过去的两年里，我们讨论 AI 与工作的关系，大多停留在「AI 能不能取代人类」这个层面。

但如果你真正用过 WorkBuddy、Claude Code、Cursor 这类工具，你会发现真正发生变化的不是「取代」，而是协同方式。

问题的核心不在于 AI 有多聪明，而在于——AI 以什么形态存在于你的工作流中。

什么是 Harness

Harness 直译是「驾驭工具」，在 AI 领域指的是包裹在 LLM 外面的那层执行框架。

一个裸的 LLM 只能做一件事：接收文本，输出文本。它没有记忆，没有文件系统，没有身份，不能上网，不能执行代码。

Harness 做的事情就是在 LLM 之上构建一切让它「能干活」的东西：

┌─────────────────────────────────┐
│         用户意图（自然语言）       │
├─────────────────────────────────┤
│  身份层：AI 是谁？偏好是什么？     │
│  记忆层：之前的上下文、项目背景     │
│  工具层：文件、命令、搜索、生成     │
│  连接层：MCP / API → 外部系统     │
├─────────────────────────────────┤
│          LLM（推理引擎）          │
└─────────────────────────────────┘

模型是引擎，Harness 是整辆车。光有引擎跑不了，得有轮子、方向盘、刹车。

协同的三个层次

Harness 与人类的协同不是一蹴而就的，它分三个层次：

第一层：助手（Assistant）

你说，它做。做完了给你看，你确认。

这是目前大多数 AI 工具所处的阶段。你给指令，AI 执行，结果交给你审。人是决策者，AI 是执行者。

典型场景：「帮我把这个 Excel 的数据清洗一下」「帮我生成一份周报」。

这个阶段的价值是省时间——把重复性的、机械的工作丢给 AI。

第二层：搭档（Collaborator）

你给方向，它自己规划路径、调用工具、完成任务，遇到判断点回来跟你确认。

WorkBuddy 目前在这个层次。你不需要告诉它每一步怎么做，你给一个目标，它自己拆解任务、选择工具、执行操作。中间有关键决策时，它会主动问你。

典型场景：「帮我把秋秋下周的学习计划排好，周二周四有鼓课」——它自己读历史文件、生成排程、导出文档，不需要你逐步指导。

这个阶段的价值不只是省时间，而是省心力。你不需要事无巨细地指挥，只需要给方向和把关。

第三层：自治体（Autonomous Agent）

你给目标，它自主完成全流程，包括与其他 Agent 协作。

这是 A2A（Agent-to-Agent）协议描绘的未来。你的 Agent 和别人的 Agent 直接对话、谈判、交易，人类只在关键节点介入。

典型场景：你的 Agent 跟供应商的 Agent 谈价格、下订单、跟踪物流，全程自动，只有金额超阈值时才需要你审批。

这个阶段的价值是规模化——一个人可以同时管理几十上百个 Agent，每个 Agent 处理一条业务线。

人类在哪里

每往上一层，AI 的自主性就高一分，人类的介入就少一分。那人类还剩下什么？

三样东西：

1. 意图定义

AI 能帮你做事，但「做什么事」是人定的。AI 不会自己想出一个商业策略，不会自己决定孩子的教育方向。意图的定义、方向的把控，始终是人的核心价值。

2. 判断与取舍

AI 可以生成十个方案，但选哪个？这涉及价值观、风险偏好、人际关系的判断——这些 AI 做不了，也不该做。Harness 的设计中，「human-in-the-loop」不是技术限制，而是责任边界。

3. 关系与信任

商业合作的本质是信任关系。你的 Agent 可以跟供应商的 Agent 自动谈价格，但「要不要跟这家供应商合作」这种涉及长期信任的决策，需要人来做。

MCP 是协同的基础设施

上面说的三个层次，都依赖一个前提：AI 得能碰到真实世界的东西。

第一层，AI 要能操作文件、执行代码。第二层，AI 要能连接你的系统、调用你的工具。第三层，AI 要能跟其他 AI 通信。

MCP（Model Context Protocol）就是在解决这件事——给 AI 一个标准化的接口，让任何系统都能被 AI 调用。

一个博客系统实现了 MCP，AI 就能自动发文章。一个 ERP 实现了 MCP，AI 就能自动查库存。一个邮箱实现了 MCP，AI 就能自动处理邮件。

MCP 的意义不在于「又一个 API 标准」，而在于它让 Harness 从「能操作本地文件」进化到「能操作整个数字世界」。

一个正在发生的例子

这篇文章本身就是协同的产物。

如登想发两篇博客。他没说具体怎么发，只说了主题和「两种方式都试试」。

然后 AI 做了这些事： 1. 访问博客网站，了解它的架构和内容 2. 发现博客有 MCP 接口，探测端点地址 3. 从历史记录中找到之前的认证配置 4. 配置 MCP 连接、验证 Token 5. 撰写两篇文章 6. 通过 MCP 协议直接发布

如登定义意图（发什么、怎么发），AI 规划路径并执行。中间有需要判断的地方（比如 Token 来源），AI 主动问。最终交付时，文章已经在线了。

这就是第二层协同的样子。不是「帮我写一段文字」，而是「帮我完成一件事」。

未来工作方式的图景

想象一下三年后的工作场景：

你早上打开电脑，AI 同事已经把昨晚跑完的数据分析整理好了，发现了一个异常指标，建议你关注。你扫了一眼，说「深挖一下」，它自动调用了三个数据源做了交叉验证，生成了一份诊断报告。

你看完报告，说「给供应商发个询价」。你的 Agent 自动通过 A2A 协议联系了三家供应商的 Agent，收到了报价，做了比价，把推荐方案推到你面前。

你选了一家，Agent 自动下了订单、排了到货提醒、更新了库存预测。

全程你只说了两句话，做了两次判断。

这不是科幻。MCP 让 AI 连上了系统，A2A 让 Agent 之间能通信，Harness 让这一切有了一个可靠的执行框架。基础设施已经在搭建了，剩下的是时间和生态。

写在最后

工作方式的变革不是「AI 取代人」这么简单。真正发生的是：人类从执行者变成了指挥者和判断者。

Harness 是这个变革的载体——它让 AI 从一个「会说话的搜索引擎」变成一个「能干活的同事」。

MCP 让这个同事能碰到你的系统。A2A 让这个同事能跟别的同事协作。而人类，站在这一切的上面，定义意图、做判断、建立信任。

这不是人类的终结，而是人类工作价值的升维。