花了 5 万刀用 AI 写代码之后: 这是我的全部经验
一位用户通过主流AI编程工具累计投入超过5万美元，形成了对AI的深刻理解。以下是他分享的核心经验，涵盖从个人路径到未来趋势的全面洞察。
这篇内容并非工具教程。网络上关于AI使用的文章和视频已泛滥成灾。我想阐述的是，在投入大量资金和时间后，我真正领悟的关键点。无论你是程序员、产品经理，还是非技术背景的人，这些见解都与你相关。
一、我的路径
从Copilot问世开始，代码补全功能省去了大量打字时间。随后，我尝试让AI按计划执行任务。接着进入Agent模式，让它自主探索、决策和编写代码。再后来是MCP，将各种工具连接起来，使AI能调用外部能力。然后发展到Skill，将经验封装成可复用的能力包。再到Multi-Agent，实现多个AI并行协作。最终是Harness，让AI群体的协作更流畅可控。
五万美元究竟花在哪里？可统计的包括6个项目、4个小工具、1套Multi-Agent Skill和1套Harness Kit，此外还有许多无法量化的部分。
Harness旨在解决什么问题？我将其分解为四个层次：
- 能力层：AI可使用哪些规则和工具。
- 连接层：系统之间如何建立连接。
- 构建层：想法如何按规范产出。
- 管控层：产出如何追踪和审计。
这四层结构无论对于项目还是业务都通用，唯一区别在于每层填充的具体内容。行业趋势也在验证这一方向，有机构用16个AI并行编写了一个C编译器，生成10万行代码，花费2万美元，几乎无人干预。他们最大的经验并非模型有多聪明，而是测试质量决定一切，为AI的认知特点设计执行环境，并用CI防止回退。这本质上就是在做Harness这件事。另一家机构也发布了相关框架，核心是将软件开发的每个阶段拆解为三层：哪些委派给AI，哪些由人类审查，哪些必须人类掌控。这实际上是在每个环节定义清楚人与AI的边界，正是Harness管控层所关注的。
后续上线的Agent Teams功能，让一个领导者协调多个队友，共享任务列表，互相通信，各自在独立上下文中工作。讨论中，有人用9个Agent运行7阶段Kanban，也有人认为这模拟了人类组织架构。我的看法是，多Agent的价值不在于模拟人类分工，而在于隔离上下文和并行执行。但前提是计划质量足够高，否则9个Agent只会加速制造垃圾。
二、踩过最大的坑
投入如此多资金，最大的陷阱是什么？
是相信AI会自动纠正记忆和上下文。起初，AI似乎记住了你的偏好、项目结构和决策逻辑，短期内表现良好。但随着时间的推移，问题逐渐显现，AI开始将你的规则与自身推断混杂，产出半对半错，且难以定位问题。最致命的是上下文压缩，对话变长后，系统会压缩上下文，遗忘的内容远超想象。你以为它还记得三天前设定的约束，其实早已被压缩。更糟的是，你引入新上下文试图补救，AI也无法准确总结，因为压缩后的记忆已包含错误，新信息建立在错误基础上。
这个教训让我明白：不要信任AI的记忆，要信任你给它的结构。所有关键信息必须显式写入执行环境，而非依赖对话历史。上下文窗口有限，记忆会失真，但书面记录不会。
三、用好AI的核心：输入、决策、环境
真正善用AI的人，并非依赖多好的MCP、Skill或规范。这些都是后置结果，而非起点。要达到极佳效果，首先需要聪明的AI，其能力天花板决定了基座上限。基座不行，上层建筑都是空中楼阁。其次，对AI的理解同样重要，这从根本上决定了使用方向。有人喜欢让AI当体力工，有人则让它做决策。
我对AI的理解很简单：高质量的输入和高质量的决策即可，其余全权交给AI。这两点也是最难的。
高质量输入并非指写好提示词，而是给AI提供足够完整的执行环境，包括系统边界、业务上下文、领域模型、约束红线以及完成标准。简而言之，将一个聪明但缺乏业务背景的人所需的所有信息，结构化地提供给AI。
高质量决策并非每一步都紧盯，而是在关键节点介入，判断方向是否正确、边界是否越界、产出能否验收、风险是否可控。其余部分，放手让AI处理。
在现实世界中，人是环境的产物；在硅基世界，AI也是环境的产物。你给AI设定的执行环境，决定了它的思考和边界。不要害怕AI推理，推理是它的本职。错误很正常，人类也会犯错，为何要求AI不能犯错？允许错误发生，重要的是可控。风险与回报挂钩，当一个人因AI负责更多事务时，风险也会增加，但不用AI风险同样存在。风险与回报始终成正比。AI真正的门槛并非技术，而是认知。你能否将一个模糊的业务问题，拆解成AI可执行的结构化描述？能否判断AI产出的好坏？能否在AI犯错时快速定位问题所在，是输入不足、边界未定义，还是这件事本身就不该交给AI？技术门槛会越来越低，模型越来越智能，工具越来越傻瓜化，未来可能无需编写代码就能搭建系统。但认知门槛不会降低，对业务的理解、问题拆解能力和产出质量判断力，没有捷径。AI放大的是你的认知，而非手速。此外，Skill不宜过多，少量放全局，其余沉淀到具体项目中。AI并非喂得越多越好，约束越多越好，过度约束会限制其思考空间。你需要提供足够的上下文和边界，然后让它自行寻找最优解。过度约束和没有约束一样糟糕。低质量输入加低质量决策，AI只会高效制造垃圾。高质量输入加高质量决策，AI才是真正的生产力杠杆。
四、AI提效一定是自上而下的
这是我最想强调的观点。AI提效并非某个员工偷偷使用工具提高个人效率，其本质是让数据、经验、知识在不同岗位之间重新流转协作。这属于AI落地的基建，是业务协作的基础。因此，它一定是自上而下的，最好由老板和管理者牵头。不是因为老板更懂AI，而是因为这件事改变的是协作结构，而非个人的工作方式。提供高质量的AI环境和执行高质量的决策，是真正AI提效的体现，其他都是半瓶子晃荡。但说实话，短期内只有少数公司能做到这一点。对业务复杂度也有要求，起码业务必须能被结构化描述。推行AI往往意味着重写许多东西，并且让AI了解业务也需要时间。这是每家公司都会遇到的问题。有些公司也只在新业务上尝试，谁的历史包袱少，谁就更占优势。
五、只需要两种人，其他人会被淘汰
AI落地真正需要两类角色：AI设计者和AI执行者。AI设计者需对业务极为了解，知道哪些流程可以AI化，哪些不能碰，哪些经验值得沉淀。业务专业程度决定了AI的沙盒环境专业程度，不懂业务就无法设定AI的边界。AI执行者需对AI开发非常熟悉，能将业务知识转化为可运行、可复用、可验证的系统。执行者的能力直接影响业务AI落地的效率。两个角色都必须对业务非常熟悉。两者配合的结果是，将行业专家的能力蒸馏为Skill，复制给团队每个人，提高整体作战水平。因此，不会因AI被开除的人只有一个共同点，即能为关键结果负责。你负责的东西，能说清楚为什么这么做、如何验收、出了问题如何兜底。其他人则是变量。小厂大厂中，充当传话筒的人至少占一半，他们领了任务只想甩出去，从别人那里获取结果。在即将到来的AI时代，这类人的下场是被淘汰。专业的人做专业的事，专业的事只需要专业的人。真正干活的人，此时应被重视。
六、不要给Agent套岗位
现在岗位协作Agent很火，你的Agent和我的Agent聊天，有事找我的机器人。这是一种公司环境下的选择。但我越来越觉得，不应给Agent设限岗位，慢慢公司也不应给人设限。岗位是工作场景赋予人的标签，方便人力资源管理和归责。但Agent不需要这些，抛弃头衔，AI应对产出直接负责。Agent可以且应该在推进工作的环境中，不断自行寻找和构建所需内容，这些内容人也不应关心。你使用AI的程度，取决于你对AI的理解。
七、未来会怎样
我现在做的Harness，本质上仍是人给AI写规则，定义边界、维护契约、设置验证门禁。这是当下最务实的选择，但它是过渡态。首先，从零构建一个Agent Harness已无太大价值，因为你做不过模型公司，模型一升级，许多工作就白费了。例如，我花了几周沉淀的约束体系，模型能力提升后，一些规则直接多余。Harness迭代速度太快，小团队根本跟不上。一切适合就好，不要追求完美框架，够用、能跑、能迭代即可。但基于成熟Agent Harness做垂直方案，大有可为。MCP解决了连接问题，Skill解决了领域知识问题，但两者相加离真正业务落地还很远。垂直领域仍有大量工作待完成：
- 为旧工作流重新设计AI Native的Agent工作流。
- 在Human-in-the-Loop部分，重新设计用户界面和交互体验。
- 整理垂直领域的高质量数据。
- 将行业专家的判断路径转化为AI可执行流程。
这些事模型公司做不到，它们提供基座和基础设施，但不懂你的行业、业务和用户。这些需要行业人士共建。Agent是未来的操作系统，模型公司提供模型和Harness，就像某些平台提供操作系统。真正的价值在于上面运行的应用。谁先在自己的领域跑通AI Native的全链路，谁就有壁垒，这不是技术壁垒，而是业务理解壁垒。展望未来，AI自身会更聪明，基座能力快速提升，推理、长上下文、多模态等进步会让AI所需的人工约束减少。今天你需要写大量规则告诉它什么能做什么不能做，明天可能一句话它就懂了。记忆和上下文会做得更精细，未来AI应能记住每次执行细节，包括出错点、契约变化和多余门禁。Harness将从人写的静态规则，变为AI基于历史数据自我迭代的动态约束。垂直领域的自动流程化是下一个爆发点，不是通用Agent什么都干，而是针对具体行业和业务场景，将需求到交付的整条链路自动化。最终态可能是这样的：人定义目标和价值观，AI自行构建执行环境、寻找资源、验证产出、迭代约束。人从定义边界退到定义方向，从Human-in-the-Loop到Human-on-the-Loop，再到Human-over-the-Loop。但这并非今天的事，今天的现实是，你不给它边界，它就没有边界。
八、你真正的资产
AI时代不仅限于用AI提效，它还催生了大量衍生品生意，门槛不高但窗口期有限。今天能做的事，半年后可能被模型能力提升抹平。因此，重点不是这个生意能赚多久，而是你在过程中沉淀了什么。工具会过时，平台会更迭，API会下线，模型会换代。但有些东西别人拿不走：
- 能力：你拆解问题、设计系统、将模糊需求转化为可执行方案的能力。
- 思考：你对领域的深度理解，看问题的角度和框架。
- 认知：你对AI边界的判断，什么该交给它，什么不该，何时介入，何时放手。
- 审美：你对产出质量的标准，什么是好，什么是凑合，这决定了你的天花板。
- 执行力：从想法到落地的速度和完成度，AI放大的正是这一点。
这些才是你真正的资产。AI时代变化太快，追工具、追模型、追风口都追不过来。但如果你在每次折腾中沉淀这五样东西，无论风向如何变化，你都不会慌乱。推荐几个值得关注的方向：有机构用并行AI团队构建编译器，最大经验是测试质量和执行环境设计；另有机构提出每个开发阶段的委派、审查、掌控框架；多Agent协作的官方实现，包含领导者、队友和共享任务列表；社区总结的多Agent编排模式和最佳实践；以及社区对多Agent模式的真实反馈和争论。
结语：应作如是观
AI只是一个放大镜，网上铺天盖地的新闻、工具和教程都是催化剂，你才是最重要的。当AI的执行力拉满后，你对生活的感受、对世界的好奇心、做出的决策、遇到问题时的韧性，才是这个时代最重要的。工具会迭代，模型会更新，排行榜每周都在变。这些都是空幻不实的现象，容易让人陷入执著和追求，带来焦虑和迷失。平台不同，环境不同，人的境遇也不同。有人在大厂拿着资源往前冲，有人刚被裁员坐在家里不知下一步该做什么。有人身边全是懂AI的人，有人连个能问的人都没有。这些都是现实，无需比较，也无法比较。但有一件事是相同的，你的想法还在。被裁不代表能力消失，不代表积累的价值不存在。恰恰相反，当你不再被一个岗位定义时，才有机会重新想清楚，自己到底擅长什么，想做什么，能为什么结果负责。AI时代最不缺的是工具，最缺的是知道自己要什么的人。不要害怕AI，拥抱它，用它，但不要被它定义。不要被裁员定义，不要被焦虑定义，不要被别人的节奏定义。应作如是观。