個人 AI 駕馭工程：真正值得累積的，不是哪一代 AI
英文的 harness 原本是馬匹身上的「挽具」。 馬本來就有力量，但有了 harness， 這股力量才能被引導、控制，最後真正拉動車子。
大型語言模型也是如此。 模型本身已經具有相當驚人的知識、語言、推理與程式能力， 但是「模型很聰明」並不等於「它能穩定地替我工作」。 真正把模型能力轉換成工作能力的， 是模型周圍那整套知識、工具、流程、記憶與判斷機制。
從 Prompt Engineering 到 Harness Engineering
早期使用生成式 AI，我們最關心的是 Prompt Engineering：
「這一次，我要怎麼問 AI，才能得到比較好的答案？」
後來大家開始談 Context Engineering：
「AI 在回答這個問題以前，應該知道哪些背景資料？」
而 Harness Engineering 問的則是一個更長期的問題：
「我要建立什麼樣的環境， 讓 AI 能夠長期按照我的方式工作？」
這三個問題看起來只是程度上的差別， 其實代表完全不同的 AI 使用方式。
Prompt 解決一次互動； Context 解決一次任務的資訊環境； Harness 則開始建立一套可以反覆使用、逐漸累積的合作系統。
Personal AI Harness 到底包含什麼？
我目前最喜歡用下面這個式子來理解它：
= Knowledge Infrastructure
+ Execution Protocols
+ Judgment Standard
知識基礎設施
我的筆記、論文、資料、程式、專案歷史，以及 AI 可以重新找到和理解的知識環境。
執行流程
我習慣怎麼研究、怎麼寫作、怎麼檢查、什麼時候搜尋、什麼時候計算，以及哪些工具應該接進來。
個人審美與判準
什麼問題值得做？什麼答案只是漂亮？什麼模型算好？什麼證據才足以讓我相信？
換成最簡單的三句話就是：
How I work.
What I consider good.
我知道什麼。
我怎麼工作。
我認為什麼才算好。
第一層：讓知識不只是「放著」，而是可以被 AI 使用
很多人已經累積了幾十年的筆記、文章、PDF、照片、程式與研究資料。 問題是，這些東西往往只是「存在」， 卻沒有真正形成一個 AI 能夠工作的知識環境。
未來的個人知識管理可能會有一個很有趣的變化：
過去整理筆記，是為了讓「未來的自己」看得懂。
現在還多了一個讀者：AI。
所以好的 Knowledge Infrastructure， 不是把所有資料丟進一個大資料夾， 而是讓 AI 可以知道：
- 哪些資料是可靠的；
- 哪些是舊版本；
- 一個專案目前進展到哪裡；
- 哪些假設已經確定；
- 哪些問題還沒有解決；
- 哪些方向曾經嘗試過但被放棄。
真正重要的，也許不是保存所有對話， 而是保存決策與理解。
保存真正形成的判斷，而不是無限累積聊天紀錄。
第二層：把工作習慣變成 Execution Protocols
每個專業工作者其實都有一套自己的工作方法， 只是以前很多方法存在腦中，沒有必要明確寫出來。
例如一個研究問題可能習慣走這樣的路：
寫文章也可能有另一條流程：
AI 出現之後，這些原本隱性的習慣開始值得被形式化。 因為一旦把它們變成 protocol， AI 就不必每一次重新猜測： 「現在下一步應該做什麼？」
它開始能按照你的工作節奏運行。
這也是為什麼真正成熟的 AI 使用， 不是一句：
「幫我把這件事做好。」
而是建立：
也就是把自己的工作方式逐漸變成 可以反覆執行的認知流程。
第三層可能才是最重要的：Judgment Standard
Knowledge Infrastructure 可以整理。 Execution Protocols 可以建立。
但是最難的一層，是：
也就是個人的審美與判準。
AI 最大的困難往往不是沒有答案。 恰恰相反，它太容易產生答案。
你問一個問題， 它可以立刻提出十個方向、二十個模型、五個標題與三套解釋。
真正稀缺的是：
- 哪一個值得追？
- 哪一個只是表面漂亮？
- 哪一個模型真正抓到問題核心？
- 哪一個結果雖然數學正確，卻沒有科學意義？
- 哪一個故事很好聽，但其實內容很薄？
- 什麼時候應該繼續，什麼時候應該停下來？
這些問題靠的不是更多 generation， 而是selection。
而是判斷哪些想法值得留下來的能力。
專業中的「審美」，其實是一種壓縮過的經驗
我們常常把「審美」想成藝術性的東西， 但專業工作裡其實到處都有審美。
數學家會說某個證明很漂亮。 物理學家會說某個模型很自然。 化學家會覺得某種解釋「很有化學味」。 程式設計師會覺得某種架構乾淨。
這種判斷很難一次全部寫成規則， 因為它通常是幾十年經驗壓縮形成的直覺。
例如研究者可能偏好：
但真正的意思並不是「越簡單越好」， 而更接近：
最小，但不能平凡。
也可能偏好：
或者：
這些東西共同構成一個人的 scientific taste， 也是個人 AI Harness 中最難複製的部分。
Personal AI Harness 不只是「AI 更了解我」
這和一般說的 personalization 還不太一樣。
一般的個人化可能是 AI 知道：
- 你喜歡什麼語氣；
- 你常用什麼格式；
- 你有哪些興趣。
但真正深層的 Personal AI Harness， 是 AI 開始知道：
- 你對證據的要求是什麼；
- 什麼事情一定要重新計算；
- 什麼時候不能相信漂亮的敘述；
- 你偏好什麼樣的模型；
- 哪些工作可以交給 AI；
- 哪些事情你一定要親自理解。
所以我愈來愈覺得， Personal AI Harness 的核心不是 personalization， 而是：
把個人的判斷方式逐漸外化。
兩個人使用同一個 AI，一年後可能已經完全不同
假設兩個人今天都使用完全相同的 AI 模型。
一開始，他們的工具幾乎沒有差別。
但是一年以後， 其中一個人仍然每次重新問：
「請幫我分析這個問題。」
另一個人則已經建立：
- 自己的知識庫；
- 固定的工作流程；
- 專用工具；
- 專案記憶；
- 錯誤檢查；
- 評估機制；
- 個人的判斷標準。
這時候真正比較的已經不是兩個相同的模型， 而是：
其中的 H，就是每個人自己的 Harness。
因此即使大家都能使用同樣強的 AI， 實際能力仍然可能逐年拉開。
這是一種很有意思的 AI 時代複利：
每一次 AI 犯錯，就增加一條 guardrail。
每一次找到有效合作方式，就把它固定成 protocol。
每一次發現重複工作，就把它工具化。
每一次發現自己其實有一套判準， 就嘗試把它說清楚。
最後，你建立的不是 AI，而是一套 Personal Intellectual Infrastructure
這也是我覺得 Personal AI Harness 最有趣的地方。
最後留下來的資產， 未必是某一代 GPT、Claude、Gemini 或其他模型。
模型一定會換。
但是你累積下來的：
- 知識結構；
- 工作方法；
- 工具鏈；
- 審查流程；
- 判斷標準；
- 專業審美；
可以繼續存在。
它形成的是一套：
個人的智能工作基礎設施
更有趣的是：建立 Harness，也是在重新認識自己
要教 AI 按照你的方式工作， 你必須先回答一些以前可能從來沒有明確回答過的問題：
我到底怎麼做研究？
我為什麼覺得這個模型比較好？
什麼證據會讓我改變看法？
什麼時候我認為一件工作已經完成？
哪些事情我可以交給 AI？
哪些事情即使 AI 做對了，我仍然必須自己理解？
所以：
is also making one's tacit knowledge visible.
建立個人 AI 駕馭系統， 其實也是把自己的默會知識慢慢照亮。
而是：
你有沒有逐漸建立一套自己的 AI Harness？
你的知識如何進入 AI？
你的工作方式如何被保存？
你的工具如何接上？
AI 犯錯時如何被發現？
而最後，什麼東西值得留下？
真正值得長期累積的， 不是「我很會使用今天這一代 AI」， 而是：
我已經建立了一個環境， 讓任何足夠聰明的 AI， 都能逐漸按照我的方式工作。
這就是我理解的 個人 AI 駕馭工程（Personal AI Harness Engineering）。
Comments
Post a Comment