只有不斷迭代，才能讓 AI 的進步指數倍反饋到自己身上
整理版優先睇
不斷迭代先係AI時代嘅真正槓桿——作者用三年實戰經驗話你知點樣駕馭模型
作者彭俊旗，非技術出身，做開中台業務，一直用AI幫手搞產品。佢由ChatGPT 3.5用到而家5.5，中間試過Claude、GLM，最後發現換模型唔係追新，而係要摸清每個模型嘅邊界。佢近年專注做Harness Engineering（駕馭工程），即係透過控制流、記憶系統、多智能體編排呢啲方法，將通用大模型馴化成垂直業務生產力。佢提出七層架構同核心公式：Harness價值 = (模型基礎能力 × 控制精度) ^ 組合度。佢認為模型基礎能力遲早變大宗商品，真正競爭力喺駕馭層。
作者強調，AI時代嘅價值唔喺第一版，而係喺迭代過程中產生嘅新變量。佢分享三個關鍵：用最好嘅模型感受邊界、不斷引入新變量、快速迭代突破。佢話只要肯不斷試、不斷改，AI嘅進步就會指數倍反饋返自己身上。呢篇文章係佢實戰後嘅反思，適合想用好AI但唔係技術底嘅人參考。
整體結論係：唔好死守最初方案，要係執行中發現問題、優化迭代，咁先可以將AI嘅能力最大化，一個人加一套系統就可以做到傳統團隊嘅產出。
- AI產出差異嘅關鍵唔係模型，而係你點同佢協作——Harness Engineering先係競爭力。
- 換模型係為咗測邊界，唔係追新；作者用ChatGPT 5.5做主力、GLM 5.1做執行層。
- Harness價值 = (模型基礎能力 × 控制精度) ^ 組合度，模型基礎能力遲早免費，控制精度同組合度先係壁壘。
- 迭代過程產生嘅新變量先係真正價值，唔好死守第一版方案。
- 引入新變量（工具、方法、思維）可以幫你跳出平庸，等時機到時出現質變。
換模型係摸邊界，唔係追潮流
作者由ChatGPT 3.5開始，試勻Claude、GLM，最後用返ChatGPT 5.5同GLM 5.1呢個組合。佢話換模型最重要嘅係測邊界——知道每個模型做到啲乜、做唔到啲乜，先可以決定幾時用、幾時換。
Harness Engineering：將通用能力馴化成業務生產力
作者自認唔係技術出身，但一直專注令AI更好用於業務。佢發現2026年AI領域轉向Harness Engineering，即係點樣控制同落地AI應用。佢過去嘅實戰積累正好對應呢個方向。
Harness Engineering嘅本質係控制論框架
佢提出七層架構：交互協議與流控 → 輸出控制 → 工具調用 → 意圖路由 → 記憶注入 → 多智能體編排 → 人格與情緒接管。
作者所以確認自己角色係AI產品設計師——將模型能力翻譯成可落地嘅業務系統。
迭代先係價值來源，唔好死守初版
作者做任何項目都迭代好多版本，最初方案同最終結果可能風格完全唔同。佢話一定要喺執行中發現問題同優化點，然後探索、優化、迭代，而唔係「達到結果就得」。
只有不斷迭代，先可以令AI嘅進步指數倍反饋到自己身上
三個行動建議：感受邊界、引入變量、快速迭代
- 1 去用最好嘅模型，感受佢嘅邊界。呢種體感睇幾多文章都替代唔到。
- 2 不斷引入新變量——新工具、新方法、新思維方式。累積喺自己身上，等時機到時質變。
- 3 快速迭代，不斷突破。唔好固執最初方案，迭代過程中產生嘅新變量先係真正價值。
作者話，呢個就係Harness Engineering嘅底層邏輯——你唔係等模型變強，而係不斷引入新嘅控制變量嚟提升組合度。
用同一個 AI，每個人做出嚟嘅結果可以差好遠。唔係模型嘅問題。係你點樣同佢協作嘅問題。 |
最近一路喺度整唔同嘅 AI 智能體。
基於 OpenClaw 同 Hermes，配合 Skill、Agentic Workflow，各種組合都試勻曬。
做嚇做嚇，越來越肯定一件事：
用同一個 AI，每個人做出嚟嘅結果可以差好遠。
唔係模型嘅問題。
係你點樣同佢協作嘅問題。
一、由 ChatGPT 3.5 到 5.5，我換模型嘅三年
我最早期用 Claude 嚟開發編程。嗰陣時國內封得好緊，淨係可以兜路用。
後來發現國內智譜嘅 GLM 用起嚟其實幾好，就轉咗過去。
跟住問題就出現咗。
我嘅想法越嚟越複雜，做嘅產品越嚟越重。
GLM 開始唔夠用——唔係佢唔好，係我超出咗佢嘅能力邊界。
於是我又轉返去 Codex，即係 ChatGPT。
講起嚟有啲諷刺。2023 年我第一個接觸嘅 AI 係 ChatGPT 3.5，而家用緊 5.5。三年迭代咗兩個大版本。
用咗 Codex 之後，最直接嘅感覺係：佢好似明我。
唔係嗰種「你講咗乜佢重複乜」嘅明。
係你講得含糊，但佢知道你想去邊。
解決複雜問題嘅能力，的確比我之前用嘅強。
KEY INSIGHT 換模型唔係追新，係測試邊界。唔知邊界喺邊，就唔可能做好調度。 |
當然，後續如果有穩定渠道，可能都會轉用 Claude Code Opus。但目前 ChatGPT 5.5 + GLM 5.1 嘅組合，夠用。
我而家嘅策略係：ChatGPT 5.5 做主架構，GLM 做執行層。呢一兩個月暫時咁樣行住。
換模型唔係追新。係測試邊界。你要知道每個模型做到啲咩、做唔到啲咩，先可以決定幾時用佢、幾時換走佢。
二、Harness Engineering：我唔係技術出身，但一路喺度做緊呢件事
講真話，我唔係做算法嘅，亦唔係純技術開發出身。
我算係中台業務出身，偏向業務方向。冇系統學過底層編程，只係一路用 AI 一路學。
但我一路做緊嘅嘢得一樣：
令 AI 更加好用喺業務之中。令 AI 生成更好、能夠滿足業務嘅結果。控制 AI 做出我想要嘅嘢。
今年，呢啲長期累積一下子派上用場。
2026 年，成個 AI 領域由最初關注「大模型能力有幾強」，轉向咗「Harness Engineering（駕馭工程）點樣做」。即係 AI 應用應該點樣落地，點樣被控制。
我見到呢個機會喇。而且越睇越清楚：我過去一路做緊嘅，就係 Harness Engineering。
唔係理論層面嘅。係每日同 AI 對話、調 prompt、設計 workflow、編排 agent、將流程融入業務嘅實戰累積。
通用大模型正在變成大宗商品。 |
Harness Engineering 嘅本質係一個控制論框架。透過架構、控制流、記憶系統、交互協議，將通用能力馴化成垂直業務生產力。
七層架構由下到上係：交互協議與流控 → 輸出控制 → 工具調用 → 意圖路由 → 記憶注入 → 多智能體編排 → 人格與情緒接管。
核心價值公式係：Harness 價值 = (模型基礎能力 × 控制精度) ^ 組合度。模型基礎能力由供應商提供，邊際成本趨向零。你能夠建立壁壘嘅係控制精度同組合度。
呢個就係我理解嘅 AI 槓桿——一個人 + 一套 harness 系統，產出能力遠超傳統團隊。
呢個都令我確認咗自己嘅角色定位：AI 產品設計師。唔係寫算法嘅，亦唔係純做產品嘅，而係企喺駕馭層，將模型能力翻譯成可以落地嘅業務系統。
唔否認仲有好多盲點，但喺呢個過程入面，我不斷咁成長。
人嘅成長邏輯就係咁：引入一個新變量，將佢內化，再引入下一個變量。
我引入嘅變量係 AI。然後佢改變咗我做嘢嘅方式。
三、不斷突破：唔好死守你最初嘅方案
呢點好重要。
我做任何項目，包括而家做緊嘅各種 AI 產品，迭代版本非常多。
最初寫嘅方案同最後呈現嘅結果，風格可能完全唔一樣。功能會更加滿足業務需求，但具體嘅呈現方式、思考邏輯，早就唔係最初嘅版本喇。
KEY INSIGHT 一定要尋求不斷突破。唔好固執於你最初嗰個方案。 |
執行過程中你會發現好多問題，好多優化點。呢個時候你需要去探索、去優化、去迭代。而唔係「達到結果就算」。
呢種思維最唔利於用好 AI。
因為 AI 交互本身就係一個進化嘅過程。你同佢傾，佢俾你回饋，你調整，你再傾。喺呢個循環入面，你都在進化。
如果你放棄咗過程中發現嘅嗰啲點、嗰啲思考，你就錯過咗呢次成長嘅機會。
四、三件事
總結一下最近嘅一啲感受：
▎第一，去用最好嘅模型，感受佢嘅邊界。就算淨係用咗一陣，都要去感受。瞭解當前大模型做到啲咩、做唔到啲咩。呢種體感好重要，睇得幾多文章都代替唔到。唔知邊界喺邊，就唔可能做好調度。
▎第二，不斷引入新變量。當你陷入低谷，或者覺得自己喺平庸入面打轉嘅時候，去揾啲你周圍環境冇嘅嘢。新嘅工具、新嘅方法、新嘅思維方式。將呢啲變量累積喺自己身上。等時機嚟嘅時候，你會見到質變。呢個係 Harness Engineering 嘅底層邏輯——你唔係等模型變強，你係不斷引入新嘅控制變量嚟提升組合度。
▎第三，快速迭代，不斷突破。要有呢個勇氣。只有不斷迭代，先可以令 AI 嘅進步以指數倍反饋返自己身上，做出你想要嘅嘢。AI 時代嘅價值唔喺第一版，而喺迭代過程中產生嘅新變量。
唔好固執於你最初嘅方案。 只有不斷迭代，先可以令 AI 嘅進步以指數倍反饋返自己身上。 |
Resona · 鳴 · 令每一次對話，都有迴響 2026-05-06 · 彭俊旗 |
「用同樣的 AI，每個人產出的結果天差地別。不是模型的問題。是你怎麼跟它協作的問題。」 |
最近一直在做各種 AI 智能體。
基於 OpenClaw 和 Hermes，搭 Skill、Agentic Workflow，各種組合試了個遍。
做着做着，越來越確信一件事：
用同樣的 AI，每個人產出的結果天差地別。
不是模型的問題。
是你怎麼跟它協作的問題。
一、從 ChatGPT 3.5 到 5.5，我換模型的三年
我最早用的是 Claude 進行開發編程。那時候國內封得嚴，只能繞道用。
後來發現國內智譜的 GLM 用起來其實不錯，就轉過去了。
然後問題出現了。
我的想法在變複雜，做的產品越來越重。
GLM 開始不夠用了——不是它不好，是我超出了它的能力邊界。
於是我又轉回 Codex，就是 ChatGPT。
說起來有點諷刺。2023 年我第一個接觸的 AI 是 ChatGPT 3.5，現在用的是 5.5。三年迭代了兩個大版本。
用了 Codex 之後，最直觀的感受是：它好像懂我。
不是那種"你說了什麼它重複什麼"的懂。
是你說得模糊，但它知道你要往哪走。
解決複雜問題的能力，確實比我之前用的要強。
KEY INSIGHT 換模型不是追新，是測邊界。不知道邊界在哪，就不可能做好調度。 |
當然，後續如果有穩定渠道，可能也會轉戰 Claude Code Opus。但目前 ChatGPT 5.5 + GLM 5.1 的組合，夠用。
我現在的策略是：ChatGPT 5.5 做主力架構，GLM 做執行層。這一兩個月先這麼跑着。
換模型不是追新。是測邊界。你得知道每個模型能做什麼、不能做什麼，才能決定什麼時候用它、什麼時候換掉它。
二、Harness Engineering：我不是技術出身，但我一直在做這件事
說實話，我不是做算法的，也不是純技術開發出身。
我算是中台業務出身，偏業務方向。沒有系統學過底層編程，只是邊用 AI 邊學。
但我一直在做的事只有一件：
讓 AI 更好用於業務之中。讓 AI 生成更好的、能滿足業務的結果。控制 AI 做出我想要的東西。
今年，這些長期積累一下子派上了用場。
2026 年，整個 AI 領域從最初關注"大模型能力有多強"，轉向了"Harness Engineering（駕馭工程）怎麼做"。就是 AI 應用應該怎麼落地，怎麼被控制。
我看到這個機會了。而且越看越清晰：我過去一直在做的，就是 Harness Engineering。
不是理論層面的。是每天跟 AI 對話、調 prompt、設計 workflow、編排 agent、把流程融入業務的實戰積累。
通用大模型正在變成大宗商品。 |
Harness Engineering 的本質是一個控制論框架。通過架構、控制流、記憶系統、交互協議，把通用能力馴化為垂直業務生產力。
七層架構從下到上是：交互協議與流控 → 輸出控制 → 工具調用 → 意圖路由 → 記憶注入 → 多智能體編排 → 人格與情緒接管。
核心價值公式是：Harness 價值 = (模型基礎能力 × 控制精度) ^ 組合度。模型基礎能力由供應商提供，邊際成本趨零。你能建立壁壘的是控制精度和組合度。
這就是我理解的 AI 槓桿——一個人 + 一套 harness 系統，產出能力遠超傳統團隊。
這也讓我確認了自己的角色定位：AI 產品設計師。不是寫算法的，也不是純做產品的，而是站在駕馭層，把模型能力翻譯成可落地的業務系統。
不否認還有很多盲點，但在這個過程裏，我也在不斷成長。
人的成長邏輯就是這樣：引入一個新變量，把它內化，再引入下一個變量。
我引入的變量是 AI。然後它改變了我做事的方式。
三、不斷突破：別死守你最初的方案
這點很重要。
我做任何項目，包括現在做的各種 AI 產品，迭代版本非常多。
最初寫的方案和最後呈現的結果，風格可能完全不一樣。功能會更滿足業務需求，但具體的呈現方式、思考邏輯，早就不是最初的版本了。
KEY INSIGHT 一定要尋求不斷突破。不要固執於你最初的那個方案。 |
執行過程中你會發現很多問題，很多優化點。這時候你需要去探索、去優化、去迭代。而不是"達到結果就行了"。
這種思維最不利於用好 AI。
因為 AI 交互本身就是一個進化的過程。你跟它聊，它給你反饋，你調整，你再聊。在這個循環裏，你也在進化。
如果你放棄了過程中發現的那些點、那些思考，你就錯過了這次成長的機會。
四、三件事
總結一下最近的一些感受：
▎第一，去用最好的模型，感受它的邊界。哪怕只用了一會兒，也要去感受。瞭解當前大模型能做到什麼、做不到什麼。這種體感很重要，看再多文章都替代不了。不知道邊界在哪，就不可能做好調度。
▎第二，不斷引入新變量。當你陷入低谷，或者覺得自己在平庸裏打轉的時候，去找那些你周邊環境裏沒有的東西。新的工具、新的方法、新的思維方式。把這些變量累積在自己身上。當時機來的時候，你會看到質變。這是 Harness Engineering 的底層邏輯——你不是在等模型變強，你是在不斷引入新的控制變量來提升組合度。
▎第三，快速迭代，不斷突破。要有這個勇氣。只有不斷迭代，才能讓 AI 的進步指數倍反饋到自己身上，做出你想要的東西。AI 時代的價值不在第一版，而在迭代過程中產生的新變量。
不要固執於你最初的方案。 只有不斷迭代，才能讓 AI 的進步指數倍反饋到自己身上。 |
Resona · 鳴 · 讓每一次對話，都有迴響 2026-05-06 · 彭俊旗 |