Summary
“Thin Harness, Fat Skills” 是 Garry Tan 提出的 AI Agent 架构原则：保持框架（harness）精简，将智能和判断力封装在技能文件（skills）中。核心观点是 100x 效率提升来自架构而非模型本身。
Key Points
三层架构
- Fat Skills（顶层）：Markdown 格式的技能文件，编码判断力、流程和领域知识。90% 的价值在这里。
- Thin CLI Harness（中间层）：约 200 行代码，JSON 输入、文本输出，默认只读，CLI 优先。
- Your App（底层）：确定性工具——QueryDB、ReadDoc、Search、Timeline。
核心原则
- 智能向上推入 Skills
- 执行向下推入确定性工具
- 保持 Harness 精简
五个定义
- Skill File - 可复用的 Markdown 流程，教模型 HOW 而非 WHAT
- Harness - 运行 LLM 的程序：循环、文件读写、上下文管理、安全执行
- Resolver - 上下文路由表：任务类型 X → 加载文档 Y
- Latent vs Deterministic - 潜在空间（判断）vs 确定性（信任）
- Diarization - 读取多文档，输出结构化摘要
效率提升的真相
“2x 人和 100x 人在用同样的模型。区别是五张索引卡大小的概念。”
Steve Yegge 的数据：AI 编码代理用户比 2005 年 Google 工程师高效 1000x。这不是因为模型更聪明，而是架构更好。
Skill File 如何工作
- 像方法调用（method call）：相同流程，不同参数产生不同能力
- Markdown 是代码：用模型能理解的语言描述流程和判断
- 参数化：
/investigate(TARGET, QUESTION, DATASET)可用于医疗研究或法务调查
反模式：Fat Harness
- 40+ 工具定义吃掉半个上下文窗口
- MCP 往返 2-5 秒延迟
- 3x token、3x 延迟、3x 失败率
正确做法：Playwright CLI 200ms 完成 Chrome MCP 需要 15s 的操作（75x 更快）
自学习循环
YC Startup School 案例：
/enrich-founder每晚分析 6000 创始人/match-*技能进行匹配（同一技能，三种调用）/improve读取 NPS 调查，自动改写匹配规则- 结果：12% “OK” 评级 → 4%
Evidence Timeline
- 2026-04-23: 从 gbrain 仓库 ingest，Garry Tan 在 YC Spring 2026 的演讲稿
相关页面
car-framework, diarization, latent-vs-deterministic, resolver, skill-file, skillify, curator, garry-tan, gbrain
- harness, harnesscard
- compound-engineering — CE 是 Thin Harness Fat Skills 理念的完整工程实践