最近看到一篇很有意思的文章作者在读 OpenAI 关于“线束工程”Harness Engineering的博客时突然意识到一件事这个模式他见过不止一次而是三次。这三次跨越了两百多年但本质上讲的是同一个故事。第一次瓦特的离心调速器故事要从 1780 年代说起。那时候蒸汽机刚开始普及但有个麻烦事需要有个工人一直站在旁边盯着机器的转速手动调节阀门。转快了就关小点转慢了就开大点。这活儿累人还需要经验和注意力。后来詹姆斯·瓦特发明了离心调速器。这东西的原理很简单两个重球随着机器旋转转得快了球就甩得高带动阀门关小转得慢了球就落下来阀门自动开大。整个过程不需要人干预。那个站在旁边调阀门的工人消失了吗没有。他的工作变了从手动调阀门变成了设计和维护这个调速器。第二次Kubernetes 的控制器时间快进到现代。如果你接触过云计算可能听说过 Kubernetes 这个东西。它的核心思想也是类似的。你告诉系统一个“期望状态”我要三个副本用这个镜像分配这么多资源。然后系统里有个控制器会不停地观察“实际状态”。一旦发现不一致比如某个服务崩溃了控制器就自动修复重启服务、调整副本数量、回滚有问题的部署。工程师的工作又变了从手动重启服务变成了编写系统自动执行的规则。第三次AI 写代码现在轮到第三次了。OpenAI 在博客里描述了一种新的工作方式工程师不再自己写代码而是设计环境、构建反馈循环、制定架构约束然后让 AI 代理来写代码。五个月时间一百万行代码没有一行是人手写的。他们把这叫做“线束工程”。作者说每次看到这个模式都是因为有人造出了足够强大的传感器和执行器能够在那个层面上闭合反馈循环。瓦特的调速器能感知转速能调节阀门。Kubernetes 的控制器能感知服务状态能重启和扩容。而大语言模型能感知代码质量能重构模块、重新设计接口、改写测试套件。这就是控制论的本质。1948 年数学家诺伯特·维纳给它起了个名字Cybernetics来自希腊语κυβερνήτης意思是“舵手”。你不再亲手转动阀门你只需要掌舵。闭环是必要的但还不够但是光有闭环还不够。瓦特的调速器需要调校Kubernetes 的控制器需要正确的配置而让 AI 在你的代码库上工作需要提供更难的东西。让基础的反馈循环运转起来这只是起点。测试要能让 AI 运行CI 要能输出可解析的结果错误信息要能指向修复方向。Anthropic 的研究员 Carlini 演示过这一点他让 16 个并行的 AI 代理构建了一个 C 编译器用的提示词简单到令人尴尬但测试基础设施设计得非常精心。他说“我的大部分精力都花在设计 Claude 周围的环境上测试、环境、反馈。”更难的问题是用你系统特有的知识来校准传感器和执行器。这是大多数人卡住的地方也是他们责怪 AI 的地方。“它总是做错事。它不理解我们的代码库。”这个诊断几乎总是错的。AI 失败不是因为能力不足而是因为它需要的知识也就是对你的系统来说什么是“好”你的架构鼓励哪些模式、避免哪些模式这些知识都锁在你脑子里你没有把它们外化出来。AI 不会通过渗透学习。如果你不把规则写下来它在第一百次运行时犯的错误和第一次一模一样。把判断变成机器可读的真正的工作是把你的判断变成机器可读的。写架构文档描述实际的分层和依赖方向。写自定义的代码检查工具把修复说明嵌入进去。写黄金原则编码你团队的品味。OpenAI 发现了同样的问题他们一开始每周五要花 20% 的时间清理“AI 垃圾”直到他们把标准编码进线束本身。这些实践文档、自动化测试、明确的架构决策、快速的反馈循环其实一直都是正确的。过去三十年写的每一本工程书都推荐它们。大多数人跳过它们因为跳过的代价是缓慢而分散的质量逐渐下降入职很痛苦技术债务悄悄累积。但 AI 工程让这个代价变得极端了。跳过文档AI 就会忽略你的约定不是在一个 PR 上而是在每一个 PR 上以机器的速度全天候运行。跳过测试反馈循环根本闭合不了。跳过架构约束偏移的速度比你修复的速度还快。这里有个陷阱如果 AI 不知道什么是“干净”你就没法用 AI 来清理混乱。没有校准制造问题的机器也解决不了问题。这些实践没有变忽略它们的惩罚变得无法承受了。生成和验证的不对称作者提到了一个计算机科学里的经典问题P vs NP。简单说就是生成一个正确的解决方案比验证一个解决方案是否正确要难得多。这个不对称指向了未来的方向。你不需要在实现上超过机器你需要在评估上超过它明确什么是“正确”识别输出哪里不对判断方向是否对头。这让我想起很多工作的变化轨迹。以前的摄影师需要精通暗房技术知道怎么冲洗胶片、调整曝光。现在的摄影师更多的是在构图、光线、情绪上下功夫技术处理交给了软件。技能的重心从“怎么做”转移到了“做什么”和“做得好不好”。设计瓦特调速器的工人没有回去转阀门。不是因为他们不会而是因为那样做已经没有意义了。这对我们意味着什么这个故事给人的感觉很复杂。一方面它确实让人有点不安。当机器能做越来越多的事情人的位置在哪里另一方面它又揭示了一个更深层的真相。每一次技术进步人的工作都在往上移一层。从手动操作到设计规则从执行任务到制定标准从写代码到定义什么是好代码。这个过程不是替代更像是解放。但这种解放有个前提你得能把脑子里的知识、经验、判断用某种方式表达出来让机器能理解。这其实是一种更高级的能力。很多时候我们觉得自己“懂”但真要说清楚为什么这样好、那样不好就说不出来了。这种隐性知识在人和人之间可以通过长期合作慢慢传递但机器不会通过观察学习你必须把它明确化。这也解释了为什么有些人能很好地和 AI 协作有些人却觉得 AI 总是“不听话”。差别往往不在 AI 本身而在于你有没有能力把自己的标准清晰地表达出来。从这个角度看文档、测试、规范这些东西以前可能是“最好有”现在变成了“必须有”。不是因为它们本身变了而是因为不做的后果从慢性病变成了急症。还有一点值得注意。作者说你不需要在实现上超过机器你需要在评估上超过它。这其实是在说未来的核心竞争力可能不是“做”而是“判断”。判断什么是好的什么是对的什么符合更大的目标。这种能力机器可能永远学不会或者说只能从你这里学。掌舵的人回到那个希腊词κυβερνήτης舵手。舵手不需要划桨不需要扬帆甚至不需要知道风是怎么吹的。舵手需要知道的是要去哪里现在在哪里怎么调整方向。从瓦特的调速器到 Kubernetes再到 AI 写代码这个模式重复了三次。每一次人的角色都从“操作者”变成了“设计者”从“执行者”变成了“掌舵者”。技术在变但有些东西没变。你需要知道目标是什么你需要能判断结果好不好你需要能把这些判断标准清晰地表达出来。这可能就是未来工作的样子。不是人和机器竞争谁做得快而是人定义什么值得做机器负责做出来然后人判断做得对不对。循环闭合的地方就是重要决策发生的地方。而那个地方现在依然需要人。原文地址https://x.com/odysseus0z/status/2030416758138634583最后给大家说件事我的星球社群持续更新中很多同学问你在社群都更新什么内容呢举个例子我这两天更新了两篇副业案例拆解的文章到目前为止我的「副业案例库」已经更新到了 50 篇争取今年突破 100 篇。从今年开始更新的这些副业案例更倾向于国内的普通人做的一些项目案例而不像是去年更新的那 30 多篇都倾向于独立开发者希望副业案例更加丰富能够给大家带来更多的启发。其实不止我星球里有各种教程从今年开始录制视频教程就接近 20 期了。最近非常火的 Agent Skill 视频教程也录制了 15 期了。加入我的星球社群「AIGC·掘金成长研习社」即可获取视频链接学习。最后介绍一下我的星球「AIGC·掘金成长研习社」可点击链接查看星球全面介绍主要分享三个板块的内容1、副业赚钱领域的内容。我做自媒体十几年了有很多副业赚钱方面的经验和干货而且每周都会定期详细带大家拆解一个副业赚钱案例持续更新的那种目前已经分享了上百篇跟副业赚钱相关的帖子和文章了。2、AI 落地和实操相关的内容。我在里面也分享了很多 AI的各种玩法和落地场景包括用 AI 做副业的案例也都有。3、个人成长。我会分享很多我做超级个体和自由职业的一些思考和成长类的内容目前我已经做自由职业 5 年了有太多的感慨和内容分享。如果你想学习如何搞副业如何使用 AI 甚至如何使用 AI 搞副业那一定要加入我这个超值的星球。目前已经更新了 1800 多条干货和文章了加入成员 1400。感兴趣的可以加入。限时优惠中原价 199 元今天加入可以立减 30 元只需要 169 元优惠券仅剩 20 多个优惠名额。我认为我的星球是目前副业和 AI 领域最超值和具有性价比的星球价格不贵同时内容也不比几千块钱的星球差。大家可以扫码查看支持 3 天无理由退款内容好不好先进来看看再说不适合自己退了也没毛病。