大模型告别做题家时代

梁文锋是个很有意思的人。他不热衷融资、不搞团建、不社交，公司不到200人，下午六七点下班，在中国科技圈简直是一股清流。

昨天看了晚点的稿子，写DeepSeek在V4发布前夕的状态，有很多让浪哥印象深刻、且深有同感的细节。

比如，deepseek不加班，因为梁文锋认为，一个人每天能高质量输出的时间，很难超过 6~8 小时，加班疲劳会让判断力下降，反而浪费算力资源；再比如，梁文峰在工作中只做少数事情，但要做得细致、做到极致。

依然让人心生敬佩。

但看稿子也能感觉到，deepseek现在到了一个微妙的转折点了：核心研究员陆续出走，期权价值不明，Agent方向的产品经理刚开始招，编程工具还没影。

这家曾经靠极致效率和开源碾压全场的公司发现，仅仅专注提升大语言模型的智能上限，已经不够了。

这不怪deepseek，而是行业已经转向。

过去两年，大模型领域的做事逻辑特别像高考，跑分就是分数线，Benchmark就是考场，谁的分数高谁就是状元。

但现在，OpenAI在搞Agent，Anthropic在搞Claude Code，Google在搞多模态，所有头部玩家都在回答同一个问题：模型怎么真正帮人把活干完？

这就像一个高考状元发现，用人单位的面试官翻了翻你的成绩单，点点头说"不错"，然后问你：“能不能独立完成一个项目？能不能做好团队协作？遇到没见过的问题你怎么办？”

大模型告别做题家时代了。

01

职场的要求不一样了

要理解新的竞争到底比什么，有一个现成的鲜活案例。

3月31日，Anthropic的明星产品Claude Code，闹出了代码泄露的大乌龙，变成了真正open的AI了。

吃瓜群众扒完代码之后，发现Claude比大家想象的还更厉害，专业分析有很多，就不细说了，划重点就是一句话：Claude真正的竞争力，远不止模型本身。

模型当然还是核心，没有Claude强大的推理能力，什么系统都白搭。但光有模型，就像光有一个智商160的天才，你把他丢到一个陌生的工地上，没有图纸、没有工具、没有安全规范，他照样干不成活。

Claude Code那51万行代码干的事情，就是给这个做题家配置上打工人需要的能力。简单看几个例子就明白——

省钱的能力。每次调用API都是真金白银，Claude Code把System Prompt切成“不变的部分”和“经常变的部分”，不变的部分缓存起来反复用，变的部分才重新生成。这个Benchmark不会考，但降本有多重要，打工人都知道。

知道什么时候该问人的能力。Claude Code搞了一套四层递进的安全机制——配置白名单、工具自检、一个专门判断“这条命令危不危险”的小模型、最后才是弹窗问用户。这就像一个靠谱的新员工，拿不准的事不会闷头干，但也不会事事都去问领导，绝大多数情况自己就处理了。这个Benchmark当然也不会考，但它直接决定了用户敢不敢把真实的代码仓库交给AI。

记性好的能力。对话一长，模型就会“忘事”。Claude Code的方案不是硬塞一个向量数据库，而是把对话历史压缩成一份结构化的摘要——目标是什么、做了哪些决策、代码改了哪里——存在本地文件里。简单，但有效。就像每个人每天都写工作文档，第二天大家翻一翻就能接着干。

这些东西没有一项是“模型更聪明、考分更好”就能解决的，它们解决的是另一个层面的问题：怎么让一个聪明的模型在真实世界里稳定、高效、安全、可持续地干活。

这也意味着，大模型同学走出学校、进入职场，别人对你的要求就变了。

02

好马也要配好鞍

科技圈向来擅长发明各种黑话，这么大的转折点，黑话肯定少不了。

最新很火的一个，就是跟这有关的，叫Harness Engineering。

Harness这个词，本来是马具的意思——套在马身上，不是为了束缚它，而是为了让马的力量按照你要的方向释放出来。

用在AI这儿，意思就是：模型是那匹马，Harness是那套缰绳、马鞍和方向盘。

这个概念怎么出圈，浪哥特意去考古一下，发现有两个关键节点。

第一个是2026年2月5日，在工程界的江湖地位很高的一位老兄，Terraform的作者Mitchell Hashimoto，写了篇文章讲自己从拒绝到拥抱AI的心路历程，其中提了一条核心原则：

任何时候你发现Agent犯了错，就花时间设计一个方案，确保它永远不再犯同样的错。

听着像废话对吧？但你仔细品品，它的潜台词是：竞争力不在模型里，在你怎么驯服模型的那套系统里。模型会犯错，这是天性；但你的系统能不能把每一次犯错变成永久性的改进，这是手艺。

第二个关键节点更早一些。1月5日，Google DeepMind的工程师Philipp Schmid发了一篇博客，甩出一句引起行业大讨论的话：

“The Harness is the Dataset.（Harness本身就是数据集）”

这话的杀伤力在哪？

说白了就是：好的Harness能记录下模型在真实任务中的完整轨迹——它看到了什么信息、做了什么判断、在哪一步翻了车、最后怎么修好的。这些轨迹，反过来就是训练下一代模型最有价值的燃料。

也就是说，谁先把Harness跑通，谁就率先启动了一个数据飞轮——系统越好，数据越好，模型越好，系统又更好。

大模型和它周围的驾驭系统，不再是两件事，而是一个共生体。

03

欢迎来到真实的世界

所谓AI一日，人间一年。回头看大模型短短这几年，其实走过了三个阶段：

2022到2024年，大家琢磨的是怎么问——Prompt Engineering，写好提示词，把模型的能力哄出来。

2025年，进化到给什么上下文——Context Engineering，把对的信息在对的时候塞给模型。

到了2026年，竞争升级到怎么搭整套系统——Harness Engineering，从工具调用、记忆管理、成本控制到安全防护，全盘考虑。

竞争颗粒度在一步步变大：从一句话，到一段信息，到一整套系统。

这趋势已经是共识了。

几个月前，MiniMax创始人闫俊杰在罗永浩的播客访谈里，反复讲一个判断：模型能力正在趋同。中国公司用美国1/50的资源，就能做到95%的性能。5%的差距当然存在，但它已经不是决定胜负的变量了。

这几天，MiniMax交出上市后的首份财报，闫俊杰给了几个新的判断：编程领域会开始出现L4–L5级别的智能，从“工具”走向“同事级”协作；办公领域接下来一年，会复刻去年编程领域的进步速度；多模特会走向“直出可交付”的中长内容，甚至出现接近实时输出的形态。

每一个都指向更系统的能力，更全面的要求，更可靠的执行，而不再是简单的模型参数和跑分。

回到deepseek。

晚点稿子里，有一段话特别重要：即将发布的 V4，大概率仍是开源最强模型，但很难是碾压级的强。因为现在不同场景的不同开发者和用户对 “强” 的标准和体感已越来越多元。

有个很好的参照例子，就是跟V4同样预计在4月发布的腾讯混元新模型。按照以往的剧本，这又该是一轮“谁的分数高”的跑分大战，混元的分数，估计也会被deepseek摁地上摩擦。

有意思的是，在告别做题家的新语境下，混元的压力反而没那么大了，因为比的不再是两张考卷的分数，而是两套系统在真实场景里，谁更能把活干完。之前晚点说，姚顺雨上任后，明确要求混元团队“不以打榜为导向”——也是意识到考试分数已经没那么重要的，更重要的是，做一个更适配腾讯的大模型。

但对deepseek来说，这也意味着一个学霸，不能再继续呆在象牙塔里埋头研究了，你得走到更大的系统里，去适应新的游戏规则了——

你聪明当然好，但能不能用好工具、能不能跟同事做好协作、能不能在复杂系统里找到自己的位置、犯了错能不能自我修正……这些在考场里根本不考的东西，反而决定了你能否成事，职业生涯能否走得更远。

欢迎来到这个真实的世界，deepseek同学，祝你好运。