这篇文章的目的是什么？

作为程序员，行业确实已经发生深刻变化。代码Agent大幅降低了编写代码的成本，作为一名从业者，我逐渐意识到一个事实：过去最享受的，是把需求拆解成一个个模块，像搭积木那样将它们组合成一个可以运行的系统。那种“创造”的满足感，曾是工作的核心驱动力。

但现在，AI越来越擅长“搭积木”了。这个环节本身的价值正在缩水，我对它的热情也随之减弱。

这迫使我们思考两个更本质的问题：

• 当自己最擅长的技能正被AI逐步掌握，新的兴趣和价值的支点，究竟在哪里？
• 当“执行”变得越来越廉价，人还应该去发展和打磨哪些能力？

一个比较清晰的判断是：人不能把精力消耗在与AI的正面竞争上，那属于“同质化内卷”。更应该去抓住的，是AI自己搞不定、仍需要人来提供，并且能借助AI进一步放大的能力。

人 + AI > max(人, AI)

当然，需要先限定讨论的边界。这里所说的AI，指的是当前以及可预见未来中，以大规模语言模型为核心的系统。那些技术路线完全不同、能力近乎全能、甚至以碳基生命为载体的假想形态，不在讨论范围内。基于不可验证的假设来推演现实决策，意义不大。

AI 难以做什么？

当一项任务已经被AI稳定、低成本地搞定，人就没有必要再重复投入了。更值得关注的，是那些仍然需要人类做出关键判断，但借助AI可以大幅提升效率和价值的工作。

人的思维如何从大脑和身体活动中形成，大模型的智能表现又如何从训练、模型结构和计算中涌现，这些问题目前都还有未被充分解释的部分。当然，两种“未知”不是同一种未知：大模型的结构和计算是人为设计的，而人脑，是生物演化和个体经验共同作用的结果。

所以，不如把“思维如何产生”和“智能为何涌现”这两个问题，暂时放进黑盒。更关心的是，这些黑盒与现实世界连接的方式：

• 它们能接收什么信息；
• 如何与现实世界互动；
• 如何从结果中学习；
• 能否形成跨越时间的连续性；
• 最终由谁来承担行动的后果。

内部感受

人通过多种感受来理解自身和外部世界：

• 外感受：视觉、听觉、触觉等外部信息。
• 本体感受：身体姿态、关节位置、运动和肌肉张力。
• 内感受：心率、呼吸、饥饿、疼痛、疲劳、激素和内脏状态。

这些感受不是彼此独立的“传感器读数”。自主神经、内分泌、内脏和免疫系统一起参与身体的稳态调节，并进一步影响情绪、自我感、注意力和行动动机。

具身AI也能感知自身和环境状态，比如关节角度、电机电流、触觉、力、电量、温度等等。但人与AI的物理构成不一样，这些信号对两者的意义也完全不同。对AI来说，温度就是一个触发散热或停机策略的数值；对人来说，闷热不只是温度升高，还会带来烦躁、疲惫和注意力下降，影响情绪、判断和行为。

这种差异不代表AI无法识别情绪或模拟共情，而是意味着，人与AI获取情境的方式不同。因此，察觉他人细微的不适、理解话外之音、发现尚未被明确表达的需求，这些能力，在AI时代反而更有价值。

结果反馈

人和AI都能通过“预期结果”和“实际结果”的差异来调整行为。

在工程里，AI的目标和反馈需要被明确表达出来，比如损失函数、奖励信号、提示词、单元测试、用户评分、业务指标……但测试只能覆盖已经想到的情况，用户评分可能受表达方式影响，业务指标可能忽略隐私、信任和长期影响。一个系统完全可能在指标上成功，却偏离了人真正想要的结果。

人接收到的反馈要复杂得多：任务是否成功，疼痛、疲劳、舒适或快感，他人的信任、排斥和评价，金钱、地位和关系变化，行动是否符合自己的身份和原则，甚至数月乃至数年后才显现的长期结果。这些反馈可能彼此冲突。一件事短期成功，可能损害长期信任；可以提高收入，却违背个人原则；可以让指标上升，却让用户体验变差。人需要在这些维度之间权衡，判断什么结果更重要。

所以，AI时代稀缺的，不只是提高解决问题的效率，更是判断什么问题值得解决，什么结果才算成功。人的能力，需要从“解题”进一步扩展到“选题、定义问题和判断价值”。

时间连续性

大语言模型本身，不是一个有固定性格、目标和身份的角色。从技术上看，它学习的是语言序列的概率分布。在不同的提示词、上下文和采样条件下，同一个模型可以表现出不同的风格、倾向和行为模式。与其说模型是“某个人”，不如说它提供了一个包含大量潜在表达和行为的可能性空间。

但人具有自我同一性和连续性：身体连续性、人际关系、社会身份、承诺和债务、声誉、未完成的长期项目、行动留下的现实结果。这些经历不只是可以被调用的记忆，还会持续约束今天和未来的选择。过去建立的信任需要维护，作出的承诺需要履行，造成的损失需要补偿，未完成的事情会继续影响后续行动。

这有点像虚拟偶像。虚拟偶像可以有形象、性格、语言习惯和持续发展的故事，但这些特征不会自动成立。它需要创作者从大量可能性中做出选择：它应该怎么说话，在什么问题上坚持什么，与观众建立什么关系，哪些行为不符合它的身份。这种选择，受到创作者审美、性格、价值判断和受众期待的影响。正是这些持续的取舍，让一个原本可以呈现多种形态的系统，逐渐收敛成“这个具体的角色”。

在AI能快速生成大量内容之后，真正稀缺的，可能不再是某一次产出的能力，而是：谁在长期做出选择、坚持什么、承担什么，以及最终留下了怎样的作品、关系与声誉。

承担后果

人的决策会进入现实世界，产生难以逆转的后果：身体受伤和死亡、心理痛苦、收入和职业变化、信任和关系损失、法律处罚、声誉和身份改变。至少在现行法律制度下，人和组织可以做出承诺、授予权限、承担义务，也可以受到处罚和承担法律责任。AI即使参与了决策和行动，通常也不被视为独立的责任主体，相关责任还是要落实到它的提供者、部署者、操作者或所属组织。

能力可以交给AI，但责任，不能因此凭空消失。

我可以做什么？

内部感受

挖掘用户需求

• 通过访谈和现场观察，了解用户的真实工作；
• 从抱怨、犹豫和临时方案中发现痛点；
• 区分用户提出的功能与背后的真实目标和顾虑。

从产品视角定义问题

• 判断问题是否真实、高频，用户是否愿意付出成本解决；
• 协调使用者、购买者和决策者的不同诉求；
• 选择值得解决的问题，并定义成功标准。

这对应产品经理、产品负责人和创业者的核心工作：不是接收需求，而是选择问题。

运营产品并维护长期关系

• 观察用户为什么使用或放弃产品；
• 识别业务指标与真实体验之间的偏离；
• 维护长期用户关系，并根据反馈调整产品目标。

对应的工作包括产品运营、客户成功、社区运营和大客户管理。

结果反馈

Harness Engineering

Harness Engineering 的核心，是围绕具体工作场景，为Agent构建环境、工具、边界、反馈与可观测性，让它能持续执行任务、验证结果，并根据真实反馈调整行为。

• 提供上下文：让模型获得完成任务所需的信息、状态与历史记录。

• 提供行动工具：让模型能调用软件、操作系统并影响现实环境。

• 设定行为边界：明确允许、禁止以及需要人工确认的操作。

• 建立结果反馈：自动验证操作是否成功，结果是否符合预期。

• 保持过程可观测：记录模型的决策、行动、结果与异常，便于定位问题。

• 构建纠错机制：发现偏差后，在可控范围内重试、修正、回退或转交人工。

Harness Engineering 构建的是一个完整闭环：获取信息 → 作出判断 → 调用工具 → 观察结果 → 验证对错 → 修正行为。

时间连续性

上下文工程

上下文工程不只是编写Prompt，还包括系统指令、工具定义、消息历史、外部数据、任务状态和记忆检索。由于上下文容量有限，核心问题不是“把所有历史都塞进去”，而是持续选择最有价值的信息。

个人IP

AI可以快速生成文章、图片、视频和观点，也能模仿一个人的表达风格。但个人IP不是某一次内容的质量，也不是一个经过包装的人设，而是一个人长期关注什么问题、坚持什么原则、完成过什么作品、帮助过哪些人、犯错后如何修正，最终共同构成了他在他人心中的身份。

因此，个人IP的核心不是持续制造内容，而是持续积累证据：

• 长期关注同一类问题；
• 形成可以辨认的判断方式；
• 将观点转化为真实作品；
• 让自己的判断接受现实检验；
• 在事实变化后公开修正观点；
• 持续履行对读者、用户和合作者的承诺；
• 通过长期互动积累关系与信任。

承担后果

投资

投资是一件必须承担后果的事情。AI可以收集信息、分析公司、比较估值、构建模型，也能给出买入、持有或卖出的建议。但AI本身通常不需要提供资金，也不会因为判断错误而损失生活保障、错过其他机会、承受心理压力或者改变未来计划。

创业

创业也是典型的“承担后果”。AI可以帮助创业者调研市场、分析需求、设计产品、编写代码、生成营销内容、分析数据……但创业者需要投入自己的时间、资金和声誉，还要面对产品无人使用、资金耗尽、员工离职和客户流失等现实结果。AI可以提出“应该转型”或“应该停止”的建议，但真正决定继续投入还是及时止损的人，仍然是创业者。