准」按钮。更糟的是，按多了你就不看内容了，审批变成肌肉记忆，等于没审批。
安全怎么办，在沙箱里跑就行。GitHub Codespaces、dev container，随便选一个。本地机器别开 YOLO，尤其是公司项目。数据在组织系统里是私有的，出了岔子代价很大。
Agent 需要自主权才能给你生产力提升。这是 harness 使用的第一条铁律。你给它空间，它给你效率。
先做原型，再做决定
这是整个工作流里最魔法的一步。
以前做原型是项目的一个完整阶段，现在一个 prompt 就行。
Burke 想做一个日期选择器组件，听起来简单，实际上坑很多。导航怎么做，选中的日期长什么样，范围选择呢，用户怎么在天、月、年之间切换。
他给了 agent 一个 prompt。
给我 20 个日期选择器的 mock，全放一个 HTML 文件里让我对比。
20 个方案里，有一个从年份视图开始的。 Burke 突然意识到，他想要的是用户可以缩放，从年到月到日。
这种东西你不看到就不会想到。
人类处理图形和布局的速度远快于阅读文字。低成本的早期原型能把复杂概念变得直觉化。
原型不限于视觉任务。Burke 要加一个 API 端点，也让 agent 先做了个可视化 mockup。
给这个项目的 API 做一个可视化 mockup，加五种方案来处理用户下载分析数据的新端点。
GitHub Copilot 支持 Mermaid 图，agent 直接渲染出五种实现路径。你再看这五种方案，哪个合适，哪个有坑，一目了然...
原型阶段帮你提前发现那些「不看到就想不到」的细节。省下的返工时间远超原型本身的成本。
Burke 建议原型阶段用中等模型，GPT 5.6 Terra 或 Claude Sonnet，中等推理强度。选定了一个模型就别换，prompt caching 会帮你省 token。
让 AI 问你没想到的问题
原型让你知道了自己想要什么，接下来做计划。
GitHub Copilot 有个 /plan 模式。不用开新 session，直接切。
/plan 做一个日期选择器组件，用户能在年、月、日之间缩放。
这个 prompt 看起来很模糊。但没关系，这就是这步要做的事。
理论上，你可以写一个完美的 prompt，把所有上下文按完美顺序排好，让模型一次性搞定。理论上。
现实中没人能做到。但 plan 模式可以帮你逼近。它会问你一堆你自己想不到的问题。
• 起始日期和结束日期能否是同一天 • 部分选择是否有效 • 用户能否清除日期 • 「今天」是否应该始终可见 • 是否允许手动输入 • 日期存储格式是什么 • 是否允许粘贴日期
列表还能继续。你不可能想到所有边界情况，但模型可以帮你发现很多。
Python 开发者 Matt Pocock 做了个叫 grill-me 的 skill，装上后 plan 模式会更激进地追问，问题数量和覆盖面都上一个台阶。
/plan /grill-me 做一个日期选择器组件，用户能在年、月、日之间缩放。
这一步的关键不是全盘接受 AI 的建议。如果你全接受，这个规划过程就白做了。关键是你和问题深度交锋，用你的专业知识做判断。模型问「非连续日期怎么处理」，你不确定它什么意思，就反问。确保双方在同一频道上。
自动实现，但你别完全撒手
计划完成，GitHub Copilot 会提示你切到 Autopilot 开始实现。
Autopilot 是一个内置循环。它逼着模型确认自己说的每一步都真的做到了，没做完就继续。
这阶段 harness 自动做编排。需要读代码文件，用 Explore subagent 配小模型。遇到复杂操作，用 General Purpose subagent 配大模型。你不需要知道这些 subagent 存在，它开箱即用。
当然，如果你想更精细地控制，GitHub Copilot 支持自定义 agent 和指令。但那不是必须的。
你的品味是最后一道防线
这是整个流程里最爽的部分。你看到 AI 做出来的东西。
但大概率不会完全满意。这很正常。模型不会读心术，它有偏差，会犯错。你要做的就是在 follow-up 模式里不断修。
Burke 拿到的初版日期选择器有一堆问题。动画不统一，选中日期的悬停文字看不清，顶部不需要写「12 YEARS」，点「Today」不会跳到日视图。
他一连串提了好几个修改。
不需要 landing page，只要组件、输出和设置面板，最小化。用 Postrboard 配色。
点日期时它想缩放但没东西可缩放，这里不该有缩放。
顶部不需要写「Zoom Out」。
鼠标悬停在包含选中日期的月份或年份上时，文字看不清。
点「Today」应该跳到日视图，不管当前在月还是年视图。
注意到了吗，非常口语化。别想太多，修小问题的时候有上下文就够了，直接给。
最重要的一件事，别接受「差不多就行」的 AI 输出。
对质量狠一点。知道什么是好结果、什么是差结果，这是你作为人的价值。AI 不会替代你的品味和创造力。
经过几轮迭代，最终结果长这样。
让另一个模型来查作弊
迭代到你满意之后，做最后一步交叉审查。
请求 Rubber Duck review。直接在聊天里说就行。
对这个日期选择器实现做一次 rubber duck review。
GitHub Copilot 会用不同模型家族来审查。比如你用的是 GPT 5.6 Terra，它会叫 Claude Sonnet 来 review。不同模型训练数据不同，盲点也不同。交叉审查能发现单一模型看不到的问题。
这个功能在任何阶段都能用。原型可以 rubber duck，计划也可以。
想更进一步，把 rubber duck 和 Autopilot 组合起来，让两个模型在循环里互相挑刺。
/autopilot 对这个日期选择器实现做 rubber duck review，拿到结果后仔细审查并调整，重复 rubber duck 直到双方都认为剩下的问题边际收益递减。
这步会多花 token。但你在给代码做压力测试。把它当成对未来自己的投资，现在发现的问题总比线上爆出来好。
收工
到这一步，可以 stage、commit，或者直接开下一个 feature。
Burke 建议每个 session 保持话题聚焦。一旦偏离当前主题太远，开新 session。你可以把 session 当成话题容器，话题变了就换。
还有一点值得提。Burke 在全文里反复强调一个观点，那些花里胡哨的 skill 和 MCP 不是没用，而是对你现阶段没用。等你把基础工作流跑顺了，需要定义复杂自动化的时候，它们才有价值。大多数人卡在第一步，连手里的工具都没摸透，就急着往上面叠 layer。
这个道理不只适用于 GitHub Copilot。你用 Cursor、用 Windsurf、用任何 AI 编程工具，逻辑一样。先把原型做好，把计划问透，把审查做严。这些步骤不需要任何外部插件，harness 本身就带了。
说真的，回过头看看。做一个日期选择器，以前是最难的前端任务之一。现在一个工作流走完，从原型到交叉审查，全程一个工具...
这不需要什么神奇 prompt。不需要装 10 个 MCP。不需要追每一个新出的 AI 工具。
用好你手上的 harness，就够了。
这个领域变化太快，今天的天花板可能是明天的地板。没人真正知道自己在干什么。今天的高级技巧，明天可能就是反模式。
所以别纠结了。找一个能稳定出好结果的 harness，用最简单的方式重复跑。学透它。
那些你收藏了却从没打开的 AI 工具，可能一个都不需要。
Macaron 🧁 | 用好手上的就够了
