Mitchell Hashimoto 的 AI 採用六階段：從丟掉 Chatbot 到 Harness Engineering
Mitchell Hashimoto（Ghostty、HashiCorp 創辦人）在 2026 年 2 月寫了一篇 全程親筆 的文章，描述他如何從 AI 懷疑者走到 Harness Engineering——並刻意聲明：在 AI 話題裡，他必須強調「這篇不是 AI 寫的」。
若你厭倦 hype，這篇的價值在節奏：他借用任何工具都會經歷的三階段——(1) 低效 (2) 夠用 (3) 改變工作流——並把六個可複製的步驟寫清楚。本文是 閱讀地圖 13 Phase 1 收尾，與 OpenAI 11、Fowler 14、LangChain 15 並讀：個人工作流 + 可累積的 Harness 紀律。
他對 Harness Engineering 的定義：Agent 越能一次做對、或只需極少修補，就越需要快速、高品質的工具自動告訴它錯了。 行業若已有更好術語，他願意換——重點是行為，不是造詞。
寫作姿態：測量、不說教、不站隊
Hashimoto 明確說：
- 不投資、不顧問任何 AI 公司（no skin in the game）。
- 尊重不用 AI 的選擇；此文不是說服文，只是分享導航方式。
- 景觀變太快，他預期很快會覺得自己 naive——但願意成長。
這種語氣在 Harness 討論裡少見：多數文章要麼賣產品，要麼宣布革命。他把自己定位成 software craftsman who wants to build stuff。
Step 1：丟掉 Chatbot 做正事
主張：立刻停止用 ChatGPT／網頁 Gemini 做有意義的編程工作。
Chatbot 仍有價值（他日常仍用），但編程上你是在賭模型靠訓練「猜對」，錯了就要你反覆糾正——在 brownfield 專案上極低效。
第一次「哇」與幻滅
他還是 AI 懷疑者時，把 Zed command palette 截圖貼給 Gemini，要 SwiftUI 復刻——結果好到離譜；Ghostty macOS 版 command palette 幾乎就是那次產出稍加修改。
但想把同一招複製到其他任務時屢敗。在既有專案裡 chat 常產出劣質結果，複製貼上程式與終端輸出讓他抓狂——明顯比自己做更慢。
轉折：必須是 Agent
Agent = 能聊天並在迴圈中呼叫外部行為的 LLM。
他認為最低限度要有：讀檔、執行程式、HTTP 請求。
這一步與 LangChain 15「裸模型不是 Agent」一致：沒有 Harness 迴圈，就只是聊天。
Step 2：重做你自己的 commit（最痛苦也最值得）
他開始用 Claude Code，起初不 impressed：幾乎每個產出都要修，修補時間 > 自己做。
他沒放棄，而是採極端練功：
每個手動 commit，都再逼 Agent 做出功能與品質等價的結果（且不能看到你的手動解法）。
等於每件事做兩遍——極折磨，因為擋住「把事情做完」。但他對非 AI 工具也有經驗：摩擦是學習期正常現象，沒耗盡努力就無法下結論。
自己推導出的原則（與社群後來說法一致）
- Session 拆成清楚、可執行的小任務——不要一個 mega session「畫完整隻貓頭鷹」。
- 模糊需求拆成 planning session 與 execution session。
- 給驗證手段——Agent 常能自己修錯、防回歸。
負空間：知道何時不要用 Agent
在 Agent 很可能失敗的任務上開 Agent 是純浪費。建立「負空間」認知本身就能省時間——模型迭代很快，他說自己必須不斷重訪這條邊界。
階段感受
到此他覺得 AI 夠用，願意放進工作流，但還不覺得更快——多在旁邊 babysit。這對很多讀者會共鳴：先夠用，才談改變工作流。
Step 3：離峰 Agent（End-of-Day）
假設：在本來也無法深度工作的時段讓 Agent 推進，是否「多賺」時間？
策略：每天最後 30 分鐘啟動一個或多個 Agent——不是「更多擠進工作時間」，而是用原本低效時間。
起初同樣煩且無效，但他找到幾類真的有用的工作：
| 類型 | 做法 | 產出 |
|---|---|---|
| 深度調研 | 例如找某語言某授權的所有函式庫，各寫多頁優缺點、維護度、社群情緒 | 隔天閱讀報告 |
| 並行探路 | 對幾個模糊點子各開 Agent，不求可 ship，只求揭露未知的未知 | 隔天選方向 |
| Issue／PR triage | 用 gh 腳本並行 spin up Agent 分類；不允許 Agent 代回覆 | 早上看報告，決定先做高價值／低 effort |
他沒有像某些人那樣讓 Agent 整夜 loop；多數任務半小時內結束。重點是：傍晚疲勞時，與其低效刷問題，不如啟動代理，隔天 warm start 更快進入狀態。
感受：開始覺得比 AI 前略多產出。
Step 4：外包 Slam Dunk
當他對「Agent 擅長什麼」信心很高後，下一步是：讓 Agent 包辦這些，自己同時做別的深度工作。
早晨流程：
- 看昨夜 triage Agent 的結果。
- 人工篩出「Agent 幾乎肯定能做好」的 issue。
- 背景一次一個跑 Agent（不並行多個）。
- 自己進入 pre-AI 那種深度思考模式——不是去刷社群或影片。
關鍵紀律：關掉 Agent 桌面通知
Context switching 非常貴。
必須是人決定何時去看 Agent，而不是 Agent 戳你。在自然休息點切過去看一眼即可。
技能形成（Anthropic 論文）的務實回應
外包的任務少練技能，手動做的任務仍自然練。他認為這是取捨：不是全面不學，而是選擇把熟練度投在仍想手做的任務。
他也點名：初階工程師若基礎不牢，技能形成問題尤其令人擔憂——這是社會討論，不是「因此不用 AI」的簡化結論。
階段感受
進入 「不可能回去」 區間：就算效率數據不明，也能把喜歡的編碼與必須做的雜務分離——這對資深維護者吸引力極大。
Step 5：Engineer the Harness（術語來源）
定義（他的話）：
每當 Agent 做錯事，就花時間工程化，讓它再也不會那樣做——他稱 harness engineering；若業界有更好的詞他會跟。
兩種形式（與 Fowler 14 guides/sensors 對齊）：
A. 更好的隱式 prompting — AGENTS.md
簡單反覆問題：跑錯命令、找錯 API → 寫進 AGENTS.md。
Ghostty 範例：AGENTS.md 幾乎每一行都來自一次壞 Agent 行為，加完後幾乎不再重犯。
這與 OpenAI 11 把規範機械化、知識地圖化是同一族，但 Hashimoto 的版本更個人化、逐行累積——適合單倉庫、高 commit 頻率的維護者。
B. 真正的程式化工具
腳本：截圖、跑過濾後的測試、其他可重現檢查。
並在 AGENTS.md 告知工具存在，否則 Agent 不會用。
與組織級 Harness 的差異：OpenAI 談百萬行與自訂 linter；Fowler 談 sensor 覆蓋率；Hashimoto 談你一個人也能每天做的小步外顯。
Step 6：總有一個 Agent 在跑
與 Step 5 同時推進的目標：
若沒有 Agent 在跑，就問自己「現在是否有可委派的事？」
他偏好慢而深的模型（例如 Amp 的 deep mode，類 GPT-5.2-Codex），小改動可 30+ 分鐘，但品質高。
現實數字與克制
- 一般工作日約 10–20% 時間能真的讓背景 Agent 有效運行——仍是目標，持續改進。
- 尚未、也不太想多 Agent 並行：一個背景 Agent 已是在「深度手作」與「有點笨但高產出的機器人」之間的平衡。
真正的瓶頸
不是「沒模型可跑」，而是能否持續產生值得委派的高品質任務佇列——這即使沒有 AI，也是資深工程師該修的系統。
Today：他現在在哪
文章結尾：他相信自己以務實、接地氣的方式在用現代 AI；是否 AI 會留下來他無所謂，只想做喜歡的軟體。
也預留「很快會覺得這篇 naive」——成長的代價是尷尬，他希望方向正確。
六階段不是線性必修課：你在哪裡
| 若你現況是… | 優先參考 |
|---|---|
| 還在用網頁 chat 改 production 程式 | Step 1 → Agent 工具 |
| Agent 總要大量改 | Step 2 重做 commit；檢查任務是否太大 |
| 有零碎時間沒用好 | Step 3 離峰 triage／調研 |
| 已知道 Agent 擅長項但還在手做雜務 | Step 4 + 關通知 |
| 同錯誤反覆出現 | Step 5 AGENTS.md + 腳本 |
| 想提高委派比例 | Step 6 + 任務佇列設計 |
與本系列三篇「理論／產品／組織」的關係
| 文章 | 視角 | Hashimoto 補什麼 |
|---|---|---|
| OpenAI 11 | 組織、百萬行、GC | 個人如何走到類似紀律 |
| Fowler 14 | 控制論、行為缺口 | 「每次錯誤 → sensor/guide」的日常版 |
| LangChain 15 | 元件目錄 | AGENTS.md、bash、腳本在叙事中的位置 |
| 本篇 | 採用史 | 情緒、時間、通知、技能取捨 |
啟示與建議：可本週執行的三條
- 選一個最近手動 commit，用 Agent 在看不見你解法的前提下重做一遍——只為學邊界，不為趕工。
- 加一條 AGENTS.md：對應「上週 Agent 最常犯的同一個錯」——一行即可。
- 關閉 Coding Agent 的桌面通知，固定兩個時段檢查結果。
小結
Harness Engineering 在 Hashimoto 筆下非常樸實：Bad Thing → 永遠不再發生；Good Thing → 可被工具驗證。 六階段描的是信任與委派如何漸進建立，不是「買哪個模型」的廣告。Phase 1 深讀至此；Phase 2 五篇見 閱讀地圖。
原文出處：
Mitchell Hashimoto（2026）. My AI Adoption Journey.
網址：https://mitchellh.com/writing/my-ai-adoption-journey