---
author: 硅谷101播客
date: '2026-05-25'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=wC0XcqX_k7Q
speaker: 硅谷101播客
tags:
  - harness-engineering
  - ai-first-organization
  - agentic-workflow
  - self-healing-system
  - organizational-transformation
title: 从 Harness Engineering 到 AI-First 组织：重构信任与生产力的底层逻辑
summary: 本文深入探讨了大模型工程能力的进化路径：从提示词工程、上下文工程到全新的“挽具工程”（Harness Engineering）。通过 Creao 创始团队的实战经验，揭示了真正 AI 优先（AI-First）组织的核心：不仅是使用 AI 工具，更是围绕 AI 能力重塑工作流与组织架构，将生产力主导权从人移交给 AI，实现系统自修复与自进化的闭环。
insight: ''
draft: true
series: ''
category: ai-application
area: tech-engineering
project: []
people: []
companies_orgs:
  - Creao
  - Meta
  - Apple
  - OpenAI
  - DeepMind
products_models:
  - Llama
media_books:
  - Attention is All You Need
status: evergreen
---
### 工程能力的进化：从提示词工程到挽具工程

在过去三年的大模型发展史中，工程能力经历了三次核心概念的进化。2023年模型初现时，行业焦点在于 **提示词工程**（Prompt Engineering: 核心是研究如何写好提示词，引导模型给出更优答案）。随后在2024年，焦点转向了 **上下文工程**（Context Engineering: 侧重于为模型提供更完整的背景信息，使其能处理复杂任务）。

步入2026年，硅谷开始流行一个新的术语——**挽具工程**（Harness Engineering: Harness 原意为引导和约束马匹的挽具，现指围绕大模型搭建的一套使其能在真实世界持续工作、自我修复并自我提升的系统）。与前两者主要关注与大模型本身的静态交互不同，**挽具工程** 是一个更大范围的系统工程，它涉及工具链的使用、**沙箱**（Sandbox: 一种隔离运行代码的安全环境）的架构设计，以及如何通过持续的反馈循环让系统“活起来”。

如果说前两个阶段是在优化模型输入，那么 **挽具工程** 决定了如何将大模型的能力推向最佳上限。它不仅仅是关于如何使用 **大型语言模型**（Large Language Model: 基于海量数据训练的通用 AI 系统），更关乎如何围绕它构建基建工具链、安全保证以及推理阶段的 **规模化**（Scaling: 通过增加计算时长和工具链复杂度来提升任务完成质量）。

### 真正的 AI 优先：重构流程与组织架构

大多数公司宣称的 **AI 优先**（AI-First）往往停留在表面，真正的 AI 优先策略需要重新设计整个公司的流程与组织结构。很多企业尝试在现有流程中加入 AI 工具，但这并未本质提升效率，反而因为每个岗位进度不一增加了 **对齐**（Alignment: 团队成员在目标与执行路径上达成共识的过程）成本。

在 **AI 优先** 的组织逻辑中，核心生产力的主导者应当从人转变为 AI。人不再是工具的使用者，而是系统结果的复盘者与需求的定义者。在 Creao 的实践中，99% 的代码由 AI 编写，这种模式下开发速度远超传统的 **产品路线图**（Product Roadmap: 产品的发展规划与时间表）。当开发能力极大过剩时，市场团队无需再与工程师反复讨论明天发什么功能，而是可以根据市场即时需求，从 AI 自动产出的“功能库”中挑选合适的产品。

这种转型的第一步是解决人的 **思维模式**（Mindset）对齐问题。传统转型需要数月来论证新方式的优劣，但在 AI 辅助下，团队只需一两周就能重构前端、后端及基础设施，通过部署频率和可靠性的数据提升，迅速说服成员融入新的开发流程。

### 挽具工程的核心：自修复与动态迭代

**挽具工程** 的胜利体现在系统的自愈能力上。在传统开发中，写代码一天、修 bug 可能要三天。而 Creao 引入了 **智能体驱动**（Agent-driven）的 **持续集成与持续部署**（CI/CD: 自动化构建、测试与发布代码的流程）系统以及 **缺陷分类**（Bug Triage: 对系统错误进行识别、定级与指派的过程）系统。

当系统识别到风险较小的文件夹出现问题时，AI 会自动提交 **拉取请求**（Pull Request: 开发者提交代码更改以供审查的请求）进行 **自动修复**（Auto-fixing），人只需进行简单的验证和批准。目前该团队 50% 以上的问题是通过这种方式处理的。只有涉及安全性或核心 **智能体行为**（Agent Behavior）的敏感部分，才需要专业人员进行深度复盘。

这种模式改变了传统的产研矛盾。以往团队常在“修 bug”还是“做新功能”之间争执，但在 **挽具工程** 支撑下，bug 随现随修，新功能产出过剩，这两个清单在本质上都消失了。这种进化的前提是建立对系统的信任，将 AI 视为一个动态成长、不断学习规则的系统，而非一个需要人去纠正的静态智能。

### 角色重塑：从执行者到架构师与操作者

在 AI 主导的开发环境下，工程团队的角色发生了分化。一类是 **架构师**（Architect: 负责决定系统整体结构与交互逻辑的专家），另一类是 **操作者**（Operator: 利用 AI 工具执行具体任务的人）。尽管 AI 编程能力飞速提升，但其在规划阶段仍可能存在安全、延迟或成本方面的缺陷。

**架构师** 的价值在于识别这些缺陷并质疑 AI 的方案。例如，当 AI 给出一个 90 分的方案时，架构师根据经验提出批判，并要求 AI 参考开源框架给出修订版。随后，架构师会将这些调优经验沉淀为 **技能**（Skill），供团队以后直接引用，实现知识的系统化。

这种变革不仅发生在技术侧。未来，**产品经理**（Product Manager）这一角色可能会被拆解到工程师和管理人员身上。由于开发成本极大降低，具备产品感知和执行能力的复合型人才将成为主流。**设计师**（Designer）的定义也在变化，未来的核心人才应当是具备将创意直接落地的 **用户体验**（User Experience）和 **用户界面**（User Interface）实现能力的人，而非单纯的画图者。

### 职业发展：初级工程师与资深专家的博弈

一个有趣的观察是，初级工程师往往比资深工程师更能适应 AI 环境。初级工程师没有深厚的技术债务或思维束缚，更容易接受职责范围的扩展——从写代码延伸到产品分析与部署反馈。而资深工程师由于长期专精于特定领域，其多年积累的编码知识正在被 AI 摊薄，在心理和行为上更容易产生转型阵痛。

然而，资深工程师的工程底蕴和架构经验在 AI 时代依然不可取代。企业目前最稀缺的人才，是那些既有扎实底蕴，又能完全拥抱 AI 思维模式，并具备跨学科感知能力的专家。在 AI 辅助下，原本需要 100 人的开发团队现在可能缩减到 10 人以下，但这一小部分人的综合素质要求极高。

### 未来展望：AI 消费与价值定义的回归

随着 **智能体经济**（Agent Economy）的兴起，人类的工作成果可能不再直接面向人，而是面向另一个 AI。例如，未来的营销图片或文章第一步是由 AI 筛选，甚至是三层过滤都由 AI 完成。因此，工作的价值判断标准将发生偏移。

面对这一变革，人的核心价值最终会回归到两个原点：
1. **定义需求**：基于人类物种的需求和利益，确定技术发展的方向。
2. **价值定义与审核**：通过 **复盘**（Review）最后的结果，判断其是否符合人类社会的利益与价值观。

尽管这一变革过程充满噪音和痛苦，但从长远来看是乐观的。AI 将极大地解放人类的自由时间，把人类从繁琐的实现工作中抽离，投入到更高维度的系统架构与价值创造中。