很多人听说我还在使用网页版 GPT 写代码时第一反应往往是错愕。在这个自动化 Agent 横行、AI 已经可以直接读取仓库并提交代码的时代手动复制粘贴看起来似乎是一种“返祖”行为。在主流认知里网页版 AI 只能做些查报错、写单函数的边角料工作而全自动的 Code Agent 才是代表未来的生产力。但在我回头审视自己长期借助 GPT 维护和重构大型系统的过程时我发现了一个有趣的悖论我实际上一直在做 Code Agent 该做的事只不过这个控制一切的 Harness 不是工具而是我自己。昂贵的不是算力而是项目的“世界观”人们常常误以为 CodeX 等工具的昂贵在于底层模型的强大。但实际上如今任何一个优秀的大模型都能轻松完成写函数或设计数据结构的基础工作。真正困难且昂贵的是后续的上下文衔接它需要知道项目中哪些沉淀了五年的“祖传代码”虽然不优雅但绝不能删。它需要理解一个看似微小的参数调整会如何引发底层逻辑的连锁反应。它需要预判特定接口的改动是否会违背用户的核心交互习惯。一个成熟的 Coding Agent其核心卖点并不是“生成代码”而是让 AI 获得整个项目的世界观。然而对于一个持续迭代的庞大系统而言最完整的上下文并不在 PostgreSQL 里更不在代码注释里而是在开发者的脑子里。它们存在于历次线上事故的复盘中存在于社区玩家的争议中也存在于每一次艰难的架构抉择中。人形 Harness用架构思维放大 AI 能力很多人以为大型项目必须仰仗团队。但实际上当一个人长期深入并掌控一个系统后他本身就会进化成这个系统的 Harness——即连接 AI 与真实业务运行环境的绝对控制层。我不让 GPT “帮我开发功能”我是用 GPT 放大我的架构落地能力。这套工作流极其强调秩序与边界链路精准拆解将需求拆解为完整链路从用户输入、Command 路由、Handler 处理一直穿透到缓存与数据库层明确告知 AI 需要介入的具体节点。手术刀式修改拒绝模糊的“重构”指令要求 AI 提供影响面最小、可搜索且可精确替换的方案绝不触碰或污染其他独立模块。双向边界校验代码生成后不盲目接收强制要求 AI 反向描述此次修改的辐射边界并与我脑中的“系统地图”进行严格对齐。直到 AI 理解的边界与我的架构预期完全一致代码才会被放行。物理隔离的优势手动复制即架构 Review在大型系统里让 AI 全自动修改文件并非永远是优解。每一次手动的复制与替换本质上都是一次微观级别的 Code Review。当 AI 给出修改位置时这种“物理隔离”的操作方式强制我停下来回忆这个模块的上下文是什么为什么这里允许改动当我将代码粘贴进编辑器的那一刻人工审查就已经完成了。看似 AI 少自动化了一步实则是架构师多把控了一层而这一层正是系统稳定性的生命线。一人公司的终极壁垒全域上下文传统观念认为一人公司缺乏协作与分工。但在 AI 时代这反而构成了最难被复制的优势上下文零损耗。在大型团队中产品、技术、运营与用户反馈之间的信息传递必然失真。而作为长期维护项目的创始人我同时兼具了技术架构、产品逻辑、玩家诉求与商业运营的全域视角。我接收到的不只是代码需求还有整个生态的运转脉络。未来一定会涌现出更强大的自动化部署与测试 Agent。但面对一个复杂的真实业务系统核心问题永远是谁来定义正确谁拥有这个系统真正的世界模型如果不能深刻理解项目拥有再强的自动化 Agent 也只是加快了制造 Bug 的速度。AI 永远是发动机工具只是方向盘而真正决定系统去向的依然是那个完全掌握“世界模型”的驾驭者。一个人之所以能长期维护一个大型生态不是因为他比一支团队更强而是因为他本身就是这个系统最不可替代的上下文。