從 Prompt 到 Harness：當 AI 巨頭開始「收割」新創，工程師的護城河在哪裡？

最近「Harness Engineering」這個詞在圈子裡爆火，很多人問我這到底又是什麼新名詞？

以我作為軟體工程師的體感來說，這不是新瓶裝舊酒，而是一種必然的進化。過去兩年，我們經歷了 Prompt Engineering（怎麼把話說清楚）到 Context Engineering（怎麼給對資料）的過程，但現在我們發現，模型夠聰明了，真正的瓶頸反而回到了「架構」本身 。

1. 喚醒表達力 vs. 建立運作機制¶

我曾看過李宏毅老師的研究提到：Fine-tuning 本質上不是讓模型學到新知識，而是讓它學會「如何表達」。我覺得 Prompt 也是一樣，它在喚醒模型的表達力。

但這件事有明顯的邊際效益遞減。

你一定遇過：不管怎麼調整提示詞，模型就是會漏掉細節，或者在長對話中開始「失憶」。這就像人類大腦，你一次塞給他一百個任務，他絕對會當機。這時我們需要的是像 Harness（馬具/約束裝置） 一樣的系統：把大任務拆成模型能專注的小任務，讓它跟真實世界互動 。

我自己的實踐是：與其寫一個超長 Prompt，不如先跟模型「對齊大綱」，直到這個大綱細膩到連「剛畢業的工程師」都能聽懂，再交給像 Vibe Code 這樣的工具去實作。這種「拆解力」，才是讓效率提升 10 倍的關鍵。

2. 人類的核心價值，正被拉高到「更高維度」¶

當 AI 介入更頻繁，我們從「寫代碼、讀文件」的瑣事中抽離後，會失業嗎？

正好相反。我認為人類的核心價值會轉向：

• 統合能力 (PM)：定義什麼是「成功」的標準。
• 結構化拆解：將模糊的商業需求轉換成 AI 能執行的 SOP。
• 領域專業 (Domain Knowledge)：成為專業領域與 AI 之間的翻譯官。

這就是為什麼 Harness 在軟體開發領域進展最快，因為這裡的專業人士最擅長「大問題拆小問題」 。

3. 科技典範的重演：小新創的護城河在哪？¶

現在看 AI 巨頭（OpenAI, Claude）的動作，簡直像在看以前 Intel 的垂直整合與台積電的代工之爭 。

當 Claude 推出的「顧問模式」能用聰明的模型帶領性價比高的模型完成任務 ，當這些巨頭不斷把原本新創公司做的「外掛功能」整合成原生產品時，純軟新創的護城河其實薄如蟬翼 。

未來只有兩條路：

1. 深入深水區：進入法律、金融、半導體等極度保密且有資料牆的行業，這些巨頭暫時吃不到的「垂直應用」才是硬骨頭 。

2. 離網與地端化：當大家都在爭搶 API 世界的排名時，能脫離網路、在企業私有雲或邊緣裝置跑得穩的 AI，才是真正的安全感。

結語¶

AI 競爭的核心挑戰，正在從「讓模型更聰明」轉向「讓模型在真實世界穩定工作」 。

如果你還在研究「神奇提示詞」，聽我一句勸：把精力花在研究 Harness 架構，思考如何建立一套能自動驗證、糾偏且具有狀態記憶的系統 。

因為決定 AI 能不能落地的，從來不是模型本身，而是那一套約束它的運行系統。

你覺得呢？在你的專業領域中，有哪些「深水區」是 AI 巨頭短時間內也跨不進去的？