2024 年 6 月，我成为了万千互联网从业者中的一员。
入行时，我没想到，短短两年间，写代码这件事会发生如此大的变化。从搜索资料、手动实现，到接受 AI 补全，再到让 Agent 参与整个开发流程，我们与工具的关系，也在不断改变。
回头看，我经历的变化大致可以分成三个阶段。
第一阶段：手写代码，搜索答案
刚入行时，工作更多是围绕产品需求，一点点打磨功能。
写页面、调接口、改问题，遇到不会的地方，就打开百度或 Google，看看前辈们遇到过什么问题，又是怎么解决的。找到方案后，再结合自己的项目理解、修改、验证。
那时候的开发，很像一个石匠打磨石器：工具握在自己手里，每一道工序都要亲自完成。碰到难题，就去翻阅"古籍"，寻找前人的经验。
这个过程有些枯燥，却也让人慢慢建立起对代码和业务的理解。我们习惯了自己掌握每一个细节，也习惯了用投入的时间，换取功能的落地。
第二阶段：AI 成为编程助手
到了 2024 年底，我开始越来越频繁地接触 DeepSeek，以及 GitHub Copilot、通义灵码、Cursor 这样的 AI 编程工具。
最初，我对它们的期待很简单：补全几行代码，解释一个报错，或者帮忙写一段重复逻辑。
当时给我留下最深印象的是 Cursor。在我的使用体验里，当一些 AI 工具还经常答非所问时，它已经能根据描述，帮助修改页面。AI 开始从"回答问题"，走向"动手完成任务"。
与此同时，Prompt，也就是提示词，逐渐成为大家讨论的话题。我们开始学习怎样描述背景、交代约束、明确目标，让模型更准确地理解需求。
到了 2025 年上半年，随着 Claude 和 Claude Code 等工具进入更多开发者的视野，一些人开始尝试更大胆的做法：把整个项目交给 AI，让它阅读代码、拆解任务，再尝试完成修改。
有人尝到了甜头，也有人保持谨慎。
这种谨慎并不难理解。开发者长期依靠自己的经验判断问题，突然要把一部分工作交给 AI，自然会担心代码质量、业务理解和后续维护。也有人担忧，自己积累多年的能力，会不会因此被重新定价。
但变化已经开始了。AI 不再只是搜索引擎的替代品，而是逐渐成为一个能参与开发的助手。我们也开始从"每一行都自己写"，转向"描述需求、检查结果、修正方向"。
第三阶段：从使用工具，到组织 Agent 工作
进入 2026 年，尤其到了下半年，我对 AI 编程的理解又发生了一次变化。
过去，我更关心哪个模型更聪明、代码写得更好。现在，我越来越觉得：模型之外，围绕它建立的工作机制，同样重要。
这也让我开始理解 Harness 这个概念。
可以用一个简化的公式来表达：
Agent = Model + Harness
Model 提供理解、推理和生成能力；Harness 则负责组织它如何工作，包括如何获得上下文、调用工具、执行任务、检查结果，以及在失败后继续调整。
Skills、Tools、MCP 等机制，让 AI 能够遵循特定的方法，使用外部能力，并连接更多系统。原本需要人不断复制、粘贴、解释和确认的工作，逐渐被串联成更完整的流程。
我们交给 AI 的，也从"帮我写一个函数"，变成了"理解这个需求，在现有项目里完成修改，并验证结果"。
当然，这并不意味着项目可以完全放手。需求是否清楚、边界是否明确、结果是否可靠，仍然需要人来判断。但我们的角色正在变化：亲手执行的部分减少了，定义目标、组织流程和验收结果的部分增加了。
模型像员工，工作体系决定它如何发挥
如果把模型比作公司里的一名员工，那么：
-
Model 是员工本身的能力：决定他能理解多复杂的问题，具备怎样的专业水平。
-
Skill 是岗位手册和操作规范：告诉他某一类工作应该怎么做，有哪些需要遵守的方法和标准。
-
Tools 是工作设备：让他能够读写文件、运行程序、检索信息，真正完成操作。
-
MCP 像连接业务系统的标准接口：让他能够接入不同的平台和服务。
-
Harness 是整套工作机制：负责分配任务、提供信息、组织执行、检查结果，并处理异常。
一个能力很强的员工，如果缺少背景、工具和清晰的要求，也可能把事情做偏。同样，一个强大的模型，也需要合适的工作体系，才能稳定地完成任务。
回看这两年，我最大的感受是：我们正在从自己打磨每一块"石器"，走向与一个能够执行任务的伙伴协作。
对开发者来说，写代码依然重要。但把问题讲清楚、把边界划明白、判断结果是否正确，正在成为越来越重要的能力。