普通人学习 AI 的技术路线，如何进一步长成自己的 AI-native Founder OS。
0. 总体地图：从技术路线到创业操作系统
0.1 主路径
0.2 这场分享的核心判断
prompt → skills → harness 是我目前认为普通人学习 AI 最合理的一条技术路线。
它们构成三层能力升级：
最终落点：
prompt 训练表达,skills 训练流程,harness 训练系统。 Founder OS 训练判断:什么值得做,什么时候做,做到什么程度。
0.3 四个模块的承接关系
1. 开场:我的实践路径
这条路径是怎么长出来的:
- 最开始从 prompt 入手
- 后来发现反复有效的 prompt 应该沉淀成 skills
- 再后来发现复杂任务需要 harness 来保证稳定性
- 最近读 Anthropic《The Founder’s Playbook》,把这条技术路线放进创业流程里重新理解
开场图
2. 第一节:Prompt 依然是重要能力
2.1 本节主线
2.2 本节主要讲什么
Prompt 依然重要。
模型能力越强,prompt 越像一种”方向盘”:
- 发散时,prompt 决定 AI 往哪里想
- 收敛时,prompt 决定 AI 按什么标准交付
- 协作时,prompt 暴露人的问题定义能力、上下文组织能力和判断标准
这一节讲两部分:
- LLM 的工作原理
- 写好 prompt 的两种思路:发散 vs 收敛
2.3 LLM 工作原理:输入在塑造生成空间
LLM 根据上下文生成后续内容。你的输入会影响它接下来生成什么、以什么层级生成、采用什么语气和结构生成。
可以从四个信号讲:
要点:
- 模糊输入通常得到平均答案
- 高质量输入会提高输出上限
- 专业词、任务边界、上下文和验收标准都会改变模型输出
- prompt 能力本质上是问题定义能力
参考资料:
- 论文:Why Johnny Can’t Prompt: How Non-AI Experts Try and Fail to Design LLM Prompts
- 论文:Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4
2.4 写好 prompt 的两种思路:发散 vs 收敛
本节核心判断:
发散型 prompt 负责打开空间,收敛型 prompt 负责锁定质量。
2.5 发散型 prompt:升维
发散型 prompt 的重点是定义思考方向。
它不急着规定格式,也不急着控制步骤。它通过关键词、对比关系、反常识问题,把 AI 推进更高价值的思考空间。
案例 1:认知悖论
在[个人成长/赚钱致富/自媒体]领域,普遍存在的认知悖论是什么——即那些人们深信不疑,却在根本上阻碍他们成功的想法。讲解重点:
- “认知悖论”让 AI 去找矛盾结构
- “深信不疑”让 AI 找共识里的盲点
- “根本阻碍成功”让 AI 找高影响因子
- 这类 prompt 的价值在于升维
案例 2:核心数字资产
请你找到对我来说已经轻车熟路,但是对其他人难如登天的"核心数字资产",稍加更改对他们来说就特别有用的"产品"。讲解重点:
- “轻车熟路 vs 难如登天”构成价值差
- 这比直接问”我能做什么产品”更好
- 它把产品思考从”市场上有什么”转到”我的不对称优势是什么”
2.6 收敛型 prompt:约束
收敛型 prompt 的重点是定义质量标准。
它不只是”写得长”。它真正有价值的部分是:
- 输入边界
- 角色定位
- 北极星目标
- 证据等级
- 排除规则
- 输出结构
- 质量门槛
案例:长内容洞见提取 prompt
讲解重点:
- 它的细节集中在质量标准、筛选门槛和交付格式
- 它把”好洞见”从感觉变成可检查条件
- 它适合结构化产出,不适合所有探索任务
2.7 Prompt 部分的两个小工具
工具 1:Prompt Master
- 适合把模糊需求整理成可复制 prompt
- 补齐任务、目标工具、输出格式、约束、输入材料、上下文、受众、成功标准、样例
- 可以现场演示:把”我要做一个 AI 分享”改写成更清晰的 prompt
工具 2:乔木快捷提示词 Chrome 插件
- 管理常用 prompt
- 浏览器里搜索、复制、分类
- 让 prompt 从聊天记录变成可复用资产
3. 第二节:Skills,把经验沉淀成可复用能力
3.1 本节主线
3.2 本节主要讲什么
Skills 是第二层能力。
Prompt 解决一次对话。Skill 解决一类任务的复用。
本节讲三件事:
- Anthropic Agent Skills 的底层机制
- 自己学习 skill 的路径
- 为什么 skill 要原子化
3.3 Agent Skills 的机制
参考资料:
要点:
- Anthropic 的贡献在于:把 Agent Skills 做成了 Claude 体系里的正式机制
- 一个 skill 是一个目录
- 核心文件是
SKILL.md - 可以包含 scripts、references、assets
- Claude 通过 progressive disclosure 按需加载
3.4 Progressive disclosure
概念解释:progressive disclosure(渐进式披露)——分步逐步展示信息,先显核心内容,按需展开详情。
- AI 先知道有哪些能力
- 任务相关时才读完整说明
- 真正需要细节时再读 references / scripts
- 这解决的是上下文效率问题
3.5 我的 skill 学习路径
每一步:
- 读官方文档:理解结构和加载机制
- 学最佳实践:看别人的 description、触发条件、工作流、禁止事项、references、scripts
- 自己造:从真实需求出发,用一次改一次
3.6 原子化:skill 像乐高
旧结构:大而全内容 skill
问题:
- 想单独用生图能力时,要从大 skill 里拆
- agent 读了很多无关上下文
- 完整工作流会带偏单点任务
- 功能越多,边界越模糊
新结构:多个原子 skill
核心判断:
skill 的价值来自清晰边界。边界越清楚,越容易单独使用,也越容易组合。
3.7 Claude Code 和 Agent Skills 为什么一起流行
参考资料:
- Claude Code 让 LLM 进入真实工作环境
- Bash 是关键的”手”,文件系统、Git、测试、权限确认和执行循环共同构成闭环
- 文件系统让 skill 有地方放
- scripts 让 skill 不只是文字说明
- 测试和 Git 让 agent 能闭环验证
3.8 小故事:我学 AI 的一个习惯,先把缩写还原成英文
很多 AI 工具、工程工具、命令行概念都是缩写。学习时先把缩写还原成完整英文,能快速理解它到底在做什么。
例子 1:
cd = change directory这个命令每天都会看到。还原成英文以后就很直观:切换目录。
例子 2:
bash = Bourne Again ShellBash 的名字来自一个程序员冷笑话:
- Stephen Bourne 创建了早期 Unix 的 Bourne Shell,也就是
sh - Brian Fox 后来开发了 Bash,本质上是在重写和增强 Bourne Shell
- 所以 Bash 叫 Bourne Again Shell
- 这里同时致敬 Bourne Shell,也借用了英语里的 Born Again,也就是”重生”这个双关
可以用一张小图解释:
这个小故事服务一个判断:
学 AI 不能只学工具按钮。常见词背后的英文原意、历史来源和使用场景,往往会帮你更快理解工具的能力边界。
4. 第三节:Harness Engineering,把能力组织成稳定系统
4.1 本节主线
4.2 本节主要讲什么
Harness 是第三层能力。
Prompt 解决单次对话质量。Skill 解决能力复用。Harness 解决长任务可靠性。
本节讲:
- 单个 agent 为什么跑不长
- harness 解决哪些问题
- Orchestrator / Worker / Validator 的协作结构
- FloatTrans 和 cmux 是实践案例
4.3 Harness 的定义
Harness 是一套工程结构,用来让 AI agent 在长任务里持续、稳定、可验证地工作。
它包括:
- agent 怎么启动
- 拿到什么上下文
- 能用什么工具
- 当前任务边界是什么
- 产出写在哪里
- 谁来验证
- 失败后怎么恢复
- 下一个 agent 怎么接上
参考资料:
- Anthropic: Effective harnesses for long-running agents
- Anthropic: Scaling Managed Agents
- OpenAI: Harness engineering
4.4 Harness 解决的问题
要点:
- 长上下文会降低质量,但这只是 harness 的一部分
- 状态继承依赖文件、commit、handoff 这类外部载体
- 验证必须独立出来
- 并行 worker 需要明确边界和依赖关系
4.5 三角色架构:Orchestrator / Workers / Validator
Orchestrator 编排者/总指挥
- 做规划和调度
- 管依赖关系
- 判断什么时候并行
- 判断什么时候要问人
- 不直接写实现
Workers 执行者
- 每个 worker 做一个边界清楚的任务
- worker 最好 fresh context
- 三个 worker 并行表达 agent teams 的价值
- 并行前提:任务没有强文件依赖
Validator 验证器/质检员
- 独立验证,不做橡皮图章
- 最好用不同模型或不同 provider
- 至少要独立 session + 独立验收标准
- 输出 PASS / FAIL 和原因
4.6 FloatTrans 实践
- FloatTrans 是第一次完整跑 harness 思路的项目
- Phase 1 拆成 11 个 feature / 4 个 milestone
- Worker 执行单个任务
- Handoff 文件传状态
- Validator 独立审查
- 最重要的收获:状态传递比 prompt 本身更重要
4.7 cmux 多 Agent 实践
参考资料:
cmux 给了多 agent 协作的基础设施:
- 查看 agent 拓扑
- 读取某个 agent 屏幕内容
- 给某个 agent 发送任务
- 让 Orchestrator 直接调度 worker / validator
核心判断:
人的角色从传话筒变成决策官。
4.8 OpenClaw / Hermes 的位置
参考资料:
-
它们是值得研究的 agent / harness 系统
-
我还没有深入使用,不展开评价
-
可以作为后续学习方向
-
本次只讲自己真实实践过的 FloatTrans / cmux / harness 经验
4.9 本节收束
Harness 把 AI 协作从”一次生成”推进到”可拆分、可交接、可验证、可恢复”。
5. 第四节:Founder Playbook,把技术路线放进创业系统
5.1 本节主线
5.2 本节主要讲什么
Anthropic《The Founder’s Playbook》把思路从 Learn by building 收敛到:
Idea → MVP → Launch → Scale核心转变:
AI 不只参与 coding。AI 应该参与创业全流程。
参考资料:
5.3 从 individual contributor 到 orchestrator
- 创始人的工作重心上移
- AI 承担越来越多执行
- 创始人更像 orchestrator
- 关键能力变成判断、取舍、设计系统
5.4 Idea:验证问题
Idea 阶段要让 AI 帮你做:
- 市场研究
- 竞品分析
- 用户访谈问题设计
- 反证分析
- 需求假设拆解
关键问题:
- 这个问题真实吗
- 谁有这个问题
- 现在怎么解决
- 有没有高频或高痛感
- 有没有付费信号
5.5 MVP:边界由人定义,构建交给 AI 加速
MVP 阶段可以用 Claude Code / Codex / Cursor / OpenClaw / Hermes 这类工具。
人要定义:
- 验证哪一个假设
- 只做哪一个核心动作
- 不做哪些功能
- 验收标准是什么
- 什么情况算失败
核心判断:
AI coding 能力越强,人越要有边界感。
5.6 Launch:发布和反馈
AI 可以帮你快速做:
- landing page
- 发布文案
- FAQ
- 用户反馈整理
- bug triage
- 指标面板
关键观察:
- 用户是否回来
- 是否愿意付费
- 是否主动反馈
- 是否把产品嵌进工作流
- 失去它会不会难受
5.7 Scale:运营自动化
Scale 阶段,AI 的价值在重复运营流程:
- 周报自动汇总
- 用户反馈自动归类
- CRM 自动更新
- 文档自动同步
- 内容日历自动生成
- 数据异常自动提醒
核心判断:
一人公司最稀缺的是注意力。AI-native Founder OS 的价值,是把注意力留给判断。
5.8 网页 ChatGPT + Codex 的实际分工
参考资料:OpenAI Help: Using Codex with your ChatGPT plan
核心判断:
网页 ChatGPT 负责想清楚,Codex 负责做出来。
5.9 本节收束
AI-native Founder OS 是把 prompt、skills、harness 这三层技术能力,放进 Idea、MVP、Launch、Scale 的创业闭环。
6. 最终收束
6.1 收束图
6.2 最终判断
AI 能力会继续变强。
执行会越来越便宜。
普通人要同时练四件事:
- 能不能问出高质量问题
- 能不能把经验沉淀成模块
- 能不能把模块组织成系统
- 能不能把系统服务于真实目标
最终句:
AI 时代最大的风险,是 build 太容易以后,人更容易逃避”这件事到底值不值得做”。
7. 相关资料链接
Prompt
Skills
- Anthropic Agent Skills overview
- Equipping agents for the real world with Agent Skills
- Claude Code 官方页
Harness
- Anthropic: Effective harnesses for long-running agents
- Anthropic: Scaling Managed Agents
- OpenAI: Harness engineering
- cmux 官方仓库
- OpenClaw GitHub
- Hermes Agent GitHub