🏷️ 范式转移

停止为你的 AI 代理建造“富士康工厂”

作者通过自己编写 54 万行代码的亲身经历，反思了在 LLM 时代的开发范式。他指出，当前大多数开发者仍在沿用旧思维，编写大量代码来限制和监控智能模型，这就像是在为不需要严格监管的超智力工人建造富士康工厂。随着模型成本降低和能力提升，开发者应摒弃“保姆式代码”，转向以 Markdown 为核心的“即时软件”架构，将指令与逻辑解耦，释放 AI 的真正潜力。

RAG Is a Lie — Karpathy's LLM Wiki 模式解析

文章批判了当前主流的 RAG（检索增强生成）模式无法积累知识的局限性，并介绍了 Andrej Karpathy 提出的 LLM Wiki 范式。该模式主张让 LLM 维护一个动态的结构化知识库（Wiki），在数据摄入时进行编译和整合，而非在查询时临时检索。这种方法通过将繁琐的维护工作交给 LLM，实现了知识的复利增长和自我进化，解决了传统知识管理系统中维护成本高昂的痛点。

从意图到发现：设计 AI 时代的用户体验

UX 领域先驱 Jakob Nielsen 指出，AI 将交互范式从“基于命令”转变为“基于意图”，用户角色从操作者变为监督者。文章重新定义了 AI 时代的可用性指标，提出了包含意图层、编排层和直接操作层的三层设计模型。作者强调“刻意认知摩擦”以应对信任校准，并展望了未来从“生成”走向“探索潜在空间”的交互愿景。

一文带你看懂 Harness Engineering

本文深入解析了AI工程领域的三次范式跃迁：从Prompt Engineering到Context Engineering，再到当前的Harness Engineering。文章用生动的游戏比喻和OpenAI的实际案例，阐述了Harness Engineering的本质——通过建立约束系统来驾驭强大的AI Agent。

深入解读 Harness Engineering：AI 工程的第三次范式转移

Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。