提升 AI 生產力的關鍵在於架構：Thin Harness, Fat Skills

提升 AI 生產力的關鍵在於架構：Thin Harness, Fat Skills。

AI 生產力的爆發式成長並非源於模型本身的進化，而是取決於「Thin Harness, Fat Skills」的架構設計。透過精簡的執行層與結構化的技能定義，開發者能將 AI 效能提升數十倍，這證實了真正的秘密在於如何封裝模型，而非模型本身。

核心架構：Thin Harness, Fat Skills
作者指出，AI 程式開發的生產力提升（10x 至 100x）並非單純依賴模型能力的進化，而是取決於架構。所謂「Thin Harness, Fat Skills」意指將執行層（Harness）精簡化，並將核心邏輯（Skills）結構化。2026 年 3 月 31 日 Anthropic 外洩的 Claude Code 程式碼證實了這一點：真正的秘密在於如何封裝模型，而非模型本身。

五大關鍵定義
要突破模型效能瓶頸，必須釐清以下五個概念：

• Skill files：以 Markdown 編寫的可重複使用程序，如同方法呼叫（method call），透過傳入不同參數（如 TARGET、QUESTION、DATASET）即可執行不同任務。這不是 Prompt Engineering，而是將 Markdown 作為程式語言的軟體設計，將人類判斷作為執行環境。
• The harness：執行 LLM 的程式，負責迴圈運作、檔案讀寫與上下文管理。應保持精簡，避免過度臃腫的工具定義（Fat harness），以免浪費 token 並增加延遲。
• Resolvers：上下文的路由表，根據任務類型載入對應文件，確保模型在正確時間獲取正確資訊，避免上下文視窗（context window）被無效資訊淹沒。
• Latent vs. Deterministic：明確區分「潛在空間」（Latent space，負責判斷、合成、模式識別）與「確定性」（Deterministic，負責 SQL 查詢、編譯程式碼、算術）。將任務歸類錯誤是 Agent 設計中最常見的失敗原因。
• Diarization：將大量非結構化資料讀取並合成結構化檔案的過程，這是 AI 進行知識工作的核心，遠勝於單純的資料庫檢索。

實際應用：Startup School 的自動化決策
以 YC 的 Startup School 為例，該系統透過上述架構處理 6,000 位創辦人的資料，實現了人類無法完成的規模化決策：

• Enrichment：透過 /enrich-founder 技能，自動比對創辦人說法與 GitHub 提交紀錄，識別出如「偽裝成觀察工具的 FinOps 軟體」等關鍵落差。
• Matching：利用技能作為方法呼叫，根據不同策略（如分組、隨機配對、即時配對）進行決策，甚至能進行人類分析師難以察覺的分類修正。
• Learning loop：系統透過 /improve 技能分析 NPS 調查，自動提取模式並改寫技能檔案，讓系統在無人介入的情況下自我優化。

技能即永久升級
作者強調，開發者應嚴格禁止「一次性工作」。若某項任務需要重複執行，應將其編碼為 Skill file。這種架構具有複利效應：

• 每個 Skill 都是對系統的永久升級，不會遺忘且能持續運作。
• 當模型升級時，所有 Skill 會自動變強。
• 透過將智慧推向 Skill 層，將執行推向確定性工具層，開發者能實現真正的 100 倍生產力提升。