本文指出随着AI模型在代码生成基准测试中取得高分，Coding环节已趋近被解决，但研发整体效率并未同步提升，瓶颈已转移至编码之外的环境与验证环节。作者通过类比电气化革命中从“电力轴传动”到“单元驱动”的转变，批判了当前将AI简单嵌入原有固定工作流（Spec驱动）的做法，认为这限制了AI的自主性且收益线性递减。文章主张转向“环境与验证驱动”，即停止在提示词编排等易被模型迭代抵消的领域过度投入，转而致力于将企业内部构建、部署、测试、监控等研发系统改造为AI可调用的工具和环境，使AI能自主获取反馈并独立运转。这种围绕自有环境资产的投入能与模型能力形成乘法效应，从而持续放大AI带来的生产力红利。
本文以百亿补贴详情助手 Skill 的迭代历程为例，总结 Skill 研发与迭代实践。文章先梳理业界方法论——Claude Skills 的渐进式披露与控制调优、MiniMax 的工业化规范、以及常见的 Skill 设计模式；随后从架构设计、研发效能、运行优化 3 个维度展开详细介绍了桥接器解耦本地 Skill 与远程 Agent、按需共享上下文、优先输出优质 HTML 报告等高效实践，帮助读者提高 Skill 研发效能。
我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造了架构拆分、稳定前缀、渐进式披露、代码图谱、CLI 替代 MCP、长期记忆按需索引、工具调用并行化等 10 个方向。整体全流程预估降本 50%~65%。
DeepSeek Harness（DSH）是 DeepSeek 开源的 Agent Harness，由 Cordis 微内核驱动，采用"一切皆插件"的架构。模型、工具、持久化和 Agent loop 都可以按需组合。Harness 很像 Agent 的"驾驶舱"：它把模型的思考和工具的执行串成一个循环，让 Agent 不只是回答问题，还能持续规划、动手，并根据执行结果决定下一步。DSH 开源后，社区很快开始围绕它开发各种插件。随着生态逐渐成熟，我们相信会有越来越多团队用它构建自己的 Agent 产品。不过，本地跑通单机 DSH 并不难，难的是基于 DSH 构建一个能够稳定服务大量用户的生产级 Agent 应用。我们真正需要回答的，已经不是"能不能跑"，而是"怎样跑得稳、跑得省，还能方便扩展"。
