Qoder 从入门到精通
大规模工程 Harness 实践

人和 AI 的关系 ​

人的不可替代性

人控制 AI，还是被 AI 控制？

Harness 工程：让人控制 AI 的五大手段

核心问题 ​

AI 能写代码了，人还做什么？

这本书的前四部分都在讲「怎么用 Qoder」。到了第五部分，我想换一个视角——与其继续讲技术，不如聊聊我这两年实践中想通的一件事：人和 AI 应该怎么分工？

核心观点 ​

人提供想法，AI 负责执行。

这个分工不是技术决定的，是认知决定的。人和 AI 的优势完全不同，把各自的优势用在正确的地方，效率才能最大化。

人的不可替代性 ​

提出正确的问题 ​

AI 擅长回答问题，但不擅长发现"这个问题本身就是错的"。

你问 AI "这个功能用什么设计模式实现"，它会给你列出工厂模式、策略模式、观察者模式，并分析各自的优缺点。但它不会告诉你"这个功能根本就不应该做"。

提出正确的问题，是人的核心能力。

判断什么值得做 ​

AI 可以列举 100 个方案，但它无法判断哪个方案最符合你的商业目标。

回到我自己的经历。我在 Growth 产品线中每天面对的问题不是"怎么做"，而是"做什么"。二十年的行业经验让我能判断：

  • 这个功能客户真的需要吗？
  • 现在做还是三个月后做？
  • 做到 80 分上线还是做到 100 分才上线？

这些判断 AI 给不了——它没有在行业里摸爬滚打二十年的经验。

在模糊中找方向 ​

AI 需要精确的指令，但现实中需求往往是一团迷雾。

客户说"我要一个自动化工具"，但什么意思？是想要 RPA 那样的流程自动化，还是想要 AI Agent 那样的智能决策？客户自己都没想清楚。

人的价值就是在这团迷雾中找到方向——通过沟通、推理、经验和直觉。AI 做不到，因为它没有"经验"和"直觉"。

对结果负责 ​

AI 没有责任意识。它生成一段代码，如果出了 Bug，它不会承担后果。只有人才会对结果负责。

这种「负责」的心态决定了最终的质量——因为你会检查、会测试、会思考"如果出问题了怎么办"。

AI 的价值 ​

快速找资料 ​

AI 最擅长的事情之一：在海量信息中快速找到你需要的。

以前我需要自己翻文档、搜代码、查 Stack Overflow。现在直接告诉 Qoder，它几秒钟就把相关资料整理好给我。

这不是"AI 比我聪明"，而是"AI 在信息检索上比我快"。

按想法执行 ​

我的工作方式：我先把思路想清楚，然后让 Qoder 帮我写出来。

我：这个节点需要实现文件压缩，支持 ZIP 和 7z 格式，
    参数结构参考已有的 DirCompressNode。
    
Qoder：生成 FileCompressNode.cs 骨架 + form.json 参数定义

我不需要自己敲代码——我已经知道要做什么，Qoder 帮我做出来。

提取和扩展想法 ​

有时我只有一个大概的方向，不够具体。Qoder 能帮我展开。

我：我想做一个关于"AI 做不了大型项目"的热点评价视频

Qoder（按照热点评价规则）：
  - 反常识角度：不是 AI 做不了，是使用方式不对
  - 论据 1：Quest 模式 vs IDE 模式的区别
  - 论据 2：SWE-CI 评测数据
  - 论据 3：我们自己的实践经验
  → 生成点状提纲

我的一个模糊想法，被 Qoder 展开成了完整的创作框架。

处理重复劳动 ​

生成模板代码、写测试用例、做格式转换、统一代码风格——这些重复劳动交给 Qoder，我专注于更有创造性的工作。

错误姿势 vs 正确姿势

核心原则：人主动，AI 被动 ​

三个错误的使用姿势 ​

错误一：让 AI 做决策

"你觉得用哪个方案好？"——这是最常见也是最危险的用法。

AI 没有判断力。它的"建议"只是统计概率——在训练数据中，方案 A 出现的频率比方案 B 高，所以它推荐方案 A。但频率 ≠ 正确。

错误二：不思考直接接受

AI 输出什么就用什么，没有自己的判断。这是最浪费的用法——你投入了时间让 AI 生成内容，却不愿意投入时间判断内容的质量。

错误三：放弃学习

"让 AI 去做，我不需要学了。"——这是最危险的倾向。

不学习，你就无法判断 AI 的输出是对是错。AI 可能会写出优雅但错误的代码，如果你看不懂代码，就发现不了问题。

三个正确的使用姿势 ​

正确一：我先想清楚，再让 AI 执行

输入的质量决定输出的质量。我在让 Qoder 写代码之前，一定会先想清楚：

  • 要做什么功能
  • 这个功能在什么场景下用
  • 有什么边界条件和约束

输入越清晰，输出越满意。

正确二：AI 给方案，我做选择

AI 列出选项，我来拍板。这是一个协作模式——AI 提供信息，我基于经验和判断做决策。

Qoder 的输出：可行方案 A / B / C
我的角色：基于业务场景和经验，选择 A

正确三：持续学习，保持判断力

学得越多，越能用好 AI。这不是一句空话——你学的不是"AI 已经会的东西"，而是判断 AI 输出质量的能力。

  • 学了架构，才能判断 AI 的架构方案好不好
  • 学了设计模式，才能判断 AI 推荐的模式合不合适
  • 学了业务知识，才能判断 AI 生成的方案有没有遗漏需求

从原则到实践：Harness 工程让人真正控制 AI ​

上面讲了"人主动，AI被动"的原则。但原则需要落地——怎么确保人真的在"主动"位置？

这就是 Harness 工程要解决的问题。Harness 不是技术工具，而是让人控制 AI 的工程框架。

人控制 AI，还是被 AI 控制？

左右两种模式的核心区别是什么？右边多了一层 Harness 约束框架。没有 Harness，AI 的输出不受控，人只能被动接受。有 Harness，人在每个关键节点都有介入点——定规则、划边界、做裁判、先确认、验数据。

Harness 工程的五大手段，每一条都是"人控制 AI" 的具体落地：

Harness 工程：让人控制 AI 的五大手段

这五个手段就是本书第二部分（01-08 章）的核心内容。它们不是孤立的技术功能，而是一个控制体系——从规则约束到边界定义到独立审查到文档先行到数据验证，人在每个环节都有抓手。

如果你看完这五个手段之后回头再看前面那张"被 AI 控制 vs 人控制 AI"的对比图，你会发现：所谓"被 AI 控制"，本质上就是缺少了这五个手段中的任意一个或多个。

职业发展：AI 时代的人才要求 ​

以前会写 CRUD、会写 SQL 就能找到一份不错的工作。这些是纯粹的体力活——把业务逻辑翻译成增删改查，把需求翻译成数据库脚本。但 AI 来了之后，这类苦活、累活、没有技术含量的活，AI 全干了，不需要你来做。

未来的程序员首先是架构师 ​

以前你可以不懂操作系统、不懂网络工程、不懂软件工程、不懂架构模式，照样能干活。因为你不懂，也有人帮你做了——框架封装好了，中间件配好了，你只要照着模板写就行。

但现在不行了。AI 把底层的重复劳动全部消化掉之后，留给人的工作就是设计和决策。

你需要系统学习：

  • 操作系统：理解进程、线程、内存管理、IO 模型——AI 生成的代码有没有性能问题，你得看得出来
  • 网络工程：理解 TCP/IP、HTTP、负载均衡、容灾——系统挂了你知道从哪排查
  • 软件工程：理解需求分析、架构设计、测试策略、持续交付——你知道怎么组织一个项目
  • 架构模式：理解分布式、微服务、事件驱动、CQRS——AI 给了你方案，你得能判断哪个是正确答案

这些不是"学了用来写代码"的，是"学了用来判断 AI 写的代码对不对"的。

编程只是开始，所有内容生产行业都一样 ​

不只是编程。编辑、设计、特效、动画——只要 AI 能够生产内容的行业，对人的要求都会更高。

AI 可以生成一篇通顺的文章，但它写不出有立场的评论。AI 可以渲染一段视频，但它做不出有审美的剪辑。AI 可以画出一张图，但它画不出有情绪的设计。

AI 不能替代的是人的思想、人的品味、人的喜好。

产品思维是未来的核心竞争力 ​

我做过产品总监，产品思维和技术思维最核心的差异是什么？

  • 技术思维：考虑的是怎么跟机器打交道——效率、性能、稳定性、可维护性
  • 产品思维：考虑的是怎么跟人打交道——用户想要什么、什么体验好、什么打动他

为什么产品思维在 AI 时代更重要？因为产品恰好是 AI 不擅长的领域。

不同人群的画像完全不同：精神小妹喜欢什么、白领精英在意什么、Z 世代追求什么、中年老登关心什么——这些喜好背后是截然不同的生活经验和价值取向。AI 可以统计数据，但它无法真正理解"为什么这群人喜欢这个"。

产品思维 ≠ 产品经理 ​

有意思的是，纯软件产品经理反而可能是被 AI 替代得最快的那一批。因为产品经理的工作——写 PRD、画原型、做竞品分析——大部分 AI 都能完成。

我现在公司一个刚毕业的运营，通过 AI 配合 Skill 训练，已经能独立做出完全可运行的原型了。

AI 时代需要的是产品思维与技术能力的融合。

一个程序员如果只有技术思维，他会被 AI 替代——因为 AI 比他更会写代码。但如果他有产品思维，他就能用 AI 把想法变成产品——这样的人，AI 是替代不了的。

反之，一个产品经理如果只有产品思维没有技术能力，也会被替代——因为 AI 能帮他写 PRD、画原型，而他的核心价值消失了。

科技发展是区分人的阶层的阶段 ​

回顾历史，每一次科技革命都在做同一件事：拉大人与人之间的差距。

工业革命让体力劳动者分化了——能操作机器的人留下了，只靠体力的人被淘汰了。信息革命让知识工作者分化了——能驾驭信息的人崛起了，只会重复劳动的人被边缘化了。

AI 革命也是一样。它不会让所有人变强，它只会让本来就有判断力、有品味、有产品思维的人变得更强，而那些依赖重复劳动生存的人，会发现自己做的事已经被 AI 替代了。

所以问题不是"AI 会不会替代我"，而是"我能不能往上走一层"——从执行者变成设计者，从写代码的人变成决定代码该写什么的人。

学好 Harness 工程比学好提示词更重要——提示词是让 AI 更好地执行，Harness 是确保你始终在掌控位置。这本书第二部分讲的 Rule、AGENTS.md、独立审查、文档先行、数据验证，就是让你从"被 AI 牵着走"变成"用 AI 实现想法"的五把钥匙。

本章小结 ​

角色擅长不擅长
人提出问题、判断方向、对结果负责快速检索、重复执行
AI快速执行、信息检索、方案展开做决策、模糊判断、承担责任

最好的协作方式：人想清楚方向，AI 快速执行；人做决策，AI 提供信息；人持续学习，AI 处理重复。

关联：下一章用 Qoder 做自媒体的实际案例，展示这个协作模式如何落地。