交付代码的成本已经接近免费了，但交付好代码的成本依然很高。Harness Engineering 做的事情，就是把"好代码"的标准写进系统里，让 AI 在约束下自己干活。
过去一个月，我们在搭建一个面向本地生活业务的分析类 Skill，让 AI 能像资深分析师一样做经营诊断、归因拆解和趋势预测。业务覆盖几十个行业，每个行业有独立的经营框架和指标体系，复杂度远超一个 prompt 能承载的范围。搭建过程中，我们经历了三次架构重构（V1 → V2 → V3），每次都是被真实问题逼出来的。这篇文章完整复盘了这个演进过程，最终提炼为六条 Skill 架构设计原则。如果你正在搭建领域知识密集型 Skill，或正面临「prompt 越写越长但效果越来越差」的困境，这篇文章或许能够提供一些思路。每章独立成节，可按需跳读。
淘宝闪购爆品团业务排序模型过去很长一段时间更像是在“堆模块”：遇到一个问题，就补一个结构。短期看，这种方式能持续拿收益，但当模型越做越大，结构碎片化、计算不够稠密、调参成本高等问题会越来越明显。这次爆品团排序模型升级，核心不是再增加一个局部模块，而是把主干从传统 DLRM 架构切到 Token-Based 的 RankMixer 架构。围绕这条主线，我们系统做了负采样、多任务学习、序列建模、Tokenization、FFN、MoE 和 Task Tower 等结构消融。多期迭代后，模型规模从 85M 扩展到 107M，再到 243M，并在爆品团频道页取得了稳定线上收益。
在 ChatGPT 刚出现的时候，它聊起天来似乎无所不知，但一旦你问它：“明天的天气怎么样”，它会告诉你：它无法获得当前最新的信息。它很聪明，却像一个瞎子——你只能让它写写诗、和它聊聊天；想让它做实际的事，它却看不见，动不了。 而在几年后的今天，它已在我们工作的角角落落下场干活！它不再仅是聊天工具，而是真正帮我们解决实际问题。 它如何长出了眼睛和手脚？核心靠的是：Agent（智能体） 和 Skill（技能）。
当客户不再只是人类，当竞争的不再只是流量和注意力，当越来越多的商业流程实现“Human not in the loop”，那些互联网时代习以为常的经验，或许都需要重新学习，甚至主动遗忘。本文中，杨斌教授提出“To A ”这一概念，试图为AI次方时代正在到来的商业新场域，提供一种新的观察框架与思考起点。
