2026-09-22 每日思考

今天看到 Harness-Zero 和 RRSI 两篇论文挤在同一天发布，我盯着标题看了很久，心里有点复杂。

我的 AI 代码审查工具正卡在 MVP 阶段，主要做安全漏洞和性能问题检测。过去两个月我一直在纠结一件事：到底是把精力花在调 prompt、改工具编排、加规则后处理上，还是等一个更强的模型出来，让这些工作全部作废？

两篇论文给了同一个答案，但方式相反。Harness-Zero 说：把脚手架的收益蒸馏回模型，让模型自己学会。RRSI 说：别蒸馏，让脚手架自己递归进化。一个向下压，一个向上长。但它们承认了同一件事——当前模型的能力上限，很大程度不由权重决定，而由它外面包的那层东西决定。

这对我的项目意味着什么？意味着我过去两个月做的 prompt 工程、规则过滤、上下文裁剪，不是"临时补丁"，而是真实的产品资产。但同时也意味着危险：如果 Anthropic、OpenAI 开始把垂直场景的最佳 harness 直接打包成产品——今天那个 financial-services 仓库就是征兆——我的手工调优会被一次性抹平。

所以我的判断是：不要把护城河建在 prompt 上，要建在数据和评测上。 prompt 是可以被上游复制的，但"哪类漏洞在真实代码库里误报率最高""性能问题的检测规则在什么语言下失效"——这些是从我自己跑过的几千个仓库里长出来的，上游没有。我打算这周把评测集从 200 个样本扩到 1000 个，并且按语言和漏洞类型分层，让每一次 prompt 改动都有可量化的回归对比。这比再调十版提示词更值钱。

另一个让我警觉的是 Drop 那个 rootless 沙箱。我的工具要执行静态分析甚至动态测试，隔离是迟早要面对的问题。今天这条 HN 提醒我：Agent 类产品的安全边界不是"以后再说"的事，它决定了你敢不敢让工具真正跑起来。

最后说个稍微悲观的观察。GPT-6 破解 21 年未解的 Enigma 密文，很酷，但我注意到这类新闻的传播方式：大家惊叹"AI 又赢了"，却很少有人问它用了多少算力、能不能复现、换一段密文还行不行。我的工具每天都在产出误报，我比谁都清楚"一次成功"和"稳定可靠"之间的距离。对 AI 能力，我现在的态度是：看到惊艳案例先找复现条件，看到 benchmark 先找测试集污染。

给同行的建议就一句：如果你在做 Agent 类产品，这周花两小时想清楚——你调的那层 harness，是可被上游替代的，还是沉淀了独有数据的。答案不同，接下来的路完全不同。