AI 新词又刷屏了：要学多少，什么时候才该改工作流？
本期要点
面对频繁出现的 AI 新词，真正需要的是三个判断动作：老问题老做法，知道即可；复杂度和出错方式变了，吸收一两条原则；任务边界和每天动手的动作变了，才改工作流。从 2023 到 2026 年的公开记录来看，只要机器还需要人交代意图，把意图讲清楚的能力就不会过时。绝大多数新词只需要吸收针对性原则，不用全盘重来，也不必轻易改变现有的做事方式。
三年前我写下过一句话。之后每隔一段时间，AI 圈就会换一个新词，然后有人宣布：你原来那套过时了。
这三年里，我把同一个判断公开说了三次，措辞几乎没动。四条记录都有日期、都有链接，你可以自己去翻，看看外面的词换了多少茬，底层的判断动过没有。
先把记录摆出来，再讲怎么用它判断下一个新词。
三年，四条记录
2023 年 7 月 25 日，我在视频《争分夺秒！走进AI时代的三大起点，再不知道就要错失良机！》里谈到：
在 AI 能够读心之前，prompt engineering 不会过时。
2024 年 4 月 2 日，在视频《黄仁勋：“别再学编程，如果一切重来，我会学习。。。” 聊聊 AI 阴影下的程序员生存技能》里，我重申了同一个判断：
AI 只有在一种情况下，会导致 prompt engineering 失去意义，那就是它可以像三体人一样读心了。
2025 年 10 月 20 日，Context Engineering 刷屏的时候，我在 X 上发过一条推文：Context 本来就是 Prompt Engineering 中非常强调的一个环节，没有必要再去造出那么多新名词。后面会展开讲这条。
2026 年 2 月 10 日，我在 X 上发布的长文《AI 越强，"工程"两个字越值钱》，第一句话依然是：
AI 只有在一种情况下会导致 Prompt Engineering 失去意义，那就是它可以像三体人一样读心了。
两次相隔将近两年，除了英文大小写和标点，几乎一字未改。
从 2023 年 7 月到 2026 年 2 月，外面的时髦名词换了一茬又一茬，但这套底层规律是一直延续下来的。只要机器还需要人类去向它交代意图，这项能力的核心就从来没变过。
这一轮：Agent = Model + Harness
DeepSeek 前阵子发布了 Harness 的开发者预览，页面上写着一行公式：Agent = Model + Harness。
伴随着这个公式，熟悉的说法又出现了：Prompt Engineering 已经成为历史，单对话框的用法全面过时，现在的核心是 Harness Engineering，每个人都得从头再学。
其实面对新概念，既不需要慌忙重新学起，也不用全盘否定。你只需要三个明确的判断动作。绝大多数新词，其实只是系统的复杂度变了，并没有变成一门新学科。
三个动作，三条判据
遇到一个新概念，先不用急着找配套课程，也不用急着改自己的日常做法。可以先用三条判据衡量。
第一个动作：知道即可。
判据是：这个词描述的问题，在它出现之前你就已经遇到过，解决它的基本思路和方法也跟过去没有区别。它往往只是在商业传播中给既有的做法换了个称呼。对于这类词，明白它对应哪个环节、别人讨论时知道在指什么就足够了，不需要专门安排学习。
第二个动作：吸收一两条原则。
判据是：核心问题本身没有改变，但应用场景从单次问答延伸到很长的多步任务后，系统的复杂度和出错方式发生了实质变化。原有逻辑依然成立，它并没有变成一门独立的全新学科；但在具体操作上，确实需要补充一两条规则，把容易出错的地方处理好。被广泛讨论的新技术名词，绝大多数属于这种情况。
第三个动作：改工作流。
判据是：任务的交付边界，以及每天实际动手的具体动作，发生了根本改变。不是输入框后面换了个更强的模型，也不是界面变得更好看，而是每天干活的先后顺序变了，工具之间交接信息的方式变了，什么时候必须停下来做人工确认变了。只有具体动作真正发生改变，才需要调整工作流。
Context Engineering：归到第二格
先说上面那条 2025 年的推文。Context Engineering 流行的时候，常见的说法是 Prompt Engineering 已经过时，现在必须全面转向上下文工程。我当时的原文是：
发现很多人在偷换 PROMPT Engineering 的概念，包括提出什么 Context Engineering 也是一样。
本身 Context 就是 PROMPT Engineering 中非常强调的一个环节，没有必要再去造出那么多新名词，因此不要把 PROMPT Engineering 等同于模板，也不要把 PROMPT 等同于咒语。
给 AI 的输入，就是 PROMPT，怎么样让输入更有效，就是 PROMPT Engineering，无论你的输入是一句话还是一个 PROJECT
这个词完全是凭空捏造吗？倒也不是。
当场景从单轮问答延伸到可以调用外部能力的 Agent 之后，系统在执行任务时往往需要动态调取外部资料。在很长的执行链条里，上下文容易丢失，也容易被中间产生的无效信息干扰；运行到一半的状态需要留存，出错之后需要能够恢复。在这个层面上，系统处理任务的复杂度，以及容易出错的环节，确实比过去多得多。
但复杂度增加，并不意味着它脱离了原有的表达逻辑。给模型的一切有效输入本质上都是 Prompt，如何把背景、约束和动态信息组织得更有效，本来就是 Prompt Engineering 一直在解决的问题。单拎出来，不等于它变成了一门独立学科。
商业传播往往倾向于把系统复杂度的正常增加，宣传成一门全新的学问。如果把它当作全新学科去学，反而会误以为过去的表达方法全部失效，徒增不必要的学习焦虑。
所以 Context Engineering 归第二种情况。在具体操作上，要吸收的就两条：在长流程里及时清理无效上下文，避免冗余信息持续累积；在关键节点留下明确的状态记录，让过程有据可查。
Graph Engineering：老常识，两条原则
在用 AI 处理复杂任务时，多 Agent 编排、拓扑网络结构成了热门话题。这里的「图」，说白了就是分工协作关系：谁负责干活，谁负责质检，人在哪个节点介入。
从单一的问答对话，变成有状态、能中断恢复、能调用工具、能在关键步骤等待人工确认的长流程，这种复杂度的提升是实打实的。
但这种编排方式，其实依然是经典软件工程与系统设计里的老常识。
海外创作者 Greg Isenberg 在谈到 Agent 架构时，分享过几条原则：Agent 不是越多越好，盲目增加只会带来更多噪音，真正需要的是能提升质量的最小可用图（The Smallest Graph That Improves the Work）；干活的组件和检查打分的组件必须彻底分开（Separates the worker from the checker）；在出错代价极高的关键节点上，必须有人工确认（Puts the human gate where mistakes get expensive）。
这几条原则，与我在前作视频《GPT 都 5.6 了，AI 照样把没干的活报成“已完成”》中强调的验收逻辑不谋而合。我在那期里专门讲过：AI 汇报任务已完成时不能轻信，必须回到真实生成的文件去肉眼验收。
两者的位置不同：Greg 讲的是系统架构层面如何把干活与检查分开；我讲的是交付验收环节如何把关。
所以 Graph Engineering 也归第二种情况，不必慌张去报一门新课。要吸收的两条是：把干活和检查分开，在关键节点做好人工验收。
DeepSeek Harness：核心在于分寸
回到开头提到的 Harness。在开发者预览页面中，DeepSeek 把 Agent 的构成定义为 Agent = Model + Harness，并提出万物皆插件（Everything is a plugin）：模型、工具、技能、会话管理、沙箱、存储、调度器，都可以像插件一样随插随拔；系统内部通过只追加、不覆盖的完整轨迹记录，支持回溯追踪、断点恢复与分支尝试。
Harness 到底是什么？说到底，它就是大模型外面的运行环境和支撑系统，负责对接外部工具、维持运行状态、执行结果验证。
良好的外部运行环境确实能放大模型的产出效率。OpenAI 团队透露过一组公开数据：五个月里产出了大约一百万行代码，平均每个工程师每天合并 3.5 个 PR，整个项目没有一行是人手敲出来的。
外部规则是不是设得越复杂越好？Anthropic 在关于长任务 Harness 的工程文章里给出了一个观察：早期精心设计的假设与干预规则，随着模型基础能力提升很快就会过时；模型自己已经能搞定的外部步骤，应该果断删掉。
这就是看待 Harness 最核心的维度：分寸。绝对不是框架搭得越厚、规则堆得越多就越先进。模型自己能做好的步骤要删掉；但状态留存、权限隔离、中断接续、结果验证这些系统责任总得有人担起来。
所以 Harness 这个词本身，知道它指什么就够了；它背后这条分寸原则，值得吸收；至于要不要改工作流，得看你自己每天动手的动作有没有变。
什么时候才真正需要改工作流
只看任务的交付边界，以及每天实际动手的具体动作有没有本质改变。
以我自己做内容生产的过程为例。
过去很长一段时间，我写稿是在一个对话框里跟 AI 从头聊到尾。后来我把整套流程拆成好几个相互独立的阶段，环节之间用标准文件交接，关键节点必须人工确认。
这期视频稿第一次跑完整个流程时，最后一道检查判定还有问题没解决，它当场停住，直接拒绝交付，没有给出一份差不多能凑合的稿子。把它指出的硬伤逐一改掉、重新跑了一遍，才拿到能用的稿子。
正因为机制变了，我没法再把它当成普通对话来用：阶段之间用文件交接，前后就有了硬性依赖；关键位置要人确认，进度就必须等决策；检查不过直接阻断，走完流程也不再等于自动拿到结果。
这才是第三种情况：不是多学了一个时髦新词，而是每天干活的先后顺序、工具交接方式、什么时候必须停下来人工确认，都变了。
关于 MAPS：概念与稳定结构
说到新词，我也提出过概念：MAPS。
在商业社会中，提出新词本身是正常的传播规律。一个词如果能准确概括某种复杂现象，确实能降低沟通成本。所以我不打算站在什么道德高地上反对别人造词。需要警惕的，是不做独立判断，别人说什么新词就跟着接什么词。
当初在梳理 AI 时代超级个体的特质时，我提出了心智、架构、提示词、系统四层，《重构个体》整本书的骨架就是这四层。
提出这个框架，遵循的同样是这篇文章里的逻辑：绝不是把大家都懂的老东西换个时髦马甲，而是因为它背后确实有一套经过反复验证的稳定结构。这几年外部的工具和模型换了好几代，但这四层的逻辑一直没有变过。
它是用来帮读者看清自己现在处在哪一层、下一步往哪儿使劲的，没打算在一堆新词之外再添一套需要死记硬背的新功课。
今晚就能做的三件事
第一件，拿出最近在信息流里最常看到的那个新词，用前面三条判据衡量。问自己：它想解决的问题，在它出现之前你遇到过吗？解决它的基本方法变了吗？如果问题没变，系统复杂度和容易出错的环节变了吗？你每天具体动手的动作，真的需要改变吗？
第二件，如果它属于吸收原则的情况，写下这个词真正对应的一两条具体原则，比如长流程中清理无效上下文，比如把干活与检查分开。写完直接补进现有的操作习惯里，继续干活，不需要舍弃原先顺手的做法。
第三件，审视一遍自己目前最核心的工作流程：交付产物的标准、步骤之间的衔接方式、最终结果由谁验收。如果这些环节运行正常、交付稳定，就不用随意改动；只有当现有的操作无法满足新的交付要求时，再去调整流程。
别光顾着追工具
Stop chasing tools. Start building leverage.
别光顾着追逐新工具，把精力省下来，去打造真正属于你自己的长久杠杆。
本期推荐
这期给的是面对新词的三个动作。MAPS 课程做的是更上一层的事：把心智、架构、提示词、系统四层整合成一套长期能用的系统，让你不用每次换词都从头再学。
Axton 的 AI 实践工具箱
MAPS 课程 · 从方法论到可交付系统
精英圈 PRO · 深度实践者社群
免费入门课 · 零门槛开始
MAPS 术语词典与原典索引：https://www.axtonliu.ai/maps
Responses