Garry Tan在YC内部倡导的智能体工程三原则，本质上是对Unix哲学"do one thing well"的现代演绎。当行业还在争论模型参数量时，真正的100x工程师已经在实践这套架构原则。

Steve Yegge说使用AI编码智能体的人"比今天使用Cursor和聊天的工程师生产力高10-100倍，比2005年的谷歌员工高约1000倍"。

这个数字是真实的，但人们往往归因于错误的解释：更好的模型、更聪明的Claude、更多参数。

实际上，2倍和100倍的人使用的是相同的模型。

差异不在于智能，而在于架构。

架构分层的本质

Fat Skills层：用Markdown编写的技能文件，承载模糊判断和领域知识。这不是prompt engineering，而是用markdown作为编程语言，人类判断作为运行时的软件设计。

一个技能文件就像一个方法调用。它接受参数，用不同的参数调用时，相同的程序会产生完全不同的能力。

考虑一个名为/investigate的技能，它有七个步骤：确定数据集范围、构建时间线、对每个文档进行日记化、综合、论证双方观点、引用来源。它接受三个参数：TARGET、QUESTION和DATASET。将其指向安全科学家和210万封发现邮件，你会得到一个医学研究分析师确定举报人是否被压制。将其指向空壳公司和FEC文件，你会得到一个法证调查员追踪协调的竞选捐款。

Fat Code层：确定性逻辑的代码实现，保证执行可靠性。SQL查询、编译代码、算术运算——这些应该永远留在确定性空间。

Thin Harness层：仅200行代码的轻量框架，负责基础连接。它的工作就是运行模型循环、管理上下文、调用工具、确保安全。

反模式是带有薄技能的厚约束。你见过：40多个工具定义吃掉一半上下文窗口。具有2-5秒MCP往返的全能工具。将每个端点变成单独工具的REST API包装器。三倍的令牌、三倍的延迟、三倍的失败率。

相反，你需要的是快速且狭窄的专用工具。一个每个浏览器操作只需100毫秒的Playwright CLI，而不是需要15秒进行截图-查找-点击-等待-读取的Chrome MCP。这快75倍。软件不再需要珍贵。构建你需要的，仅此而已。

技能文件的进化特性

YC创始人活动反馈系统的案例显示：

这种设计使得每个技能文件都是永久升级。凌晨3点仍能自动运行，新模型发布时所有技能自动受益。

Chase Center，2026年7月。六千名创始人参加创业学校。每个人都有结构化申请、问卷答案、1对1顾问聊天记录，以及公开信号：X上的帖子、GitHub提交、显示他们发货速度的Claude Code记录。

传统方法：15人的项目团队阅读申请，凭直觉判断，更新电子表格。在200名创始人时有效。在6000名创始人时崩溃。没有人能记住那么多档案，并注意到AI代理基础设施队列的三个最佳候选人是拉各斯的开发工具创始人、新加坡的合规创始人和布鲁克林的CLI工具创始人——他们在1对1聊天中用不同词语描述了相同的痛点。

模型可以。方法如下：

丰富化：一个名为/enrich-founde的技能拉取所有来源，运行丰富化，进行日记化，并突出创始人说的内容和他们实际构建的内容之间的差距。确定性层处理SQL查找、GitHub统计、演示URL的浏览器测试、社交信号拉取、CrustData查询。一个cron每晚运行。六千个档案，始终保持新鲜。

日记化输出捕捉到关键词搜索找不到的东西：
FOUNDER: Maria Santos COMPANY: Contrail (contrail.dev) SAYS: "AI代理的Datadog" ACTUALLY BUILDING: 80%的提交在计费模块。她正在构建一个伪装成可观察性的FinOps工具。

那个差距——"说"与"实际构建"——需要阅读GitHub提交历史、申请和顾问记录，并同时记住所有三个。没有嵌入相似性搜索能找到这个。没有关键词过滤器能找到它。模型必须阅读完整档案并做出判断。（这是放在潜在空间的完美决策！）

社区讨论

开发者ByteCrafter的观察很有代表性："我们花了数周构建复杂框架，后来发现智能体在与框架对抗而非协作。简化成上下文加载器后，效率直线上升"

Sam Ward团队的方案更彻底：智能体的全部"智能"来自启动时加载的Markdown，框架仅负责连接模型和工具。升级时只修改Markdown，不动代码。

forgedynamicsai评论道："这立即就明白了。我最终几乎到达了相同的地方：薄的LangGraph约束，厚的剧本，无情的潜在与确定性分离。CFO = 纯Python用于信任。顾问 = 潜在判断 + 用于综合的记忆。复合部分是真正的解锁：每周运行 → 结果 → 校准 → 剧本变得更好。你抓住了架构。"

边界迁移现象

Claudia在讨论中指出一个有趣现象：确定性代码需要上下文判断时，会自然迁移到技能层。当开发者不再抗拒这种迁移，架构就会趋于稳定。

这解释了为什么Garry Tan强调"在正确的层做正确的事"。他在开源项目gstack中展示了如何用200行CLI框架支撑23种专业角色。

每个步骤在你的系统中属于以下两类之一，混淆它们是代理设计中最常见的错误。

潜在空间是智能所在的地方。模型阅读、解释、决定。判断。综合。模式识别。

确定性是信任所在的地方。相同的输入，相同的输出。每次都是。SQL查询。编译代码。算术。

一个LLM可以为8个人安排晚餐座位，考虑个性和社交动态。要求它为800人安排座位，它会幻觉出一个看起来合理但完全错误的座位表。这是一个确定性问题——组合优化——被强制放入潜在空间。最差的系统将错误的工作放在这条线的错误一侧。最好的系统对此毫不留情。

工程纪律的价值

Garry制定的铁律直击本质：

如果同一件事问智能体两次就算失败
需要重复的工作必须先手动跑3-10个样本
批准后固化为技能文件或cron任务

这种纪律带来的复利效应，比追求更聪明的模型更有价值。当整个行业还在争论模型参数量时，真正的100x工程师已经在实践这套架构原则。

ChaiBytesAI指出："没有人谈论的日记化部分是它也是你构建复合知识的方式。每次代理跨来源阅读并做出判断时，该输出就成为下一次运行的上下文。代理不仅仅是调查，它在调查方面变得更好。我在为客户风险构建AI代理时看到了这一点。第一次跨账户数据库、票据和代码运行是缓慢而广泛的。但系统学会了对该特定客户重要的模式，每次后续运行都变得更敏锐。这就是厚技能的真正解锁。它们不仅仅是可重用的，它们会复合。"

系统会自我强化。构建一次，永远运行。

正如Garry Tan所说："我最近发给我OpenClaw的一条指令引起的共鸣超出了我的预期：一千个赞和两千五百个书签。人们认为这是一个提示工程技巧。它不是。这是我一直在描述的架构。你写的每个技能都是对你系统的永久升级。它永远不会退化。它永远不会忘记。它在凌晨3点你睡觉时运行。当下一个模型发布时，每个技能立即变得更好——潜在步骤中的判断改进，而确定性步骤保持完美可靠。"

本文转载自​​​​AI工程化​​，作者：winkrun