瘦Harness，胖Skill：100倍AI生產力的真正來源
這就是你如何達到Yegge 說的100 倍。是fat skills、thin harness（駕馭工程），以及把一切都系統化的紀律。系統會複利。建造一次，它永遠運行。
AI 生產力的爆發式成長並非源於模型本身的進化，而是取決於「Thin Harness, Fat Skills」的架構設計。
透過精簡的執行層與結構化的技能定義，開發者能將AI 的能力從「一次性工具」轉化為「持續進化」的基礎設施。
核心架構：厚技能與薄框架
真正的效率差距，不在模型本身，而在系統設計。
「Fat Skills（厚技能）」指的是以可重用的 markdown 文件形式，定義清晰的判斷流程與領域知識。這些技能文件描述的是「如何做一件事」，而非「要做什麼」，並能透過不同參數調用，產生多樣化結果。
「Thin Harness（薄框架）」則是驅動 LLM 執行的最小必要程序，僅負責四件事：讓模型在循環中運行、讀取與寫入文件、管理上下文、執行安全約束。其設計目標是極簡與高效，避免過度複雜的工具堆疊。
五大關鍵概念
1. Skill file（技能文件）：可複用的 markdown 文檔，承載判斷流程與領域知識。同一份文件，透過不同參數輸入，可應用於不同情境。
2. Harness（執行框架）：僅執行必要功能，避免臃腫。過度設計的「胖框架」會導致 token 消耗與延遲上升。
3. Resolver（解析器）：作為上下文路由表，決定在何時、何地載入哪份資料。它確保模型在正確時機獲得正確資訊，避免資訊汙染。
4. Latent 與 Deterministic（潛在空間與確定性）：潛在空間處理判斷與模式識別，確定性空間處理可重複的計算任務（如 SQL、編譯）。系統需明確劃分兩者，避免錯誤交疊。
5. Diarization（主題歸整）：模型需完整閱讀並整合多份資料，產出結構化知識圖像，這是傳統搜尋與 RAG 流水線無法達成的。
實際應用案例：Startup School 6000 個創辦人
系統透過「讀取 → 歸整 → 判斷 → 寫回」的循環，自動處理 6000 個創辦人的申請資料。
模型能識別出「說與做」之間的差異，例如：Maria Santos 自述為「AI agent 的 Datadog」，實際開發卻集中於計費模組，顯示其真實業務為 FinOps 工具。
系統還能根據 NPS 調查結果，自動提取「差一點就好」的反饋，並寫入新規則，持續優化匹配策略，實現無人重寫代碼的自我進化。
系統會複利增長
每一次技能的建立與執行，都是對系統的永久升級。當新一代模型發布時，所有技能會自動變強，而底層的確定性系統則保持穩定可靠。
這套架構不僅適用於創業者篩選，也可擴展至任何知識密集型工作場景。
關鍵在於：將「智能」推至技能層，將「執行」壓縮至確定性工具，並讓執行框架保持輕薄。
最終，AI 的效率提升來自「厚技能、薄框架」的系統設計，而非模型本身的參數數量。