别再折腾花哨的 AI 技巧了：为什么 GitHub AI 负责人说 Harness 才是全部？
打开社交媒体，几乎每天都能看到有人在推销他的“AI 秘籍”：新的 MCP 协议、新的自定义 Skill、长达几百行的神奇 Prompt，甚至声称“只要用了这个配置就能彻底搞定 AI 编程”。
但如果你真的每天都在高强度使用 AI 写代码，你很快就会产生一种强烈的倦怠感。
GitHub 负责 AI 开发的专家 Burke Holland 在最新的一篇博客里直言不讳：这些所谓的黑科技和技巧，绝大多数只是娱乐大众的“花招（Gimmicks）”。试图通过安装无数个插件或诱导 Agent 玩花样来提升效率，往往适得其反。真正带来数倍生产力跃升的，是你对 Agent 底层脚手架（Harness）的理解与掌控。
正如我们在 [Not the Model, You're the Harness](https://ntlx.github.io/articles/not-the-model-youre-the-harness) 中探讨过的论断：当模型本身越来越像同质化的水和电，围绕模型搭建的 Harness（脚手架与运行时）才是一切竞争力的承重墙。
如何抛弃花里胡哨的骚操作，仅凭裸 Harness 就能打出极高的工程吞吐？Burke Holland 给出了一套反直觉的极简实操工作流。
别急着写代码：先用低成本原型做认知对齐
Section titled “别急着写代码：先用低成本原型做认知对齐”面对一个新的复杂需求——比如写一个支持年月日切换和范围选择的 Datepicker 组件，或者新增一个下载分析数据的 API 端点——绝大多数人的习惯是直接输入一句简短提示词，然后看着 Agent 在那里埋头写几十个文件。
然而，单次 Prompt 无论写得多么优雅，都不可能包揽人类大脑中隐性的喜好与边界。结果往往是 Agent 写了半天，你看了看说“不对，不是我要的感觉”，然后反复打补丁重构，白白消耗大量 Token 和宝贵的时间。
Burke 提出的第一条原则是：在写任何一行生产代码前，先让 Agent 产出低成本原型（Prototyping）。
人类的大脑对复杂代码和长文本的加工速度极慢，但对几何形状、视觉 Mock 和交互界面的识别速度极快。对于前端或组件开发，你可以直接要求 Agent：
“给我生成 20 种不同布局的 Datepicker 组件 Mock，全部写进一个 HTML 文件里，方便我并排对比。”
Agent 会在几秒钟内吐出一个纯静态 HTML 页面。当你并排看到 20 种形态时，你会立刻发现自己之前没考虑到的细枝末节——比如“原来先选年份再下钻到月份和日期的体验这么好”。对于后端或 API 开发，同样可以让 Agent 输出 Mermaid 流程图或结构拓扑。
在我们在 [Copilot 真正在省的不是 token](https://ntlx.github.io/articles/copilot-context-model-routing) 中讨论的上下文管理逻辑里，前置原型本质上是以极低的空间开销提前锁定了需求边界。原型是便宜的，代码是昂贵的。先看明白原型，再动手实现，能直接抹平 90% 的后续重构成本。
撕掉假把式：在沙箱环境里开启 YOLO 无人驾驶
Section titled “撕掉假把式：在沙箱环境里开启 YOLO 无人驾驶”限制 Agent 生产力的第二个巨大枷锁，是人类对“掌控感”的执念。
默认情况下，很多 Agent 工具在每执行一条 Shell 命令、修改一个文件前，都要弹窗要求人类点击 Approve（批准）。
这种设计的初衷是安全，但实际工程体验极其糟糕。如果 Agent 做任何微小动作都需要你批准，人就彻底沦为了“打卡机器人”。更糟的是，频繁的审批会引发严重的“审核疲劳”——当你在一下午点了 100 次批准后，你早已不再仔细阅读命令内容，审批防线形同虚设。
Burke 建议的策略简单粗暴：开启 YOLO 模式（/allow-all）。
允许 Agent 自行决定执行什么命令、创建什么文件，让 Agent 在 Hot path 上拥有完全的自主权。
但放权的前提是安全性。你绝对不能在宿主机的真实工作区里开启全局授权。正确的做法是将开发环境整体扔进隔离沙箱中——例如 GitHub Codespaces、Docker 开发容器或虚拟机。代码和敏感数据在沙箱里被安全隔离，Agent 就算误删文件也能一秒恢复。
放权给 Agent，但把 Agent 关在沙箱里。只有解除人工顿挫， Agent 才能真正跑出指数级的吞吐量。
在同一个 Session 里用对话驱动结构化规划
Section titled “在同一个 Session 里用对话驱动结构化规划”当你通过视觉原型确定了方向，并在沙箱中开辟了授权之后，第三步切忌直接全速开跑。
在同一个 Agent Session 中，直接切换到规划模式（/plan）。
这本质上是在进行人机交互的认知填平。在这个阶段，优秀的 Harness 会主动向你抛出大量边缘条件反问：
- 起始日期和结束日期能否相同？
- 用户只选了一半日期时，状态是否有效？
- 是否允许用户一键清除已选内容？
单次 Prompt 无法做到的事，通过 /plan 的多轮问答可以瞬间搞定。
在这个过程中，有一个至关重要的工程细节：保持模型与推理级别的一致性。
无论你使用的是 GPT 5.6 还是 Claude Sonnet，一旦在当前需求开发中选定了模型与推理深度，就不要在 Session 中途频繁切换。因为现代 Agent Harness（如 Copilot、Cursor）普遍依赖 Prompt Caching（提示词缓存）。保持会话连贯能够享受极高折扣的响应速度与成本优惠。正如我们在 [Loop Engineering：Agent 真正的战场不是 prompt，而是回路](https://ntlx.github.io/articles/loop-engineering-agent-loops) 中阐述的，维持平稳的上下文回路，远比不断更换底座模型更为重要。
大师都在做减法：脚手架演进的终局
Section titled “大师都在做减法：脚手架演进的终局”回顾 Burke Holland 的这套工作流，你会发现它没有任何炫技成分：
- 挑选顺手的 Harness：无需在不同终端工具间频繁跳脚；
- 开启 YOLO 模式：沙箱中放权，告别确认疲劳；
- 低成本原型：先用 HTML / Mermaid 锁定直觉；
- 方法论规划：用
/plan问清边缘边界； - 分步执行与审查：人类把控最终交付。
AI 编程发展到今天，行业正在经历一次深刻的洗牌。最开始大家拼的是“谁的 Prompt 写得长”，后来拼的是“谁集邮的 MCP 插件多”，而现在最顶级的一批工程专家反而在做减法。
因为模型越来越像基础设施，花哨的自制技能和繁复的提示词往往只是在上下文里堆积噪声。真正能让你事半功倍的，是你是否足够理解手中的 Harness，以及是否建立了清晰、无顿挫的人机协作回路。
去掉那些花里胡哨的假把式。脚手架本身，就已经足够你了。
你的开发工作流里叠加了多少插件？你是否尝试过仅靠 Harness 原生能力完成端到端开发？欢迎在评论区分享你的看法。