大家好我是Tony Bai。在过去一年你有没有想过为什么同样用着 GPT 或 Claude 等大模型以及Claude Code这样的Coding Agent有的人生产力只提升了 2 倍而有的人却能爆发出100倍、甚至 1000倍的惊人能量就在前几天硅谷创投界的大佬、Y Combinator 的 CEOGarry Tan发表了一篇阅读量高达 70万 的长文极其犀利地揭开了这个“效率鸿沟”背后的残酷真相。他引用了 Google 前员工 Steve Yegge 的一个惊人论断“使用 AI 智能体Agent的人比现在用 Cursor 和聊天窗口的人效率高 10-100 倍比 2005 年的 Google 工程师效率高 1000 倍。”Garry Tan 写道“这不是吹牛我亲眼见过我亲身经历过。”他甚至爆出一个猛料2026 年 3 月 31 日Anthropic 意外地将 Claude Code 的全部 51.2 万行源码泄露到了 npm 仓库。他读完了。“这次泄露证实了我在 YC 一直教导的东西秘密根本不在大模型本身而在那个包裹着模型的‘驾驭层Harness’”今天我们就来读读 Garry Tan 这篇文章看看硅谷最顶尖的玩家是如何通过“薄驾驭厚技能Thin Harness, Fat Skills”的架构哲学来榨干大模型的每一滴潜能的。你的“胖驾驭”正在杀死你的 AI在文章的开头Garry Tan 就毫不客气地指出了当下大多数 Agent 框架的“原罪”臃肿的驾驭层和孱弱的技能。我们大多数人是怎么做的我们给 AI 挂载了 40 多个 Tool Calls每一个工具都对应一个外部 API。结果就是光是这些工具的定义就吃掉了上下文窗口Context Window的一半大模型每次行动前都要在几十个工具中艰难地做选择题不仅推理速度慢得像乌龟出错率更是高得离谱。Garry Tan 给出的架构哲学恰恰相反推崇“薄驾驭Thin Harness”驾驭层Harness只做四件事——循环运行模型、读写文件、管理上下文、执行安全策略。代码量可能只有 200 行。推崇“厚技能Fat Skills”将所有复杂的业务逻辑、判断力、领域知识全部封装成一个个可复用、可参数化的 Markdown 文件即“技能Skill”。“反面教材就是一个臃肿的驾驭层配上一堆孱弱的技能。……你想要的是专为特定目的打造的、快速且狭窄的工具。”五大心法从“写 Prompt”到“编程 AI”Garry Tan 认为大模型的瓶颈从来不是智商。它天生就会推理、综合、写代码。它之所以频繁失败是因为它不理解你的数据、你的规范、你问题的具体形态。而下面这五个定义正是修复这个问题的“架构级补丁”也是“薄驾驭厚技能”哲学的具体体现。心法一技能文件Skill Files—— 用 Markdown 写“方法调用”这是最颠覆认知的一点。Garry Tan 认为优秀的 Skill 文件工作起来就像一个函数调用Method Call。它接受参数并且根据不同的参数产生完全不同的能力。他举了一个名为/investigate的技能为例。这个 Skill 只有 7 个步骤圈定数据集、构建时间线、标注文档、综合信息、正反方辩论、引用来源。当你把这个 Skill 指向一个安全科学家的 210 万封邮件它就变成了一个医学研究分析师。当你把它指向一家空壳公司和 FEC 的文件它就变成了一个法务调查员。“这根本不是提示词工程。这是软件设计。你用 Markdown 作为编程语言用人类的判断力作为运行时。”心法二解析器Resolvers—— AI 的“智能路由表”技能文件告诉模型“怎么做”而解析器告诉模型“在什么时候加载什么上下文”。Garry Tan 坦白他自己曾经写过一个长达 20000 行的CLAUDE.md文件里面塞满了各种他遇到过的奇技淫巧。结果导致模型注意力严重下降甚至 Claude 自己都“告诉”他让他删掉点。最终的解决方案是把这个巨大的文件拆成了一个只有 200 行的“指针”文件和一个解析器Resolver。“当一个开发者改了代码没有解析器他直接提交了。有了解析器模型会先去读取docs/EVALS.md这个文件说先跑评测套件对比分数如果准确率下降超过 2%就回滚并调查。”解析器就像一个智能的“路由表”在不污染上下文的情况下按需加载最精准的知识。心法三潜在空间 vs. 确定性—— 别让 AI 做数学题这是 Agent 设计中最常见的错误让 AI 去做它不擅长的事。潜在空间Latent Space这是 AI 的主场。它负责阅读、理解、判断、综合、模式识别。确定性Deterministic这是传统代码的主场。SQL 查询、代码编译、数学计算。“一个 LLM 可以帮你安排 8 个人的晚宴座位它会考虑每个人的性格和社交关系。但你让它去排 800 个人的座位它会幻觉出一个看似合理、但完全错误的座位表。因为这是一个确定性的组合优化问题应该交给传统算法。”最牛逼的系统对这条边界的划分是冷酷无情的。心法四倾向分析 —— 让 AI 拥有“判断力”这是让 AI 从“数据库”进化为“分析师”的关键一步。倾向分析就是让模型读取关于一个主题的所有信息然后写出一份结构化的、浓缩了判断力的简介。Garry Tan 以 YC 内部正在构建的、管理 6000 名创始人的 AI 系统为例传统的关键词搜索根本无法发现一个伪装成“可观测性”工具的 FinOps 项目。但通过倾向分析AI 读取了创始人的所有 GitHub 提交、访谈记录、公开帖子后会给出一个惊人的洞察“创始人Maria Santos。公司Contrail。声称在做‘给 AI Agent 用的 Datadog’。实际在做80% 的代码都在写账单模块。她其实在做一个伪装成可观测性的 FinOps 工具。”这种“判断力”是任何 RAG 管道都无法产生的。模型必须真正地去“阅读”和“思考”。心法五技能即永久升级这是 Garry Tan 架构哲学的最终闭环。他给自己团队的 AI Agent 下了一条铁命令“你绝不被允许做一次性的工作。如果我让你做一件事而这件事未来可能需要再做一遍你必须第一次手动在 3-10 个样本上完成它把结果给我看。如果我批准了你就必须把这个过程固化成一个 Skill 文件。如果它应该自动运行就把它加到定时任务里。测试标准如果我需要为同一件事第二次开口你就失败了。”每一次你写下的 Skill都是对你的 AI 系统的一次永久性升级。它永不衰退永不遗忘。当下一代更强的模型发布时你所有的 Skill 都会在一夜之间变得更聪明。小结Garry Tan 的这篇文章为所有在 AI 时代感到迷茫的开发者提供了一套极具实操性的架构蓝图。它告诉我们当大模型的能力趋于同质化时真正的护城河不在于你拥有哪个模型的 API 访问权限而在于你为这个模型构建了怎样一个高效、智能、且能源源不断自我进化的“外部大脑”。这个“大脑”就是你沉淀下来的“厚技能Fat Skills”资产。不要再沉迷于寻找那些能一键生成整个项目的“魔法按钮”了。慢下来像一个真正的软件设计师一样去思考你的流程、你的判断、你的领域知识。然后把它们一一固化成 Markdown。构建一次它将永远为你运行。资料链接https://x.com/garrytan/status/2042925773300908103 今日互动探讨看完 YC 掌门人的这套“薄驾驭厚技能”心法你对自己目前开发 Agent 的方式有什么新的反思你认为用 Markdown 来“编程”AI 的想法是天才还是异端欢迎在评论区分享你的看法如果本文对你有所帮助请帮忙点赞、推荐和转发点击下面标题干货- 还在当“上下文搬运工”我写了一门课帮你重塑AI开发工作流- 告别单打独斗Claude Code 全新“Agent Team”模式当 AI 开始组队干活- 为什么你必须把 Agent Skills 开发变成严谨的软件工程?- 都在用 OpenClaw 跑 Skill但你写的“技能”为什么总让 AI 频繁罢工- AI 时代的新王座为什么说 Go 可能是开发 AI Agent 的最佳语言- 停止“氛围编程”Vibe Coding拥抱新一代软件工程- Git 即数据库Beads (bd) —— 专为 AI Agent 打造的分布式任务追踪引擎 还在为“复制粘贴喂AI”而烦恼我的新极客时间专栏《AI原生开发工作流实战》将带你告别低效重塑开发范式驾驭AI Agent(Claude Code)实现工作流自动化从“AI使用者”进化为规范驱动开发的“工作流指挥家”扫描下方二维码开启你的AI原生开发之旅。