拥抱 AI 这一年：我的工具、实践和思考

📌 一句话摘要

本文系统总结了资深开发者在 AI 浪潮中的实战经验，涵盖从 MAC 工具链优化到 Harness Engineering 架构约束，以及如何构建 Agent 驱动的自动化学习闭环。

📝 详细摘要

作者分享了过去一年投入万元深度使用 AI 的心路历程与技术沉淀。文章首先介绍了适配 AI 时代的 MAC 工具链（如 AeroSpace、Raycast 及自研 Cockpit），并展示了利用 Agent 自动提交 PR、打 Kaggle 比赛等实战案例。在方法论层面，作者梳理了从 Prompt 到 Harness Engineering 的演进，强调通过 Spec 驱动开发和机械化约束（Linter/测试）来对抗 AI 生成内容的熵增。最后，提出「让 Agent 替我学习」的理念，构建了涵盖采集、提炼到应用的自动化知识循环体系。

💡 主要观点

1. AI 协作范式已从 Prompt Engineering 演进至 Harness Engineering。 单纯的指令优化已不足以应对复杂任务，需通过构建「缰绳」（Harness）体系，利用机械化规则、结构化文档和自动化清理来约束 Agent，防止技术债和系统熵增。
2. 推行 Spec-driven Development（SDD）以解决意图对齐问题。 Agent 擅长模式匹配而非读心，通过先编写清晰的契约（Spec）定义验收标准，再让 Agent 动手实现，可大幅减少因需求模糊导致的返工。
3. 构建「让 Agent 替我学习」的自动化知识闭环。 面对技术爆炸，通过 Skills 体系驱动 Sub-agents 进行每日资讯扫描、播客转录和最佳实践提炼，将外部知识自动反哺至工作空间配置，实现能力的持续进化。

💬 文章金句

• 如果一条架构规则值得写进文档，那它就值得用 linter 来强制执行。
• Agent 是马，Harness 是缰绳。马本身快速有力，但没有缰绳就只会横冲直撞。
• 在一个知识和范式都在高速变化的时代，与其追求「深入理解每一个东西」，不如追求「快速沉淀和验证每一个有价值的东西」。
• 对于刚开始学习 AI 的同学来说，最简单高效的方法就是：用最好的模型 + 持续与 AI 交流。

📊 文章信息

阅读完整文章