AI热点风向标·07月02日晚间版：AI编程工具Harness工程实践

最近AI圈有几个话题我特别想聊，尤其是关于AI编程工具怎么用这件事，争议真的越来越大了。

你说的是Harness工程那个方向吧？我看B站上那个实训营直播讨论度挺高的。

对，就是那个Coder Harness实训营，请了个前支付宝架构师来讲，据说每个月用两万多积分，项目代码量到五百万行级别。

我先抛个结论啊，AI Coding这个领域正在经历一个范式转移，从最早的Prompt工程，到现在的Harness工程，再到Lope工程，本质上是在解决一个问题——怎么让AI在大型工程里真正可控。

你说可控这个词特别好。我做产品的时候就发现，很多开发同事用AI写代码，小项目没问题，一到大工程就崩。

对，因为小项目你靠Prompt就能搞定，但百万行代码的项目，你不可能把所有上下文都塞给模型。Harness本质上就是给AI套一个工程化的缰绳。

但我有个疑问啊，这种东西真的能做成可复用的管理体系吗？每个项目差异那么大。

这就是为什么请架构师来讲而不是请AI研究员来讲，因为这本质上是个软件工程问题，不是AI问题。规范化、模块化、流程标准化，这些老手艺在AI时代反而更重要了。

有道理，等于说AI越强大，工程管理反而越不能松。

没错，你可以把它理解成AI是一匹好马，但没有缰绳你骑不了。

说到AI编程工具怎么用，B站上还有一个视频也挺火的，标题特别扎心——用了多年Cursor，才发现之前都用错了。

这类标题确实有点标题党的味道，但说实话，Cursor的使用方式确实有很大的优化空间，大部分人真的只用了它三成功力。

你觉得大家最常犯的错误是什么？

最大的问题就是把Cursor当高级自动补全来用。很多人就是写两行代码等它补全，这跟GitHub Copilot有什么区别？

那正确的用法是什么？

应该是把它当一个pair programming的搭档，用好它的Agent模式，用好rules文件来定义项目规范，这其实跟刚才聊的Harness工程是一脉相承的。

等等，这不就回到上一个话题了吗？所以本质上不管用什么工具，核心都是你得先想清楚怎么管理AI。

Bingo，工具只是载体，方法论才是核心。

但我从产品经理的角度看，这也说明现在这些工具的上手门槛其实还是太高了。

你这个观点我不完全同意。门槛高不代表工具有问题，Photoshop门槛也高，但专业用户就是需要这种深度。

得了吧，Photoshop可是有几十年的教程生态了，Cursor这些工具的最佳实践到现在都还没沉淀下来。

行吧，这点你说得对，生态确实还在早期。

好，接下来这个话题可能会有争议。B站上有个视频说暑假靠Python加AI大模型接单，两个月赚了三万八，互动量还特别高。

我先说结论——这种内容我持高度怀疑态度。

为什么？AI确实在降低开发门槛啊。

降低门槛和稳定变现是两回事。你想想，如果AI让开发变简单了，那甲方为什么不自己用AI做，还要花钱找你？

这个逻辑确实成立，但也有可能是很多传统行业的人还不会用这些工具啊。

短期信息差是存在的，我承认。但说稳定月入近两万，这个稳定两个字我打一个大大的问号。

而且你注意到没有，这个视频的受众定位是大学生、自由职业者和程序员，基本上就是焦虑感最强的群体。

对，这就是典型的贩卖焦虑加上幸存者偏差。真正赚到钱的人没空拍视频教你，拍视频教你的人可能靠教你赚得更多。

你可拉倒吧，也不能一棒子打死。AI确实在创造一些新的接单场景，比如帮小企业做数据分析、做自动化脚本。

这些场景我认可，但能不能稳定到月入近两万，我觉得需要打个很大的折扣。这个互动量高恰恰说明大家想赚钱，不代表这个方法真的靠谱。

好吧，这个话题我们保留分歧，我觉得机会存在但确实被夸大了。

同意，机会有，但别把个例当规律。

最后聊一个硬核的话题。YouTube上有个视频在讲ARC-AGI-3，而且是目前领先团队自己来讲解的。

这个我必须聊，ARC-AGI系列测试是目前衡量AI通用推理能力最有含金量的benchmark之一。

给听众朋友解释一下，ARC-AGI到底在测什么？

简单说就是给AI出一些它从没见过的视觉推理题，看它能不能像人一样举一反三。不是靠记忆，是靠真正的理解和推理。

到第三代了，难度提升大吗？

非常大。ARC-AGI-1的时候GPT-4都只能做对很小一部分，到第三代题目设计更刁钻了，专门堵那些靠暴力搜索和pattern matching取巧的路。

那目前领先的团队用的是什么方法？纯大模型硬刚吗？

据他们自己的讲解，不是纯靠大模型，而是结合了program synthesis，就是程序合成的方法。让AI先理解规则，再生成解题程序。

这个思路挺有意思的，等于说不是让AI直接给答案，而是让它先搞明白规则再写代码解题。

对，这其实暗示了一个很重要的方向——未来的AGI可能不是单纯的大模型，而是大模型加上符号推理加上程序合成的混合体。

从产品角度看，这种能力如果真的突破了，应用场景会非常广，比如让AI理解全新的业务规则而不需要大量训练数据。

没错，这才是真正的通用智能该有的样子。不是背答案，是学方法。

好，今天聊了不少干货，从Harness工程到Cursor使用方法论，再到AI接单的冷思考，最后落到ARC-AGI-3这种前沿研究。

总结一下就是，AI工具越来越强，但怎么用好它、怎么评估它、怎么不被忽悠，这三件事同样重要。

说得好。那我们明天见，各位晚安。

明天见，大家晚安。