个人知识库

花了 5 万刀用 AI 写代码之后，这是我的全部经验

11分钟阅读

花了 5 万刀用 AI 写代码之后，这是我的全部经验

一个 Claude Code + Codex 累计花费 5 万美金的深度用户，从 Copilot 到 harness 的完整 AI 认知演化路径，以及他总结的 AI 使用核心原则。

基本信息

项目内容
作者道里
平台掘金
发布日期2026-05-27
阅读时长15 分钟
关键词Agent Harness、执行环境、AI 认知、多 Agent、企业 AI 落地

核心观点

  1. AI 使用路径演化七阶段：Copilot（tab 补全）→ Plan（按计划执行）→ Agent（自主探索决策）→ MCP（工具连接）→ Skill（经验封装）→ Multi-Agent（并行协作）→ Harness（军团协作管控）。作者在每个阶段都有实际投入，累计 5 万美金。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  2. Agent Harness 四层架构：能力层（AI 能用什么规则和工具）、连接层（系统之间怎么连）、构建层（想法如何按规范产出）、管控层（产出如何追踪和审计）。这四层对任何项目或业务都通用，区别只在每层填什么内容。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  3. 踩过最大的坑：信任 AI 的记忆：AI 会把用户规则和自身推断混在一起，产出半对半不对的内容。上下文压缩是最致命的问题——对话变长后系统压缩上下文，关键约束被遗忘，新信息建立在错误地基上。核心教训：不要信任 AI 的记忆，要信任你给它的结构。所有关键信息必须显式写在执行环境里。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  4. 用好 AI 的核心三角：高质量输入 + 高质量决策 + 合适的执行环境：高质量输入不是 prompt 写得好，而是执行环境完整——系统边界、业务上下文、领域模型、约束红线、验收标准全部结构化给到 AI。高质量决策不是每步盯着，而是在关键节点介入——方向、边界、验收、风险。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  5. AI 提效必须自上而下：AI 提效的本质是让数据、经验、知识在不同岗位之间重新流转协作，属于 AI 落地基建，改的是协作结构而非个人工作方式。只有业务可被结构化描述的公司才能做到。高德、饿了么也只在新业务上用，旧包袱少的公司先受益。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  6. AI 落地只需要两种人：AI 设计者和 AI 执行者：AI 设计者对业务非常了解，知道哪些流程可以 AI 化、哪些经验值得沉淀；AI 执行者能把业务知识变成可运行、可复用、可验证的系统。两者都必须对业务非常熟悉。配合结果是把行业专家能力蒸馏为 Skill，复制给团队每个人。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  7. 不要给 Agent 套岗位：岗位是 HR 管理标签，Agent 不需要。抛弃 title，AI 应该对产出直接负责。Agent 可以在工作推进环境中自己寻找和构建需要的东西。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  8. 从零自建 Agent Harness 价值不大，做垂直方案大有可为：模型公司迭代速度太快，小 team 根本跟不住。但基于成熟 Harness 做垂直方案——重新设计 AI Native 工作流、重做 HITL 交互、整理垂直数据、把专家判断路径变成 AI 可执行流程——这些模型公司做不到。Agent 是未来的操作系统，模型公司提供 iOS/Android，真正的价值在上层应用。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  9. 多 Agent 的价值在于隔离上下文和并行执行，而非模拟人类分工：Claude Code Agent Teams 的 leader + teammate 模式，核心收益是上下文隔离。但前提是 plan 质量够高——plan 烂了，9 个 agent 只是 9 倍速制造垃圾。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

  10. AI 时代真正的资产是能力、思考、认知、审美、执行力：工具会过时，平台会更迭，模型会换代。但拆解问题的能力、领域深度理解、AI 边界判断、产出质量标准、从想法到落地的速度——这些别人拿不走。AI 放大的是认知，不是手速。——来源：2026-06-13-juejin-50k-usd-ai-coding-lessons

实操内容保留

Harness 四层架构框架

能力层：AI 能用什么规则、什么工具
连接层：系统之间怎么连
构建层：想法如何按规范产出
管控层：产出如何追踪和审计

AI 使用路径演化（七阶段）

  1. Copilot → tab 补全代码
  2. Plan → 让 AI 按计划执行
  3. Agent → 自主探索、决策、写代码
  4. MCP → 连接外部工具能力
  5. Skill → 经验封装为可复用能力包
  6. Multi-Agent → 多个 AI 并行协作
  7. Harness → AI 军团协作的流畅可控

行业验证案例

  • Anthropic：16 个 Claude 并行写 C 编译器，10 万行代码，2 万刀，几乎无人干预。最大经验：测试质量决定一切、为 AI 认知特点设计执行环境、用 CI 防止回退
  • OpenAI：Build AI-Native Engineering Team，每个开发阶段拆成 Delegate / Review / Own 三层
  • Claude Code Agent Teams：leader 协调多个 teammate，共享任务列表，各自独立上下文

（本文无代码块/Prompt 模板/分步教程）

原文精彩摘录

关于上下文压缩的致命问题：

一开始你会觉得 AI 记住了你的偏好、你的项目结构、你的决策逻辑，它确实在短期内表现得很好。但越往后走越偏——它开始把你的规则和它自己的推断混在一起，产出的东西半对半不对，你还不好发现问题在哪。最致命的是上下文压缩。对话一旦变长，系统会压缩上下文，被忘掉的东西比你想象的多。

关于高质量输入的本质：

高质量输入不是 prompt 写得好。是你给 AI 的执行环境足够完整——系统边界在哪、业务上下文是什么、领域模型长什么样、约束和红线在哪里、什么证据才算做完。简单说：把一个聪明但没有业务背景的人需要知道的所有东西，结构化地给到 AI。

关于 AI 提效的底层逻辑：

AI 提效不是某个员工偷偷用工具快了一点。它的本质是让数据、经验、知识在不同岗位之间重新流转协作。这个属于 AI 落地的基建，是业务协作的基础。所以它一定是自上而下的，最好是老板和管理者牵头。不是因为老板更懂 AI，而是因为这件事改的是协作结构，不是某个人的工作方式。

关于垂直方案的判断：

Agent 是未来的操作系统。几家模型公司提供模型和 Harness，就像苹果和谷歌提供 iOS 和 Android。而真正的价值，在上面跑的那些应用里。谁先在自己的领域里把 AI Native 的全链路跑通，谁就有壁垒——这个壁垒不是技术壁垒，是业务理解的壁垒。

关键概念

与其他素材的关联

关系图谱

快速导航

反向链接