最近 AI 相关的新概念、新技术一波接一波，光是跟着名字走都够人忙一阵。前几天还在聊这个新框架，过几天又冒出一个新说法。最近比较火的是 Harness Engineering。它大意上是在讨论，怎么把模型接进一个可执行、可验证、可反馈的闭环里；但你要再追问一句，Harness 到底是什么，又很容易越说越虚。有人干脆把它理解成模型之外的一切，可这样一来，反倒什么都没说明白。

可真往下想，会发现所谓 Harness，很多时候恰恰就是程序员最熟悉的代码和软件。代码会把任务拆成清楚的步骤，交给运行时去执行，也允许调试、测试和重跑。对“让 AI 解决问题”这件事来说，它不只是最终产物，更像是把问题先整理成某种可落地形式的中间层。

这一点在数字任务上特别明显。直接让 LLM 从一堆数据里生成统计结论，常见的情况是文字完整，数字却不对。可如果把任务改成“先写一段 Python，读取数据，完成统计，再给出报表”，结果通常会稳很多，因为真正的计算被交给了解释器。这也不只是零散技巧。已经有一些研究专门比较过两种做法：一种是让模型直接在自然语言里一步步计算，另一种是让模型先把解法写成小程序，再交给解释器执行，后者在数值和多步推理任务上通常会更准。

数学里也有类似路数。陶哲轩谈 AI 与数学形式化时提到，更稳的做法往往不是让模型直接写自然语言证明，而是先把问题写进形式语言，再交给工具检查或推进。这个例子在这里不是重点，只是说明同一件事：很多任务一旦有了合适的中间层，结果就会可靠不少。

所以我越来越觉得，那种“软件会被智能体替代”或者“软件会变成按需生成的即抛型产物”的说法，只说对了一半。AI 辅助甚至主导软件开发，的确是现在进展最快的领域之一。但软件先爆发，不是因为它更简单，也不是因为它更不值得人做，而是因为这里本来就有现成的一整套支架：语法、编译、解释、测试、diff、review、CI、回滚。模型一接上去，能力就比很多别的行业更容易落地。

对程序员来说未来的机会可能在这些问题上：哪些场景只要补上一层很薄的代码，AI 处理起来就会顺手很多；接口要不要更清楚，流程能不能重跑，结果能不能核对，失败后能不能恢复，本质上也都是同一类事。技术变化太快，未必追得上每一个新词，但沿着这个方向看，至少更容易找到自己愿意投入的地方。