Thin Harness, Fat Skills
文章的核心判断：100x 生产力主要不是模型更聪明，而是系统架构更正确。把 harness 做薄，把可复用判断沉淀成技能，把可信执行下沉到确定性工具。
1. Skill Files｜技能文件
可复用的 Markdown 流程文档，教模型怎样做，而不是替用户决定做什么。它像方法调用：同一套流程配不同参数，就能变成调查、匹配、富集或评审能力。
2. Harness｜运行壳
包在 LLM 外面的程序：循环调用模型、读写文件、管理上下文、执行安全边界。它应该很薄，用快速、窄口径工具，而不是塞进臃肿工具目录。
3. Resolvers｜上下文解析器
上下文路由表：出现任务类型 X 时，优先加载文档或技能 Y。用描述、指针和轻量规则替代总是加载的超长指令文件。
4. Latent vs Deterministic｜潜空间与确定性
潜空间适合判断、综合、模式识别和处理模糊性；确定性代码负责可信执行，例如 SQL、算术、编译代码、分配算法和可重复流程。
5. Diarization｜结构化人物/对象画像
这是分析师步骤：读完大量材料，保留矛盾和时间变化，再压缩成一页结构化 brief。它把原始检索变成可行动判断。
上层：Fat Skills｜厚技能
Markdown 流程承载判断、领域知识、步骤、样例和评测规则。大部分价值在这里；新模型变强时，这一层的能力会自动放大。
中层：Thin CLI Harness｜薄命令行壳
JSON 输入，文本输出，默认只读。它管理模型循环、上下文、文件访问、工具调用和安全，但不把系统知识吞进自己体内。
底层：Application｜确定性应用能力
QueryDB、ReadDoc、Search、Timeline、浏览器检查、API 拉取、embedding、座位分配算法等，提供稳定、可重复、可信的执行面。
方向原则
把智能上推到技能；把执行下沉到确定性工具；保持 harness 很薄。这样上下文更干净，延迟更低，失败面更可控。
YC 案例
创始人富集、活动匹配和事后改进都套用同一个模式：技能决定如何阅读和判断；确定性工具负责取数、搜索、统计、浏览器验证和座位分配。
学习循环
检索、阅读、diarize、计数、综合；再从问卷和弱反馈里调查、diarize、抽规则，并写回 skill 文件。技能文件会改写系统未来的行为。
主要反模式
厚 harness + 薄技能：几十个工具、慢 MCP 往返、REST endpoint 包装器、上下文膨胀、更高延迟和更多失败模式。