随笔

递归自我改进：从一杯咖啡到Harness Engineering 2024年，我去美国做访问研究，回程途经旧金山。去之前通过邮件约了几位行业朋友（网友，行业专家，AI公司员工），其中包括素未谋面的Lilian Weng。那时候她还在OpenAI负责安全系统，AI圈还没有后来那些人事震荡。 我乘地铁去了OpenAI当时的那栋小白楼。他们楼下有一家星巴克，我在那儿等她。下午两点，店里不少人带着电脑，三三两两在聊天。硅谷的星巴克就是这样，你分不清谁是来办公的、谁是来面试的、谁是刚从哪个会出来透口气的——但空气里确实有一种说不上来的东西，让人觉得这栋楼里正在发生什么。 那天我们聊的是很宽泛的话题——中美AI的差距和机会、算力成本下降的拐点、token价格降到什么程度会触发应用爆发。我当时也和他分享了在MIT上课时的一些分享：大模型的力量不在于参数规模，而在于电力和算力趋于平静之后，token成本降到极低基点时，整个行业的范式会发生变化。我们都没料到，后来DeepSeek横空出世，中国的开源路线以一种意想不到的方式验证了这个判断。 这些是后话了。真正让我想写这篇文章的，是今年7月4日Weng发表的那篇《Harness Engineering for Self-Improvement》，以及随后她官宣重返OpenAI领导递归自我改进（RSI）团队的消息。RSI不是新概念——1965年I. J. Good就提过了，几十年来更多是哲学讨论。Weng的贡献不在于"发现"RSI，而在于她给出了一条工程化的路径。她指出RSI可以发生在三个层面：模型权重、训练管道、部署系统。其中DeepSeek R1已经在训练管道层证明了自我改进的可行性——模型不需要人类标注，通过强化学习自己学会推理。而Weng选择的切入点是第三层：部署系统（Harness）——即使模型本身的推理能力不变，更好的工具调用、上下文管理、评估机制也能显著提升实际表现，而这些改进本身又可以被模型自动化。更值得追问的是：OpenAI为什么选一个做了七年安全的人来领导RSI？这篇文章，我想从技术的角度拆解。 一、RSI：一个60年的概念，为什么现在才可行 Lilian Weng的文章开篇直接切入主题：递归自我改进（Recursive Self-Improvement, RSI）。 这个概念可以追溯到1965年，英国数学家I. J. Good提出的"超智能机器"——一种能在所有智力活动中超越人类，并设计出比自身更好的机器的系统。2008年，Eliezer Yudkowsky将这个概念精确化为一个反馈循环：AI利用其当前的智能，去改进产生其智能的认知机制。 听起来很抽象。但Lilian Weng把这个抽象概念落到了实处。她指出，在现代AI语境下，这个反馈循环可以发生在三个层面： 模型权重层面：模型直接重写自己的参数。这是最理想但最难的路径，目前几乎不可行。 训练管道层面：模型改进生成训练数据、选择训练任务、优化训练策略。这是很多前沿实验室正在探索的方向。 部署系统层面：模型改进自己与外界交互的方式——如何调用工具、如何管理上下文、如何评估自身输出。 她明确选择了第三个切入点。原因很关键：原始模型和真实世界之间的这层，其重要性不亚于模型本身的原始智能。Claude Code和Codex的成功，不是因为它们的基础模型最强，而是因为它们的部署系统设计最成熟。 她用了一个词来描述这层部署系统：Harness。 二、Harness：模型与世界之间的操作系统 Weng在博客中用了一个精确的类比：Harness就像操作系统。你花在操作系统上的功夫，决定了CPU能发挥多大潜力。 在她的定义中，Harness是围绕在基础模型周围的整个系统，它负责： 编排执行流程（模型如何思考和规划） 定义工具调用（模型如何与外界交互） 管理上下文（模型感知和存储什么信息） 持久化产物（模型如何保存工作成果） 评估结果（如何判断模型表现好坏） 这个定义的精妙之处在于，它将原本分散的概念——Prompt Engineering、Agent Framework、Tool Use、Memory Management、Evaluation——统一到了一个更宏观的架构视角下。 更重要的是，她指出了Harness工程与传统Agent框架的区别： 维度 传统Agent框架 Harness工程 核心公式 agent = LLM + memory + tools + planning + action 额外加入workflow design, evaluation, permission control, persistent state 设计理念 Prompt模板 运行时系统设计 类比 IDE 操作系统 这个类比不是随便说的。Lilian Weng明确指出，Harness的设计应该参考操作系统的工程实践： ...

你卖的是时间，还是系统 我有个朋友，这些年一直在做"正确的事"——考了证，跳了几次槽，薪资翻了一倍，去年凑齐首付买了房。按世俗标准，他活得挺成功。 但前阵子喝酒，他说了句让我愣住的话：“我比五年前忙多了，赚的也多了，可我怎么觉得自己离’不干了’这件事越来越远？” 他不是矫情。他比五年前更离不开那份工作——房贷、生活成本、消费习惯，全都跟着收入一起上去了。收入涨了，但"一旦停下来就活不下去"这件事，一点没变。 这件事让我反复想一个问题：多数人一辈子都在打磨"卖时间"的能力——考更好的证、进更好的公司、拿更高的时薪。但很少有人停下来问一句：我能不能不靠卖时间活着？ 这个问题的答案，才是普通人真正该想清楚的事。 打工的天花板，不是你不够努力 打工这件事，结构上就有一个绕不开的天花板：你卖的是时间，而时间是不可再生的。 一天就那么多小时，你能卖出去的份额是固定的。你确实可以通过提升技能把每小时卖得更贵，但这条路的尽头很明显——精力、注意力、体力都会衰退，而市场很少为一个四十岁的人付比二十五岁更高的时薪，除非你坐到了那个稀缺的位置。位置就那么几个，挤不进去是常态。 更隐蔽的问题是定价权。你创造的价值和到手的薪水之间，永远有一道缝。这不是黑心，是商业运转的基本条件——企业要赚钱，就必须用低于你产出的价格买你的时间。换句话说，打工这件事从设计上就决定了，你拿不到自己创造的全部价值。 所以靠工资实现"再也不用为钱工作"，几乎不可能。不是因为你不努力，是因为这条赛道本身的奖励上限就在那里。 我见过真正不再为钱发愁的人，没有一个是靠工资爬上去的。他们手里都有某种"自己会生长"的东西——可能是公司股权、收租的房产、持续的版权收入、一个能自动获客的小生意。这些东西的共同点是：它们产生收入，但不消耗你的在场时间。 这才是"投资"两个字的真意。不是去股市追涨杀跌当韭菜，而是把你攒下的钱和本事，换成一种能自己增值的结构。 你真正该攒的，是"说不"的底气 那普通人前半段到底该攒什么？ 不是职级，不是房产证，不是朋友圈里的体面。是一样很朴素的东西——选择权。说穿了，就是"我能不能对不想做的事说不"。 选择权不会凭空来，它靠几样东西撑着。最底下那层是钱，具体说是一笔够你不工作也活得下去的存款。数字因人而异，意义一样——它是你所有勇气的底座。没有这笔钱，老板让你加班你不敢拒绝，客户刁难你只能忍着，因为你知道一旦失去收入，生活马上就塌。我见过太多能力很强的人，就因为手头没有缓冲，被困在一个消耗他们的环境里动弹不得。 但光有钱不够。钱能买安全感，买不来方向感。所以更难攒的是第二样——一套能看懂世界怎么运转的脑子。这不是看书考证那种攒法，而是你真的在脑子里建立起判断力：一个生意凭什么赚钱，一个趋势会往哪走，一件事的代价藏在哪儿。这种判断没有捷径，得靠一次次复盘、一次次踩坑、一次次和比你聪明的人掰扯。它攒得慢，可一旦攒起来，别人很难偷走。 还有一样总被忽略，却是前两样的容器：身体和精神状态。长期高压下还能睡得着觉、扛得住事，这本身就是资本。我见过不止一个人，钱和脑子都到位了，身体先垮了，后半程直接没机会上场。 攒这几样东西的过程注定是闷的，因为它们都要求你把时间和钱花在"看不见回报"的地方——存钱、啃难懂的东西、保持健康。而周围人在做的，往往是相反的事。 让你的价值，不再按小时计费 攒到一定程度，问题就变了。不再是"我怎么卖得更贵"，而是"我怎么不按小时卖"。 这是普通人最难的一跃——从出卖时间，变成经营一个能脱离自己运转的结构。 我不是劝所有人都去创业。创业是高风险的事，不是每个人都该碰。我说的是另一种可能：让你已经有的某种能力，脱离"一对一、按小时"的形态。 举个例子。一个做了十年财务的人，他最值钱的不是"会做账"这个动作，而是他对中小企业税务坑的判断——什么能抵扣、哪里有风险、怎么合规地省。如果只靠接单做账，那就是按小时卖。可要是把这套判断变成一门课、一套模板、一份咨询，同样一份本事，就能同时卖给很多人，不需要他每次都在场。 这就是"不按小时卖"的意思。你的价值被复用了。 走到这一步，通常得凑齐几件事。先得找到一个自己确实比多数人懂一点的窄领域，窄到没几个人跟你争，但有人愿意为此付钱。然后把这份本事变成一个别人能识别、能购买的东西——一篇文章、一个工具、一次咨询，总得有个具体形态。最后还得让自己被找到，在某个地方持续露面，让需要你的人知道你在。 哪件都不容易。但它们的回报，是把你的收入结构从"卖时间"换成"卖系统"。系统有个好处：你睡着的时候它也在转。 到这一步，财务自由这个词才有了点实感。它的重点从来不是"有多少钱"，而是"你的收入还要不要你亲自到场"。 慢，但它是唯一的结构改变 说实话，这条路又慢又难，也没人保证你能走通。 它慢，因为攒钱、长判断力、找窄领域、做出产品，每一件都以年计。它难，因为它要求你在很长一段时间里做和周围人相反的事——别人消费你存钱，别人娱乐你学习，别人追热点你打磨一个没人知道的本事。它还孤独，前几年基本看不到反馈，连鼓励你的人都没有。 但我想了很久，还是觉得它值得。 因为它瞄准的不是"赚更多"，而是"换一种活法"。前者是量变，后者是结构变了。一个月薪两万和一个月薪三万的人，本质上都在卖时间，都停不下来。但一个靠工资、一个靠系统，这是两种不同的生存结构。 多数人一辈子都在前一种结构里打转——更努力地卖，卖得更贵，卖得更久，直到有一天卖不动了。而那条少有人走的主线，是趁还卖得动的时候，悄悄搭一个不靠卖也能活的底。 不一定每个人都要走到终点。但至少别在打转的时候，以为自己在前进。 - FIN -

赫拉克利特说：“人不能两次踏入同一条河流。“创业这条河也不例外——河水在变，河岸在变，但过河这件事本身，从未改变。 什么变了 The Founder’s Playbook 最后一章叫"Same Job, New Rules”，开篇第一句话就点题：在 AI 时代，创始人的工作没有变——找到真实的问题，构建解决方案，把它变成一个重要的公司。变的是到达那里的路径。 过去九篇文章，我们逐层拆解了这条新路径的每个阶段。把"变了"的部分梳理一遍，你会看到一条很清晰的曲线。 Idea Stage 变了。过去验证一个问题要几个月的调研和几十场访谈。现在 AI 帮你做竞争分析、设计访谈框架、自动化外联，验证周期从几个月压到几周。但"验证"本身的必要性没变，反而因为构建成本降低而变得更重要——做错的代价低了，做错之后浪费的机会反而多了。 MVP Stage 也变了。过去一个原型需要一个团队几个月的工作。现在 agentic coding 让一个人一个下午就能做出一个看起来像那么回事的产品。但"产品市场契合"的标准没变——用户是否真的在乎，不会因为你的产品做得更快就自动成立。 Launch Stage 同样变了。过去从产品到公司需要招一个运营团队。现在 AI 工作流自动化让一个小团队能跑出大团队的运营效率。但"系统化运营"的目标没变——你需要不依赖创始人的系统。 Scale Stage 的变化更微妙。过去构建护城河要几年时间和大量资源。现在 AI 让领域知识的编码和用户数据的复利变得更快。但"护城河"的本质没变——时间积累的东西，仍然需要时间来积累。 什么没变 这是更重要的问题。 判断力没变。AI 能帮你做研究、写代码、起草文档、分析数据。但它不能告诉你"这个问题值不值得做”、“这个方向对不对”、“这个时机该不该出手”。这些判断需要你独有的上下文——你的行业经验、你的直觉、你对用户的理解。 领域知识也没变。AI 是通用智能，它不知道你所在行业的那些"只可意会不可言传"的东西。340B 药品项目的计费逻辑、建筑行业的合规要求、法律行业的风险偏好——这些需要真实经验的东西，AI 只能辅助，不能替代。 用户信任更没变。用户选择你的产品，不是因为你的 AI 有多强，而是因为他们相信你能解决他们的问题。信任来自真实的对话、可靠的交付、长期的承诺。这些 AI 帮不了你——只能靠你自己。 把这些串起来看，创业的本质没变：找到真实的问题，构建解决方案，把它变成一个重要的公司。这句话在 2020 年、2026 年、2030 年都成立。工具在变，但创业的核心——为真实的人解决真实的问题——从未改变。 路径压缩，本质不变 The Founder’s Playbook 用一句话总结了 AI 对创业的影响：AI 把每个阶段的时间轴压缩了——验证从几个月变成几周，原型从团队工作变成个人工作，运营从小团队变成 AI 加一个人。 但压缩的是时间，不是工作本身。你仍然需要验证、需要构建、需要发布、需要规模化。你仍然需要判断力、领域知识、用户信任。你仍然需要在每个阶段做出正确的选择——只是现在，你有更好的工具来执行这些选择。 这让我想到一个关于摄影的类比。数码相机和 Photoshop 让"拍一张好照片"变得前所未有的容易——你不再需要暗房、不需要对曝光的精确控制、不需要等胶片冲洗。但"什么值得拍"和"怎么构图"的判断力，仍然是摄影师的核心能力。工具变了，审美没变。 给 AI 原生创始人的三句话 读完这本书，走完这个系列，我想留三句话给正在或准备打造 AI 原生公司的创始人。 ...

中世纪欧洲的城堡有三种防御：护城河（让敌人难以接近）、城墙（让敌人难以突破）、和吊桥（让盟友自由进出）。AI 时代的护城河也有三种——数据飞轮、领域知识、和用户工作流锁定。 AI 让复制变容易，让积累变稀缺 2025 年，一个有趣的现象引起了投资圈的注意：一批 AI 原生公司的估值开始分化。有些公司功能看起来差不多，但估值差了一个数量级。区别在哪？ 不是功能，是护城河。 在 AI 让"复制一个产品"变得越来越容易的时代，功能不再是壁垒。一个有充足资源的竞品可以用几周时间复制你的功能。那什么才是真正不可复制的？ The Founder’s Playbook 给出三个答案。每一个都建立在时间积累之上——而时间，是 AI 无法加速的。 第一条护城河：数据飞轮 用户和产品互动时产生行为信号——哪些输出被接受，哪些被拒绝。这些信号随时间积累，变成你的产品路线图。 The Founder’s Playbook 把这叫做"复利价值"：每一次改进让产品更有用，更多使用产生更多反馈，更多反馈驱动更多改进。这就是数据飞轮。 这种数据有三个关键属性。时间锁定——你买不到数千个用户在你的产品里优化工作流留下的行为指纹。上下文特定——这些数据是在你的产品、你的用户群体、你的使用场景中产生的，换个环境就不一样了。不可能被复制——即使竞品知道你有这个飞轮，他们也无法在短时间内重建。 书中给出了一个具体的练习：把你的产品互动数据（收集了什么、收集了多久、用户如何随时间互动）交给 Claude，让它识别三个最高信号的行为模式，然后设计一个反馈循环，把每个模式变成系统性的模型改进。最后，让它帮你起草一页"护城河叙事"——你的数据飞轮怎么转、转了多久、为什么一个有充足资源的竞品今天开始做，两年内也复制不了。 第二条护城河：领域知识外化 很多 AI 原生公司的创始人做的是高度具体的应用——他们在某个行业里亲身经历过的问题。Agentic AI 让这些没有工程背景的创始人也能用领域知识构建产品。 关键在于，把你的领域知识放进一个结构化的、AI 能访问的上下文里。通过长期对话、项目和记忆，把你的行业知识——行规、监管陷阱、边缘 case、为什么显而易见的答案行不通——放进 Claude 的上下文。然后把这些编码成 Skills，让 Claude 每次都以同样的方式执行。 书中举了一个挺精彩的例子：一个通用 AI 医疗计费工具会在 340B 药品项目上出错，但你的产品专门处理了这些逻辑。为什么？因为你有领域知识，而且你把它编码进了系统。 几个月后，这就变成了一种专有的知识基底，通用 AI 做不到。一个没有你这种领域经验的竞品，即使有同样的 AI 工具，也会在你的细分领域里反复踩坑。 我自己有一个略带刺刀味的判断：你的测试套件就是你的护城河的地图。 每一个你处理过的边缘 case，都是竞品还没踩到的坑。 第三条护城河：用户工作流锁定 数据飞轮让产品更难复制，但工作流锁定让产品更难离开。 用户在你的产品上构建了自动化，培训了团队，连接了数据源。他们开发的 prompt、优化的工作流、标准化的输出——都是围绕你的产品塑造的。这时候，换产品就不再是产品决策，而是一个全规模的运营项目。 The Founder’s Playbook 给出了一个实操方法：让 Claude 按集成深度映射你的客户群。对每个客户群体，识别他们在你的产品上构建了哪些工作流、依赖哪些集成。这显示了你的产品在哪里"粘"得牢，哪里还需要加深。 集成的数量和质量是关键。你提供的集成越多，客户就有越多表面面积来构建依赖你的工作流。Claude Code 帮你快速构建原生集成——数据管道、项目管理工具、用户依赖的其他系统。更深一层的锁定：构建 API、webhook 和 SDK，让客户不只是"用"你的产品，而是"在之上构建"——这是最深形式的锁定。 ...

古罗马人在建造道路时，会先挖一条深沟，铺上多层砂石和碎石，最后才铺上平整的石板。他们知道：路能走多远，取决于地基有多深。今天，你的代码库就是那条路——而 CLAUDE.md 就是你的地基剖面图。 两种技术债 不是所有技术债都一样。理解这一点，是 Scale 阶段的第一课。 第一种是有意技术债——你在充分知情的情况下，选择用代码质量换速度。你知道这笔债的存在、它的规模、什么时候该还。这种债本质上是投资：你借了时间，计划在某个 sprint 里连本带息还清。 第二种是无意技术债——你不知道它存在，或者知道但不知道它有多大。它来自"先这样吧"的临时方案、来自"以后再重构"的承诺、来自那些"能跑就不要动"的模块。这种债是高利贷，利息在暗处累积，直到某天你发现已经还不起了。 在 AI 原型的场景里，The Founder’s Playbook 指出了一个特有的风险：agentic 技术债是一种"超级无意债"。 为什么？因为 agentic coding 工具移除了所有曾经控制什么进入生产的自然瓶颈。过去，代码要经过设计审查、代码审查、测试——每一步都是制衡。现在，一个 prompt 就能让代码进生产。速度是保证了，但质量控制的责任完全落到了创始人身上。这一层责任，是 agentic 工具不会主动告诉你的。 架构审计：看见你的地基 The Founder’s Playbook 建议在 Scale 阶段做一次完整的架构审计。 具体操作：让 Claude Code 审计代码库，产出一份结构脆弱性清单——哪里是脆的捷径、哪里测试覆盖不足、哪里模块边界模糊。然后让 Claude 对这份清单做优先级排序：什么会拖累下次发布，什么可以并行处理，什么是当前阶段能接受的。 这个审计的价值不只是"修 bug"。它强迫你看见自己的代码库——不是作为一个个文件，而是作为一个系统。我自己的经验是，大多数创始人在 Scale 阶段第一次真正"看见"自己的代码库，那种感觉有点像第一次站在高楼上俯瞰自己住了多年的城市：你突然意识到有些路是断头路，有些楼是没有地基的。 从"能跑"到"能扛" Scale 阶段的技术工作不只是修代码——它是围绕代码构建基础设施。 企业买家在签多年合同之前，要看的不是你的产品功能，而是你的组织能不能成为一个可靠的基础设施合作伙伴。他们要看产品文档、支持 playbook、SLA 承诺。签了之后，他们会要求你兑现。 The Founder’s Playbook 给出了一个三层方案。 第一层是文档：产品文档、支持 playbook、SLA——这些是企业采购团队期望看到的东西。AI 帮你起草和更新，但内容需要你的领域知识来校准。 第二层是代码：用 Claude Code 加固代码库，针对企业合同要求的特定可靠性和安全标准。构建日志、监控、事件响应工具、可观测性层——让 SLA 真正可执行，而不是一句口号。 第三层是运营：用 Claude Cowork 跑企业支持运营层。工单路由、升级工作流、文档更新（随产品变化自动触发）、续约追踪、企业客户成功依赖的报告节奏。 三个工具协同，让一个小团队能展示出比自身规模大得多的组织成熟度。这件事看起来是技术问题，其实是组织伪装问题——你得让外界觉得你"像那么回事"。 知识编码：把你的脑子变成系统 Scale 阶段最容易被低估的挑战，是创始人的制度知识。 ...