关于 AX、AI 代理与 Harness Engineering 的观点。LinkedIn 发布文章的完整正本存档。
AX(AI 转型)由每天做这项工作的一线员工亲手打造时,才会成功,而不是交给外部开发者。工作流里隐藏的例外和默契规则,只有每天执行的人才知道。因此 AX 教育的本质,不是增加开发者,而是让一线员工通过 Vibe Coding 自动化自己的工作。一位财务与经营管理人员把每天的发货下单工作自动化的案例,正说明了这一点。
把你每天重复的一件小事彻底拿掉——而不是部分优化——是 AX(AI 转型)最好的起点。原因在于:把一项任务完全从自己手里移走,而非让它快上几个百分点,才能让你亲身体会 AI 能替代什么、能信任到什么程度。一个个人例子:AI 从零散的 KakaoTalk 聊天中挑出日程,自动登记到日历,并在每天早上送来一份汇总简报。
对于已完成的成果物,用 HTML 取代 Markdown 来接收 AI 输出,能大幅提升理解速度。AI 生成文档的速度已经超过了人类阅读的速度,超过 100 行的 Markdown 实际上无人通读。Anthropic 的 Claude Code 工程师也提出"HTML 是新的 Markdown",开始以 HTML 接收输出;需要交互式画面时,Playground 插件可以补上这一环。标准很简单:需要看结构才能理解的完成品用 HTML,中间产物保留文本。
AI 辅助编程的成果质量,更多由工作流而非模型选择决定。真正的瓶颈很少是模型不够强,而是规格模糊和工作未收尾。oh-my-claudecode(OMC)是在 Claude Code 之上把三个习惯固化为工具的编排层:deep-interview 厘清要做什么,ralplan 验证怎么做,ralph 保证真正做完。关键在于把"做什么、怎么做、做到底"变成被强制执行的流水线。
客服中心不只是成本部门，它可以成为挖掘新服务与新业务的来源。每天涌入的客户咨询本身就含有未满足需求的线索，用 STT 与 LLM 知识库把通话记录资产化，就能系统地挖出这些线索。剩下的关卡是个人信息脱敏，一旦解决，客服中心就会从成本部门变成业务挖掘引擎。
前端知识是一张决定你能让AI做到什么水平的地图。React、npm、构建、SSR这些词不是用来背的，而是一条解决问题的链条；只要知道每项技术是为了解决什么问题而诞生的，下指令的语言就会改变，用同样的AI也会得到不同的结果。这就是氛围编程（Vibe Coding）教育应当先讲技术演进、再讲工具用法的原因。
后端是服务器接收请求、处理数据并返回结果的领域,它诞生于1993年解决留言板问题的过程中。预先做好的HTML文件无法把访客刚留下的留言展示给下一个人,于是服务器开始在每次请求到来时当场组装页面,这就是起点。此后三十年的发展史也是同一模式的重复:问题出现,解决它的技术随之登场。了解这套谱系之后,非开发者也能对AI下达关于后端的具体指令。
AI在Vibe Coding（氛围编程）过程中频繁推荐Supabase，是因为原本各自独立发展的数据库与存储这两条技术脉络，汇流到了这一个平台上。Supabase是一个开源平台，在Firebase式的便利之上搭载了真正的PostgreSQL，并把认证和存储一并打包，过去需要分别配置、分别连接的东西，现在从一开始就是连接好的。理解了这条技术谱系，你对AI下达指令的水平就会不一样。
部署是把只存在于自己电脑上的代码放到服务器上、让互联网上的任何人都能使用的过程。本文梳理了氛围编程(Vibe Coding)的成果为什么只能在 localhost:3000 上运行、部署如何从 FTP 进化到 Git、Docker 和 CI/CD,以及 Vercel 这类平台替你做了什么、代价又是什么。把这张地图装进脑子,向 AI 提的问题就会不一样,而提问的具体程度正是非开发者氛围编程水平的分水岭。
今天的AI不是执行人类编写规则的机器，而是一台基于自己从数据中找到的模式、输出"垃圾邮件概率93%"这类概率的机器。像转账这样条件明确的问题，基于规则的代码可以完美解决；但像图像识别这样例外众多、边界模糊的问题，规则就会崩溃。机器学习和深度学习正是从规则系统的这一失败中诞生的，而这一区分也成为AX咨询中拆解业务的第一标准。
ChatGPT等LLM并不会记住对话。每一轮都要把之前的全部对话重新发送一遍,模型像第一次见到这段文本一样读取它,然后预测下一个token。对话越长,上下文窗口越满、成本越高,原因就在这里。从分词器对韩语的低效,到幻觉、temperature、系统提示词,这些都只需几行代码就能在屏幕上直接验证。
AI 编排是一种控制流设计:它不依赖"提问—检索—回答"的单向直线管道,而是设计出受阻时能折返的循环和依情况改变路径的分支,让 AI 能够处理复杂的真实业务。LangChain 负责标准组件,LangGraph 负责控制流,LangSmith 负责可观测性,三者齐备才构成一个完整系统。不过,对一次 API 调用就能完成的工作而言,这套工具是浪费;只有当工作复杂到需要循环和分支时,才值得拿出来用。
Harness Engineering 指的是:不改动 AI 模型本身,而是通过设计模型可使用的工具、必须遵守的规则与工作流,来提升产出质量的工程实践。同一个模型,缰绳(harness)设计不同,表现差异巨大——在升级更昂贵的模型之前,应当先检查这一层。
AI Native(AI 原生)是指几乎无需人工干预、整个工作流由 AI 完成的结构;AI Assisted(AI 辅助)是指人的工作保持原样、AI 在旁边帮忙处理一部分的结构。大多数企业的「AI 原生宣言」实际上停留在 AI 辅助阶段——分不清这一区别的公司,引入 AI 之后生产率依然原地踏步。
AX(AI Transformation)项目最常见的失败模式:成立 AX 团队,巡回各部门收集需求、按需求做工具——做好了,业务部门却不用。成功的 AX 的起点不是「帮帮那个团队」,而是「把那个团队的整块工作单元彻底消灭」;人不是裁掉,而是转向新岗位。
智能体 UI 正沿三个阶段进化:静态(智能体往预制组件里填数据)、声明式(智能体写 JSON 描述,渲染引擎映射到设计系统)、生成式(模型在运行时即席生成 HTML/CSS)。当前的均衡点是声明式;迈向生成式的关键不是能力而是信任——即沙箱这一安全的分发结构。MCP 应用正作为该分发渠道受到关注。
K Public Data MCP 是一个开源 MCP(Model Context Protocol)服务器,把韩国法制处国家法令信息中心、DART 电子公示系统、公共数据门户等分散的公共数据 API 整合为一,让「搜索民法」「查三星电子财报」「找江南区的药店」在 AI 聊天窗口直接可用。只需注册一个连接器 URL,无需申请 API 密钥或安装程序。