本文永久链接 – https://tonybai.com/2026/04/19/thin-harness-fat-skills
大家好，我是Tony Bai。
在过去一年，你有没有想过，为什么同样用着 GPT 或 Claude 等大模型以及Claude Code这样的Coding Agent，有的人生产力只提升了 2 倍，而有的人却能爆发出 100倍、甚至 1000倍 的惊人能量？
就在前几天，硅谷创投界的大佬、Y Combinator 的 CEO Garry Tan，发表了一篇阅读量高达 70万+ 的长文，极其犀利地揭开了这个“效率鸿沟”背后的残酷真相。
他引用了 Google 前员工 Steve Yegge 的一个惊人论断：
“使用 AI 智能体（Agent）的人，比现在用 Cursor 和聊天窗口的人效率高 10-100 倍，比 2005 年的 Google 工程师效率高 1000 倍。”
Garry Tan 写道：“这不是吹牛，我亲眼见过，我亲身经历过。”
他甚至爆出一个猛料：2026 年 3 月 31 日，Anthropic 意外地将 Claude Code 的全部 51.2 万行源码泄露到了 npm 仓库。他读完了。
“这次泄露证实了我在 YC 一直教导的东西：秘密根本不在大模型本身，而在那个包裹着模型的‘驾驭层（Harness）’！”
今天，我们就来读读 Garry Tan 这篇文章，看看硅谷最顶尖的玩家，是如何通过 “薄驾驭，厚技能（Thin Harness, Fat Skills）” 的架构哲学，来榨干大模型的每一滴潜能的。
在文章的开头，Garry Tan 就毫不客气地指出了当下大多数 Agent 框架的“原罪”：臃肿的驾驭层，和孱弱的技能。
我们大多数人是怎么做的？我们给 AI 挂载了 40 多个 Tool Calls，每一个工具都对应一个外部 API。结果就是，光是这些工具的定义，就吃掉了上下文窗口（Context Window）的一半！
大模型每次行动前，都要在几十个工具中艰难地做选择题，不仅推理速度慢得像乌龟，出错率更是高得离谱。
Garry Tan 给出的架构哲学恰恰相反：
推崇“薄驾驭（Thin Harness）”：驾驭层（Harness）只做四件事——循环运行模型、读写文件、管理上下文、执行安全策略。代码量可能只有 200 行。
推崇“厚技能（Fat Skills）”：将所有复杂的业务逻辑、判断力、领域知识，全部封装成一个个可复用、可参数化的 Markdown 文件，即“技能（Skill）”。
“反面教材就是一个臃肿的驾驭层，配上一堆孱弱的技能。……你想要的是专为特定目的打造的、快速且狭窄的工具。”
Garry Tan 认为，大模型的瓶颈从来不是智商。它天生就会推理、综合、写代码。它之所以频繁失败，是因为它不理解你的数据、你的规范、你问题的具体形态。
而下面这五个定义，正是修复这个问题的“架构级补丁”，也是“薄驾驭，厚技能”哲学的具体体现。
这是最颠覆认知的一点。Garry Tan 认为，优秀的 Skill 文件，工作起来就像一个函数调用（Method Call）。它接受参数，并且根据不同的参数，产生完全不同的能力。
他举了一个名为 /investigate 的技能为例。这个 Skill 只有 7 个步骤：圈定数据集、构建时间线、标注文档、综合信息、正反方辩论、引用来源。
“这根本不是提示词工程。这是软件设计。你用 Markdown 作为编程语言，用人类的判断力作为运行时。”
技能文件告诉模型“怎么做”，而解析器告诉模型“在什么时候，加载什么上下文”。
Garry Tan 坦白，他自己曾经写过一个长达 20000 行的 CLAUDE.md 文件，里面塞满了各种他遇到过的奇技淫巧。结果导致模型注意力严重下降，甚至 Claude 自己都“告诉”他让他删掉点。
最终的解决方案，是把这个巨大的文件，拆成了一个只有 200 行的“指针”文件，和一个解析器（Resolver）。
“当一个开发者改了代码，没有解析器，他直接提交了。有了解析器，模型会先去读取 docs/EVALS.md，这个文件说：先跑评测套件，对比分数，如果准确率下降超过 2%，就回滚并调查。”
解析器就像一个智能的“路由表”，在不污染上下文的情况下，按需加载最精准的知识。
这是 Agent 设计中最常见的错误：让 AI 去做它不擅长的事。
“一个 LLM 可以帮你安排 8 个人的晚宴座位，它会考虑每个人的性格和社交关系。但你让它去排 800 个人的座位，它会幻觉出一个看似合理、但完全错误的座位表。因为这是一个确定性的组合优化问题，应该交给传统算法。”
最牛逼的系统，对这条边界的划分是冷酷无情的。
这是让 AI 从“数据库”进化为“分析师”的关键一步。
倾向分析，就是让模型读取关于一个主题的所有信息，然后写出一份结构化的、浓缩了判断力的简介。
Garry Tan 以 YC 内部正在构建的、管理 6000 名创始人的 AI 系统为例：
传统的关键词搜索，根本无法发现一个伪装成“可观测性”工具的 FinOps 项目。
但通过倾向分析，AI 读取了创始人的所有 GitHub 提交、访谈记录、公开帖子后，会给出一个惊人的洞察：
“创始人：Maria Santos。公司：Contrail。声称在做：‘给 AI Agent 用的 Datadog’。实际在做： 80% 的代码都在写账单模块。她其实在做一个伪装成可观测性的 FinOps 工具。”
这种“判断力”，是任何 RAG 管道都无法产生的。模型必须真正地去“阅读”和“思考”。
这是 Garry Tan 架构哲学的最终闭环。
他给自己团队的 AI Agent 下了一条铁命令：
“你绝不被允许做一次性的工作。如果我让你做一件事，而这件事未来可能需要再做一遍，你必须：第一次手动在 3-10 个样本上完成它，把结果给我看。如果我批准了，你就必须把这个过程固化成一个 Skill 文件。如果它应该自动运行，就把它加到定时任务里。测试标准：如果我需要为同一件事第二次开口，你就失败了。”
每一次你写下的 Skill，都是对你的 AI 系统的一次永久性升级。它永不衰退，永不遗忘。当下一代更强的模型发布时，你所有的 Skill 都会在一夜之间变得更聪明。
Garry Tan 的这篇文章，为所有在 AI 时代感到迷茫的开发者，提供了一套极具实操性的架构蓝图。
它告诉我们，当大模型的能力趋于同质化时，真正的护城河，不在于你拥有哪个模型的 API 访问权限，而在于你为这个模型构建了怎样一个高效、智能、且能源源不断自我进化的“外部大脑”。
这个“大脑”，就是你沉淀下来的“厚技能（Fat Skills）”资产。
不要再沉迷于寻找那些能一键生成整个项目的“魔法按钮”了。慢下来，像一个真正的软件设计师一样，去思考你的流程、你的判断、你的领域知识。然后，把它们一一固化成 Markdown。
构建一次，它将永远为你运行。
资料链接：https://x.com/garrytan/status/2042925773300908103
今日互动探讨：
看完 YC 掌门人的这套“薄驾驭，厚技能”心法，你对自己目前开发 Agent 的方式有什么新的反思？你认为用 Markdown 来“编程”AI 的想法，是天才还是异端？
欢迎在评论区分享你的看法！
还在为“复制粘贴喂AI”而烦恼？我的新专栏 《AI原生开发工作流实战》 将带你：
扫描下方二维码，开启你的AI原生开发之旅。
原「Gopher部落」已重装升级为「Go & AI 精进营」知识星球，快来加入星球，开启你的技术跃迁之旅吧！
我们致力于打造一个高品质的 Go 语言深度学习 与 AI 应用探索 平台。在这里，你将获得：
衷心希望「Go & AI 精进营」能成为你学习、进步、交流的港湾。让我们在此相聚，享受技术精进的快乐！欢迎你的加入！
商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。
© 2026, bigwhite. 版权所有.
Related posts:
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。