上一篇谈到，我需要设置一些滤网，来避免自己的精力在频繁判断当中消耗殆尽。这一篇我们就来聊聊，这个滤网应该怎么构建。

还是从惨痛经历开始。

几年前我写了一个程序来把一些无聊的工作自动化。在 AI 能力提升之后，我的野心也随之膨胀，打算把它变成一个更全面的工具，希望能够在这个工具内部完成所需的所有操作。为了修改文本，甚至内置了一个编辑器。

在这个第二版开始的时候，我按照“需要哪些功能”来设计它。每次冒出一个新点子，就补一个功能——这个功能可以少做一次手工操作，那个功能以后也许用得上。

结果当然可以预料，程序最终变成了一团臃肿、庞杂、难以维护的怪物。GPT 的上下文窗口无法容纳代码和说明文件，改了一处，就总会忽略另一处，修了一个 bug 又会冒出三个新的。甚至有几个文件，长达上万行。

illustration-program-overgrowth

所以我做了任何神志健全的正常人都会做的事情：彻底删掉，换个思路，从头开始。

新思路的起点是：如果这个程序只能做一件事，会是什么？

有了这个问题的答案，接下来就容易了。

AI 把几种实现路径摊开，分别说明需要什么最小实现或改动。几天后，第三版顺利地跑起来了，解决了我最想解决的问题。

所以后来想想，之前我犯的错误，是把 AI 当成一个可以不断接活、不断补功能的下属，于是很容易把“它能不能做”误当成“这件事值不值得做”。

但是，在人类组织里，下属能够追问任务、协商优先级，能理解业务背景。他们有动机、权益、经验。

而 AI 的行为方式不同。它依赖上下文，容易按照字面理解目标，还能用很快的速度生成一个看起来完整的错误结果。

因此，AI 只能在工作接口上类比一个执行者。人可以把任务交给它，可以规定权限，可以要求它汇报假设和风险，可以验收结果，也可以让它在异常处停下来。

但和人类下属的相似程度类比也就只能到这里。

为了 AI 顺利工作，应该设计的是工作系统。

这和传统管理思想有一些相通之处。彼得·德鲁克在 1954 年出版的《管理的实践》中讨论目标管理和自我控制，提醒管理者把注意力放在目标和结果上，不能把忙碌的活动自动当成有效的工作。Jobs to Be Done 也从另一条产品思路提出相近的问题，产品设计应该从用户究竟要完成什么任务出发，功能清单只能算中间材料。

经济学和组织研究中的委托与代理理论讨论的是一方把工作交给另一方以后，怎样面对信息差异、利益偏离和控制成本。这套理论不能直接套在 AI 身上，因为AI 没有人的利益和权益，却会按照提示、上下文和代理指标行动。它的风险来自误解、缺失信息、错误泛化和对指标的过度优化。

所以，交给 AI 的不应当只是一个让 AI 自由发挥的动词如“整理”“优化”或“完善”，而是清晰交代任务的边界，再把检查放到风险真正集中的地方。

例如，可以在提供充分上下文的前提下，让 AI 提供方案、假设和风险，引入一个代表性场景做小批次验证，然后着重检查边界条件和异常结果。接下来，逐步扩大范围，不断补充规则，直到把流程固定下来。

这种工作系统已经有了一个更具体的名字，Harness Engineering。

OpenAI 在 2026 年 2 月发表的一篇工程文章，把 agent-first 软件开发描述为设计环境、明确意图、建立反馈回路，让代理能够可靠工作。这里的 harness 包括代理能看见的知识、能调用的工具、任务计划、权限边界、架构约束、测试、Lint、日志、指标、恢复机制和完成标准。

它背后的工作方式也是渐进式的。犯了错误，人要追问是因为缺少了什么能力，还是因为规则不够清晰。找到原因以后，就把这次判断变成文档、测试、工具或约束，让下一次执行不再依赖某个人临时记得提醒。

这就是从管理一个结果，走向设计一个环境。

illustration-harness-environment

其他智力型工作也可以借鉴这个方向。来源边界、模板、术语表、检查脚本、代表性样例、人工复核节点和回退方式，都可以成为工作环境的一部分。它们当然不能替代作者自己的判断，却能减少重复猜测，把已经做过的判断保留下来。

当然，所有工作都不适合这样处理。Harness Engineering 只适合约束可重复的执行过程，不能把模糊的目标强行变成一套自动流程。

所以现在在把任务交给 AI 之前，我会先想清楚几个问题。

  1. 我的预期结果是什么。

  2. 这次明确不做什么。

  3. 当前真正的瓶颈在哪里。

  4. 哪一部分结构清楚、可以验证、可以回退。

  5. 什么证据能够说明已经完成。

执行开始以后，我会先让 AI 写出方案、假设和风险，再让它处理一个小批次。这样可以控制工作量，降低错误成本，也让真实反馈更早出现。

完成以后继续问，这次暴露出的判断能不能变成一条规则或更清楚的工作协议。如果已经达到停止条件，就停下来。

当执行变得更快更廉价，人会从亲自做每一步转向管理目标、任务、反馈和风险，而接入 AI 的工作系统则会更接近于一个可以被理解、被观察、被验证和被回退的执行环境。

人负责声明目标和约束，AI 负责在权限内生成和优化路径。

人承担最终责任，也就需要拥有拒绝、回滚和修改目标的权力。若是主动放弃了这些权力，那就只是把责任留给人，而把控制权交给了自动化系统。