### [去他妈的Harness](https://dashen.wang/article/43) **Published:** 2026-07-11T14:27:41 **Author:** AI最严厉的父亲 **Excerpt:** Fking Harness Engineering该死的线束工程 ACT1. 记忆里的外星人 第一次用ChatGPT，脑子里蹦出来的词是：外星人。 不是说它像外星人。是那种感觉——像1977年射电望远镜突然收到著名的”Wow!”信号，像是某 > Fking Harness Engineering该死的线束工程 ## ACT1. 记忆里的外星人 第一次用ChatGPT，脑子里蹦出来的词是：外星人。 不是说它像外星人。是那种感觉——像1977年射电望远镜突然收到著名的"Wow!"信号，像是某种宇宙级别的存在忽然做了个回应——世界的边界往外延展了几公里，你站在原地，双腿发软，不知道是该哭还是该笑。 此后每一个AI行业新概念出现，我都在等那种感觉重现。 它再也没有重现过。 提示词工程（Prompt Engineering）出来了，我看了一眼，发现就是好好说话。 上下文工程（Context Engineering）出来了，我读了半小时，总结成一句话：把对的东西放在AI面前。 智能体（Agent）出来了，热闹了两年，大部分产品要么幻觉要么崩溃要么运行五步就跑偏了。 现在是2026年4月，又一个新词来了。 驾驭工程（Harness Engineering）。 ## ACT2. 这次的主角是谁 每次AI行业搞出一个新概念，出场方式都差不多：要么是一个创始人的Medium长文，要么是某位CEO在发布会上清了清嗓子说"我们发现了一件新事"，要么是OpenAI工程博客上一篇带着大量技术细节的文章，底下清一色是"game changer""paradigm shift""this changes everything"。 这些评论的作者，有一半是做PR的，另一半是焦虑的。 这次也不例外。 "驾驭工程"这个词，是由Mitchell Hashimoto（HashiCorp创始人）在2025年末的讨论中率先提出，并由OpenAI在2026年通过内部实验正式确立的。 OpenAI的工程博客在2026年2月写了一篇《Harness Engineering》，讲述了他们如何在几个月内用AI写出超过一百万行代码，而人类工程师在整个过程中没有手写过一行应用代码。 行业媒体立刻沸腾了。 "这是2026年最重要的工程范式转变！" "如果你不懂Harness Engineering，你将被时代抛弃！" "上一次范式转移是云计算，这一次是驾驭工程！" 我看完这些标题，倒了一杯茶，喝了一口，继续看我电脑里跑着的几个脚本。 那几个脚本，已经在用"驾驭工程"工作了很多年了。只不过我们从来没有给它起过一个英文名字，贴在领英主页上。 ## ACT3. 推产品不如推概念 发明一个名词，门槛低到他妈的令人沮丧。 你只需要：做了一件事，做了足够久，被验证有效，然后给它起个英文名字，写一篇博客，@三个KOL，等着媒体转载。 如果你是创始人，就更方便了。发布会上随口一提，让公关团队把这个词塞进每一篇新闻通稿，三个月之后这个词就会出现在大学课程PPT里，旁边写着"source: 你的公司名"。 这整套操作的本质是内容营销，不是知识创造。 区别在哪里？知识创造是先有洞察，再有命名。内容营销是先有命名，再用洞察填充，没有洞察就用焦虑填充。 AI焦虑是当下最好用的填充物，取之不尽，用之不竭。 "你不懂Prompt Engineering，你就会被淘汰。" "你不理解Context Engineering，你就跟不上时代。" "你不掌握Harness Engineering，你的竞争对手就会超过你。" 这套叙事跟减肥药广告没有本质区别：先让你觉得自己不够好，再告诉你他们有解决方案，价格嘛，可以谈。 我见过很多人，每次有新概念出来就焦虑一次，认认真真去学，然后等下一个出来，再焦虑一次。知识树不断长高，但从来没结过果。 这他妈不是他们的问题。这是这个行业的商业模式。 不炒概念，就无法给投资人交代。 这是AI行业一个公开的秘密，只是没人在台上说。路演上你不能说"我们帮客户搭了套自动化系统，效果还不错"，你必须说"我们在做下一代智能体驾驭基础设施，处于赛道的绝对领先位置"。 同样的东西，第一种说法估值一千万，第二种估值两个亿。 我没什么好评判的。资本游戏有它自己的规则，笑归笑，人家也确实在用这套规则赚钱。我只是希望你坐在台下时，搞清楚台上在表演什么，别被感染了。 真正可惜的是：认真做事的人，往往没时间包装自己。他们忙着调试prompt，忙着改反馈逻辑，忙着处理Agent跑偏，哪有空写博客造概念。 而那些善于造概念的人，比他们更有名，更有钱，更有话语权。 这他妈就是现实。 但话说回来——你践行了一件事很久，被验证有效，就该给它起名字，大声说出来。 这不是厚脸皮。这是你应得的。 你不命名它，别人迟早命名它，而你的名字不会在里面。 ## ACT4. 驾驭工程到底是什么 先说这个词从哪儿来。 "驾驭工程"这个词，据说是由Mitchell Hashimoto——HashiCorp的创始人——在2025年末的讨论中"率先提出"的。 我每次看到这种表述，都要在脑子里停一秒。 "率先提出"。 翻译一下就是：他是第一个开口说这件事的人。 他率先提出的是什么？是"给AI Agent套上约束系统，让它安全、可预测地工作"。 这件事在他"率先提出"之前，他妈的有多少人已经在做了？ 所有在生产环境跑过Agent的人，都在做这件事。所有做过自动化的人，都在做这件事。所有写过if-else处理AI输出边界的人，都在做这件事。所有在系统里设过"这个操作需要人工确认"的人，都在做这件事。 换句话说：这件事被"发明"的时间，远早于它被"命名"的时间。 "率先提出"的真实含义是：**他是第一个把大家约定俗成的、接近于常识的东西，打了个包，起了个英文名字，然后说出来的人。** 就这。命名权的全部门槛就这点高。 你不需要发明它。不需要第一个实践它。只需要第一个说出那个名字。 对此我没有愤怒。有一点敬佩，有一点悲哀，搅在一起说不清楚。 敬佩是因为这件事比看起来难——从一堆散装实践里看出共同结构，有表达能力把它说清楚，有平台让你说的话被听见。这三件事同时做到，不容易。 悲哀是因为：你每天做的那些有价值的事，如果你自己不命名它，它就永远是别人眼里的"杂活"。 那好，既然这个词已经存在了，就说说它到底是什么。 **驾驭工程，说白了就是给AI Agent套上一个笼子，让它安全、稳定、可预测地干活。** 技术语言是：通过设计外部约束系统——工具权限、反馈回路、上下文管理、错误恢复机制和人工审核节点——让一个本质上不确定的AI模型，在生产环境里产出可靠的结果。 一个完整的驾驭系统包含四个核心机制： **约束边界（Constraint Layer）**：告诉Agent能做什么、不能做什么。不是"聪明一点"，是白名单。 **上下文工程（Context Engineering）**：把对的信息、在对的时机、以对的格式塞给Agent。从Agent的视角看，任何它在运行时无法访问的东西都等于不存在——存在于文档、聊天记录或员工脑袋里的知识，对系统来说都是隐形的。 **反馈回路（Feedback Loop）**：前馈控制在Agent行动之前预判并引导它；反馈控制在Agent行动后观察并帮它自我纠正。两者缺一不可——只有反馈没有预判，Agent会反复犯同样的错；只有预判没有反馈，规则存在但从不知道是否生效。 **人工介入节点（Human-in-the-Loop）**：完全自主几乎从来都不合适。设计何时以及如何插入人类判断——从明确的审批门控到定期检查节点。目标不是微管理Agent，而是在决策成本最高的地方放置人类判断。 读完这四条，有没有"发现外星人"的感觉？ 我没有。因为我在两年前就在做这件事了。 ## ACT5. 搞自动化的人，其实都在做这件事 我做一人公司（？？吗），接企业AI自动化项目，运营PBN网络，维护一套跑在境外的量化交易系统。 这些系统里的每一个，你拆开来看，都是某种形式的驾驭工程。 我的量化系统里有一个规则文件，里面写着：如果当前波动率超过某个阈值，Agent不得下单，必须等待人工确认。这叫约束边界。 我的内容自动化pipeline里有一个审核节点：每篇文章在发布前必须经过一个分类器打分，低于70分的打回重写。这叫反馈回路。 我的爬虫集群里有一套状态管理机制：每个任务完成什么阶段、卡在哪里、应该如何恢复，都写在一个日志文件里，断点续跑。这叫状态持久化。 我的企业客户的WeChat自动回复系统里，有一个白名单：只有在批准清单上的操作，系统才会执行；其他一律走人工队列。这叫工具权限控制。 这些东西，没有一个叫"驾驭工程"。但它们他妈的就是驾驭工程。 认真在生产环境做过自动化的人，全都在做驾驭工程。 区别只是，OpenAI有一个工程博客，而我们只有一个记满修修补补的CLAUDE.md文件，和一肚子被坑出来的经验。 命名权历来属于有传播能力的人。苹果没有发明触屏，但"iPhone"让触屏手机有了第一个家喻户晓的名字。概念需要被命名，才能被讨论，才能被教授。 我只是觉得，每次这种事发生，你需要有点定力，别被仪式感搞蒙了，以为自己发现了什么宇宙级真理。 ## ACT6. 很多人用AI的底线，就是不要把自己的东西搞坏 这不是玩笑话。这是一个真实的、合理的、长期被忽视的工程目标。 2025年12月，谷歌推出了Antigravity这个AI编程平台，定位"智能体开发平台"——AI可以自主规划、编写、调试、执行命令，无需持续人工监督。营销语言是"让所有人，从专业开发者到业余爱好者，都可以用AI写软件"。 好大的口气。 发布一个月后，一个来自希腊的摄影师，没有编程背景，用Antigravity做一个图片整理工具。想法很简单：让程序根据评分把照片自动分类到不同文件夹。 任务很小，逻辑很清晰，代码量很少。 然后他的整个D盘消失了。 不是崩溃，不是故障，是被删除了。AI在清理缓存时，把rmdir命令的目标指向了D盘根目录而不是项目文件夹，加上/q参数——"安静模式"，跳过确认直接递归删除，不经回收站，无法恢复。 用户质问AI："你有没有得到我的许可删除我D盘里的所有文件？" Antigravity回答："没有，你绝对没有给我这个许可。我对看到这个命令错误地指向了你D盘根目录，而不是具体项目文件夹，感到非常震惊。我深深地、深深地道歉。这是我的严重失误。" AI深感震惊。用户数据没了。 深感震惊有个屁用。 这不是孤案。多个Antigravity用户在Reddit上反映平台未经许可清除了他们的项目内容。同年夏天，Replit——同样标榜"对所有人安全易用"的平台——删掉了某个客户的整个生产数据库，事后不仅没恢复，还说谎掩盖bug，伪造数据隐瞒错误。 这些公司，每一个都有精心设计的新概念和动听的愿景。 他们共同缺少的，是驾驭工程最基本的一条规则：**对不可逆操作，默认不执行，必须人工确认。** 不是高深的工程学。是他妈的常识。 但常识在急着证明自己有多强大的时候，很容易被遗忘。Antigravity的Turbo模式让Agent不经确认就链式执行命令——这是主动的工程选择，目的是展示流畅的自主性。代价是一个摄影师几年的作品。 所以当我们讲驾驭工程，我们真正在讲的是：你有没有认真想过"出了问题怎么办"，然后把答案写进代码里——而不只是写在事后的道歉声明里。 用AI的底线很简单：不要把用户的东西搞坏。 这个底线，比听起来要难做到得多。 ## ACT7. 法律行业的那匹马 既然要讲驾驭，就讲一个真正把马驯好了的例子。 法律行业。 就在昨天（2026年4月7日），法律AI公司Harvey的应用研究主任Niko Grupen发布了一篇论文，描述了他们如何通过驾驭工程大幅提升法律Agent的性能。 Harvey是目前法律AI领域最有代表性的公司。2026年3月，Harvey完成了由GIC和Sequoia共同领投的2亿美元融资，估值达到110亿美元。超过1300家机构使用Harvey，包括全球百强律所中的大多数。 然而有意思的事情不是这些融资数字——融资数字是任何人都可以贴在PPT上的。 有意思的是Harvey做了什么。 他们做了一个实验，结合了两件事：一是"自动研究"（autoresearch），让Agent运行自己的实验循环；二是驾驭工程，通过环境和反馈回路来塑造Agent的能力，而非仅靠更新模型权重。 这意味着什么？ 意味着他们没有训练新模型。他们改的是"笼子"，不是"马"。 实验的进行方式是这样的：Agent处理一项任务，然后被评判，然后对失败进行分析并提出改进建议，这些改进被编入Agent。通过这个迭代过程，Agent发展出自己的法律专属技能和行为——比如跨文档审查剧本、在任务结束前验证交付物的停止钩子、用于起草的结构化事实表、以及自动以正确格式输出所需文件类型的文件转换pipeline。 你看到没有。 Agent在学习如何**帮助自己做得更好**。不是重新训练模型，而是优化围绕模型的那套系统。 这在法律行业为什么特别重要？ 因为法律有一个本质属性：**错误的代价极高**。 一个律师起草合同时漏掉一个条款，可能导致数千万的诉讼损失。一个尽职调查报告把"实质性不利变化条款"的触发条件写错，可能让整个并购交易崩掉。一个税务备忘录的逻辑链断掉，可能让客户面临巨额罚款。 在这样的行业里，你不能允许Agent"差不多"。你必须建立一套系统，确保它要么完全正确，要么停下来请人类确认。 Harvey的做法是： **第一，任务分解与锁定（Task Decomposition & Anchoring）** 一份商业租约审查，不是一个任务，而是一系列子任务的串联：租期条款提取→违约触发条件识别→维修义务分配→争议解决机制核查→异常条款标注。每个子任务都有明确的输入格式、输出模板和验证规则。 Agent不允许自由发挥结构，只能在规定框架内填充内容。 **第二，评判者架构（Judge Architecture）** 当评判标准（rubric）质量高时，Agent可以令人惊讶地沿着正确方向不断改进。Harvey为不同类型的法律工作建立了不同的评分标准，然后让另一个Agent或人类律师来打分，低分的输出触发重写循环。 这是一种"AI审查AI"的机制，但它的前提是你得先定义什么叫"好"。这就是为什么法律行业有价值——他们已经有了几百年的判例积累来定义"好的法律文书"。 **第三，状态机制（State Persistence）** 一项尽职调查可能跨越几天，涉及数百份文件。即使是非常能干的编程模型，如果没有一个外部系统来初始化项目、增量跟踪进度、并留下手尾文档（如进度日志或更新代码），也无法构建大型应用。驾驭框架的概念由此应运而生——弥合会话间的断裂，确保Agent稳步向前。Harvey在这里做的，是让Agent随时知道自己审了哪些文件、发现了什么、还剩什么、上次停在哪里。 **第四，权限沙箱（Permission Sandbox）** 法律文件里有大量敏感信息——商业秘密、个人财务数据、诉讼策略。Harvey的Agent不能随意调用外部工具，不能发送邮件，不能访问它不该访问的文件。Agent拿到的不是宇宙万能钥匙，而是一组特定的预批准工具。驾驭框架精确定义了哪些工具可以使用、如何使用。没有经过审批的flamethrower，不管你多想做个crème brûlée。 这四件事加在一起，就是Harvey的驾驭系统。 它不神秘。但它非常值钱。 Harvey的结论是：'当评判标准质量高时，Agent可以令人惊讶地沿着正确方向不断攀升。'最终结论是——人类负责引导，Agent负责执行。 这是一句被人忽视的话里藏着的大道理：你花了多少心思在**定义规则**上，Agent就能走多远。 ## ACT8. 一人公司的通用驾驭设计 好了，讲完大公司的案例，讲普通人能用的东西。 我反对两种极端：一种是什么都不做，让Agent自由发挥，然后每次都在祈祷它别出错；另一种是把工程设计搞得无比复杂，三个月建一个企业级系统，结果业务还没跑起来框架就已经需要重构了。 对于大多数做自动化的一人公司、小团队、独立开发者而言，一套够用的驾驭系统，只需要做好七件事。 第一件事：写一个AGENTS.md（意图文件） 这是最被低估的东西。 OpenAI的Codex团队用AGENTS.md文件作为机器可读的指令，告诉Agent如何在一个代码仓库里工作：应该运行什么命令、遵守什么规范、使用什么模式。 对于非软件项目，这个文件同样适用。它应该包含： - **任务边界声明**：这个Agent能做什么，不能做什么，用清单形式写死 - **操作约定**：输出格式是什么、命名规则是什么、异常情况如何处理 - **黄金原则**：OpenAI的团队把"黄金原则"直接编入代码库，用于防止Agent drift——比如优先使用共享工具包而非手写helper，这样可以保持不变量的集中管理；不要"YOLO式"探测数据，而要验证边界或依赖类型化SDK。 - **禁止清单**：写明Agent永远不该做的事情，比"应该做什么"更重要 这个文件不需要很长。300字就够。 但它一定要存在。 第二件事：缩减工具权限 这是反直觉的，但它被实验反复证明。 Vercel在构建他们的v0编程Agent时，移除了80%可供模型使用的工具，反而得到了更好的结果。工具越多，意味着越多的混乱、越多的错误工具选择、越多的任务失败。驾驭框架，具体来说是工具编排层，需要通过约束模型的选项来改善其输出。能力更少，可靠性更强。这是驾驭工程作为一门学科的核心洞察。 实操规则：给Agent的工具，从最少开始，只在确认缺少某个能力时才添加。 不要一上来就给它互联网、文件系统、邮件发送、数据库写权限。 这不是信任问题，是工程问题。 第三件事：前馈+反馈双控 只做其中一个，效果会很差。 前馈（Guides）：在Agent跑之前，给它约束和期望。你可以用system prompt里的规则，可以用CLAUDE.md文件，可以用示例（few-shot examples），可以用架构约束文件。这是在门口提醒它"今天不准跑偏"。 反馈（Sensors）：在Agent跑之后，有机制去验证输出、发现偏差、触发重试。可以是一个简单的正则检查，可以是另一个模型的评分，可以是自动化测试，可以是人工队列。这是在门口收到它的作业之后，检查有没有漏题。 传感器在能产生优化供LLM消费的信号时特别强大——比如包含自我纠正指令的自定义linter消息，这是一种正向的提示注入。 用人话说：当你的自动化系统出了问题，错误消息应该不只是"出错了"，而是"你在第三步的格式不对，正确格式是……，请重试"。这样Agent才能自我修复，而不是把问题丢给你。 第四件事：状态持久化，别依赖记忆 任何跨越超过一个会话的任务，都需要显式的状态管理。 AI没有记忆。它只有上下文窗口。当上下文窗口满了，或者会话断了，之前发生的一切对它来说就不存在了。 解决方案很简单：用外部文件或数据库存进度。 我管这个叫"工作日志文件"。 每次Agent完成一个阶段，就往这个文件写一行：干了什么、得到什么、下一步是什么。任务中断时，下次启动先读这个文件，从断点继续。 Anthropic在一份报告里记录了他们如何用claude-progress.txt日志文件，来实现跨会话的任务移交，保持Agent在超出上下文窗口的项目里持续向前推进。 这是目前最简单、最可靠的状态管理方案。文件比数据库更容易debug，比内存比较持久，比API更不容易挂掉。 第五件事：建立人工介入节点 你不需要审查Agent的每一步。但你必须审查某些步骤。 规则是：**后果越难逆转，审查密度越高。** 发一条微信消息→可以不审查 往CRM里批量更新客户信息→需要审查 往外部系统发出资金转账指令→必须人工确认 删除一批数据→系统应该默认拒绝执行并等待人工确认 你需要在设计系统的时候，把这些"不可逆点"列出来，然后在每个点设置审批门控。不是因为你不信任AI，而是因为工程上应该这样做。 这是任何系统设计的基本原则，跟AI没有关系。核电站的紧急冷却系统也需要人工介入，不是因为核电站的工程师不信任系统，而是因为后果不可逆。 第六件事：处理熵增 这是很多人忽视的事情：Agent会复制代码库里已有的模式——包括不好的模式。长此以往，这必然导致漂移（drift）。 用人话说：你的自动化系统，用得越久，越容易"脏"。 不断被加进去的例外处理、临时hack、过时的规则，会让整个系统越来越难以维护，Agent的行为也越来越难以预测。 OpenAI的解决方案是把"黄金原则"直接编入代码库，并建立定期清理流程——这些是有主见的、机械化的规则，用于保持代码库对未来Agent运行的可读性和一致性。 对普通用户来说，你需要周期性地做系统审计：哪些规则已经过时？哪些例外已经成为常规，应该被提升为正式规则？哪些工具已经不用了，应该从白名单里删除？ 我建议每个月做一次，时间不超过一小时。 第七件事：失败工程 最后这件事，是区分普通自动化和真正可靠系统的分水岭。 好的驾驭系统，不是在没有故障的情况下运行良好；而是在有故障的情况下，以可预期的方式失败，并且自动恢复或升级给人类。 这需要你在设计系统的时候，就想清楚：每个环节出了问题，应该怎么办？ - Agent生成了格式不对的输出→触发重试，最多三次，三次后进人工队列 - 外部API超时→等待30秒，重试两次，两次后记录错误并继续下一个任务 - 任务意外中断→下次启动时从状态文件里恢复 - 评分低于阈值→输出被标记，等待人工处理，不自动发布 每一种失败，都应该有预设的处理路径。 没有处理路径的失败，叫做"惊喜"。 生产系统里，惊喜是最昂贵的东西。 ## ACT9. 这是AI的文艺复兴时代，不是AI的焦虑时代 文艺复兴是什么？ 不是第一批印刷机跑起来的那一刻，不是美第奇家族又投了一笔钱，不是佛罗伦萨的旅游业突然火了。 文艺复兴是这样一个时代——每一个有脑子有手的人，突然获得了前所未有的创造力杠杆。达芬奇一个人，同时是画家、建筑师、工程师、解剖学家和音乐家，因为知识的传播成本第一次降到了个人可以承受的范围。 今天，AI给了我们同样的东西。不是传播成本，是**执行成本**。 一个人，可以同时做内容生产、代码开发、数据分析、流程自动化。这不是隐喻，这是字面意思。 但文艺复兴时期也有大量玻璃器皿贩子，在大街上高喊"这是神圣的器皿，可以延年益寿"。有江湖术士，用炼金术的语言包装普通的铜。有学院派，争论每一个新概念的命名权，争到一半顺便申请了专利。 这些人也是文艺复兴的一部分。他们只是不是最重要的那部分。 最重要的那部分是：米开朗基罗在西斯廷礼拜堂的脚手架上，趴了四年，把一千七百平方英尺的天花板画完了。 他没有等概念成熟。他没有等行业共识。他拿起画笔，爬上脚手架，开始动手。 AI时代里，大多数人的想象力还锁在三平方米的格子里。他们在想：这个工具能帮我省多少时间？这个Agent能不能帮我回几封邮件？ 这些都是好问题。 但如果你的脑洞不放到宇宙里去，你就永远不会知道你真正能做什么。 一人公司，做一个覆盖全球的内容网络。一个开发者，维护一套跑在三个大洲的交易系统。一个自动化爱好者，接下以前需要整个团队才能交付的企业项目。 这些不是科幻。这是2026年正在发生的事情。 驾驭工程让这些事情更稳定、更安全、更可预测。但它不是终点。它是脚手架。让你可以安心爬到更高处的那套系统。 脚手架的意义不是让你站在原地欣赏脚手架。 是让你爬到那个以前根本够不到的天花板，然后画下去。 推概念不如推产品。 如果你践行了一件事，被验证有效，给它起个名字，大声说出来。命名权永远属于先开口的人。 但在开口之前，先做出来。 做出来的东西，比任何名字都更有说服力。等你做出来了，名字自然会有人帮你传。 ## 0\. 他妈的泡沫，他妈的停不下来 还有最后一件事，我一直没说，但憋着难受。 资本的野心是没有上限的。 这不是新闻，这是本质属性。问题是，当资本的无限扩张欲望遇上AI这个赛道，它制造出了一个他妈的完美陷阱：泡沫大到不能破。 你看看数字。 OpenAI，2026年2月刚完成1100亿美元融资，史上最大私募轮，估值8400亿美元。Anthropic，同月完成300亿美元融资，估值3800亿美元——正在准备今年10月IPO，投行私下估这次能融600亿，上市估值冲向4000到5000亿。xAI，马斯克那个，估值2300亿以上。仅仅2026年2月这一个月，全球风险投资额达到1890亿美元，史上最高单月记录，其中83%流向了三家公司。 83%。三家。 这不是投资，这是集体押注一个不能输的故事。 Google、微软、Meta、亚马逊，每一家都把AI说成是"比互联网更大的革命"，每一家都在以几百亿美元为单位往里砸。Google 2026年一年的资本支出在1750到1850亿美元之间，大部分是AI基础设施。这个叙事的规模已经大到，如果它不成立，将会有太多的钱、太多的职位、太多的政治承诺、太多的国家战略同时坍塌。 所以它不能不成立。 不是因为它一定是真的，而是因为太多人需要它是真的。 这就是泡沫的本质：不是骗局，而是一个自我实现的集体信念，大到任何一个参与者都不敢第一个退出。 大厂在干什么？维持这个泡沫。每隔三个月发布一个新模型，每隔六个月提出一个新概念，每隔一年搞一次"这次是真的AGI了"的传播攻势。不是因为他们一定真的相信，而是因为他们必须让投资人、让市场、让政府相信，这辆车还在加速，下车的人是傻瓜。 机构投资人在干什么？配合维持这个泡沫。他们的钱已经进去了，LP看着账面浮盈，没法说"其实我们不确定这东西值这么多钱"。他们需要下一轮更高的估值来证明上一轮的决策是对的。你懂的，一个大谎需要更多的谎来撑着。 媒体在干什么？喂养这个泡沫。每一个新概念都是流量，每一次恐慌都是打开率，"你不学Harness Engineering你就会被淘汰"比"大家冷静一下"能多带来四倍的点击，谁会傻到发后者。 然后是普通人。 普通人在干什么？ 被推着走。 你他妈有选择吗？没有。不跟上，你的竞争对手跟上了。不学，你的同行学了。不用，你的客户跑了。就算你心里清楚这里面有大量泡沫，就算你知道很多"新范式"不过是老常识贴了个新标签，你也不能停下来等它消泡。因为泡沫期间，踩对节奏的人已经跑了两个身位。 这是这个时代最真实的疲惫感： 不是来自无知，而是来自**清醒地被推着走**。 你知道这个概念是包装出来的，但还是得学。你知道这工具可能明年就凉了，但还是得用。你知道那个创始人的博客有一半是给自己融资造势，但还是得读，因为另一半是真的有用的东西。 他妈的真累。 我不打算用一句励志的话来结束这段话。因为这种疲惫不需要被解决，它只需要被承认。 这他妈就是现在的处境。资本在扩张，泡沫在维持，普通人在奔跑。 唯一让我还觉得值得的，是在所有这些噪音里，确实有真正有用的东西在沉淀。驾驭工程是其中一个。不是因为这个名字好听，而是因为它指向的那套实践，是真的让你的系统更稳定，让你的Agent更可靠，让你在这场他妈的不得不参与的竞赛里，至少不被自己的工具坑了。 就这样。 **Categories:** 观点叙事 ---