从“复合型人才”到“系统架构师”：AI 原生时代个人能力的进化指南

摘要: 基于 2024 年旧文《AI 原生时代的复合型人才》与 2026 年 AI 行业半年观察，重新审视复合型人才五大核心特质的升维路径。当 AI 从聊天框走向 Agent、Skill 与 Harness 三层架构，提问力不再是对话框中的一行字而是系统编排的起点，品味从脑中直觉外化为可执行验收标准，智力诚实从内心独白进化为写进门禁的验证回路，指数增长从依赖个人意志变为持续运转的能力飞轮，好奇心则成为连接线下真实世界的锚点。文章最终指出，AI 原生时代对人才的要求已从“很会想”的独思者转向“很会搭”的系统架构师，而关键动作在于将个人判断标准封装为可复用 Skill、将长期目标拆解为 Agent 循环、并在 AI 输出处永远多问一句“这真的够好吗”。

1. 时隔两年，底层特质未变，载体却已升维

核心要点

AI 原生时代对人才的要求，已从 “很会想” 的独思者，转向 “很会搭” 的 系统架构师。

• 提问力→系统编排
• 品位→Skill 资产
• 智力诚实→验证回路

2024 年 6 月，我写过一篇读后感：AI 原生时代的复合型人才，究竟需要怎样的特质？，谈保罗·格雷厄姆（Paul Graham）的《How to Do Great Work》与 AI 原生时代复合型人才的关系。那篇文章里，我总结了五个当时看来颇为前沿的判断：

• 从“解决问题”到“发现问题”，提问力决定生产力；培养非共识的“品味”，才能逃离 AI 生成的“平均数”；
• 保持智力诚实与打破规则的勇气，以此抵抗 AI 的幻觉与平庸；
• 借助 AI 放大个人杠杆，实现复合指数增长；
• 在算力面前保持好奇——那是人类最后的底牌。

文章写于 2024 年 AI 问答爆发的时候，当时我们还在把 AI 当作“超级解答机”来用。而在 2026 年过去的这半年里，我也在 AI industry 中观察到了一组更深刻的范式迁移：从聊天框里的对话，走向能读文件、调工具、跑检查的 Agent；从单点的 Prompt 技巧，走向可复用的 Skill 封装；从个人的提问能力，走向系统化的 Harness 搭建。

重新整理旧文，我最大的感触是：特质仍是底层操作系统，但上层应用已经天翻地覆。当 AI 从“超级解答机”进化成能读文件、调工具、跑检查的 Agent，复合型人才之间的区别，不再只是“你想得清不清”，而是 “你能否把想得清的东西，变成 AI 可执行的系统”。

下面，我想借这半年多的观察，重新映射那五大特质在今天的落地形态。

2. 提问力进化：从写好 Prompt 到设计 Loop

回看 2024 年的旧文，我曾写道：PG 说“问题不仅导向答案，而且也导向更多的问题”，在 AI 时代，寻找答案的能力不再稀缺，稀缺的是提出绝佳问题的能力，而 Prompt 质量正是我们洞察力与品味的映射。

而在这半年多的观察里，这些观点找到了新的载体。

Greg Isenberg 把“搭 Agent”称为 Prompt Engineering 的成年版。在他看来，你不再只是给模型一句话然后等回答，而是要给 Agent 合适的上下文、接上工具、设好权限、让它记住必要信息，并知道何时该停下来检查自己。他建议的一个最小练习很接地气：做一个每日简报 Agent，读取三个信息源、看看日历、扫一遍笔记，先给你一版草稿，等你批准再发出去。

腾讯的 WorkBuddy 近期也成为国内日活很高的桌面 Agent，其核心逻辑正是把腾讯系能力（微云、问卷、地图、邮箱）Skill 化，让人用自然语言调度一整套系统。Decagon 的实践则更直白：企业先用昂贵的前沿模型验证场景，待输入分布明确后，再迁移到“小模型 + 深度微调”的开源权重——这背后，同样是定义问题边界再为边界选工具的能力。

我的新体会是：今天的“提问”，早已不是对话框里的一行字，而是一次系统编排。PG 说“问题导向更多问题”，现在你要建的是一个能持续产生子问题、自动执行、等待你验收的循环（Loop）。“初级用户写提示词，高级用户设计流程，真正的高手设计闭环系统” —— 这正是这半年多的观察中反复浮现的暗线。

当你让 Codex、Claude Code 或 WorkBuddy 等 Agent 去做事时，你实际在回答：“任务从哪来？谁执行？怎么检查？失败怎么办？状态记在哪？”。能把这串答案写清楚的人，才真正拥有了进化版的提问力。

3. 品味封装：从非共识判断到 Skill 资产

Paul Graham

除非我们知道什么是最好的，以及是什么使它成为最好的，否则我们不知道自己在追求什么。

旧文里我引用 PG 的话：“除非我们知道什么是最好的，以及是什么使它成为最好的，否则我们不知道自己在追求什么。”当时我感叹，AI 正在批量生产无差别的“及格线以上”内容，品味成了把稳方向盘的核心资产。

但真正的变化在于：品味不再只是脑中的直觉判断，而正在被翻译成可执行的标准。它从“把稳方向盘”的个人修为，变成了能让 Agent 千万次执行的系统输入。

我们在借助 Codex、Claude Code 等 Agent 构建知识库、学习系统、产品时，正在践行如何把“品味”封装成可执行的标准。比如：

学习方法 Skill 化： 把学习方法翻译成可执行任务，比如将费曼学习法翻译成“理解这个概念”，而是让学习者完成一组动作——用自己的话解释、找出含糊表达、补一个案例、再重新解释一次。

知识库 Skill 化： 把知识库构建与管理，借助卡片笔记法、Wiki 等方法论封装一套 Skills，比如“每张卡片限一个概念、必须双向链接、每周 review 孤儿卡片、每月导出知识图谱”，让知识库从静态文档变成 可执行的知识资产。

产品设计 Skill 化： 把产品设计翻译成可执行任务，比如将一个需求翻译成“质量标准：需求清晰、边界明确、可开发、可测试；失败处理：信息不足先提问”的 Skill，或者将一个功能翻译成“需求收集→方案设计→原型评审→开发验收”的 Loop。

Skill 比提示词稳定，比 Agent 简单，是 能力资产的中间层。当然，Skill 也慢慢有了同质化风险：当所有团队用同一套 Skill 做前端设计，产品会看起来一样。好的 Skill 应只解决一个明确问题，带清晰的退出条件。

我的新体会是：过去我说“品味无法靠算法习得”，这话仍对。但今天，我们可以把个人的非共识品味，外化为 Skill 里的验收标准。比如你判断一个 PRD 够不够优雅，不该只存于脑中，而应写成 SKILL.md 里的 “质量标准：需求清晰、边界明确、可开发、可测试；失败处理：信息不足先提问”。

这正是复合型人才与纯技术执行者的分野。很多主流 Agent 应用产品能生成内容、可视化图片、UI，甚至是生产级代码。但若没有人的品味注入 Skill，输出大概率是平均值的变体。

复合型人才的新分工，是做那个定义“什么算好”的人，然后让 Agent 按此标准千万次执行。。

4. 智力诚实工程化：从敢于说“不”到验证回路

PG 在原文中强调，要抓住不合理的迹象，真正伟大的创新往往是对常识的颠覆。我在旧文里写到：复合型人才要对 AI 看似完美的常规解答说“不，这里还有缺陷”。

而今天，这种“说不”的勇气，已经可以被工程化——从个人面对AI答案时的主观判断，变成一套可执行、可量化、可复现的验证回路。

比如，一个错误不能只记“我错了”，而要包含错误是什么、当时如何理解、根本原因、复测时间，并引入外部验证机制——用脚本检查目录完整、任务含验收、错误有复测，绝不单靠 AI 自评。这种结构化的反馈回路，把模糊的“我觉得不对”变成了可追溯的验证标准。

也有很多团队坦诚，开箱即用的通用模型达不到高质量场景的要求，必须针对特定任务深度微调。先用能力更强的模型摸清失败模式，成熟后再迁移到轻量模型——这本身就是一种智力诚实：承认通用智能在已知点上的浪费，承认我们还没完全理解问题。

Greg 的每日简报 Agent 标准很接地气：“有没有省下十分钟？有没有抓到你漏掉的信息？产出能不能直接用？”——他把诚实变成了可量化的 eval。

所谓智力诚实，不再只是内心独白，而是写进门禁与契约。你把“说不”的权利，提前编码进了每一个自动化检查节点——结构化反馈、模型选型策略、量化验证标准，最终都指向同一个目标：当 AI 给出标准答案，你按下暂停键的动作，不再是临时起意，而是预设的验证机制。

5. 复合指数增长：从周末 MVP 到个人能力基础设施

指数增长的问题在于曲线在开始时给人的感觉很平，但它不是。

PG 在旧文中指出：杰出成就的累积效应是被严重低估的，关键在于一致性。同时，我们不需要做庞大的计划，只需要做“可能有用的最简单的东西”，并在实践中不断演化。

我的新体会是：以项目为单位的拖延在进一步变得不可承受——因为你能把项目拆成 Agent 循环，让它在你睡觉时跑。执行引擎可以脱离人体独立运转，目标写入仓库、任务被执行、错误被记录、路线根据反馈调整，整个循环不再像之前那样依赖人的持续在场。

这带来了三层变化：

• 增长从一次性项目变成持续运转的基础设施——你不再做“30天计划”，而是搭建“能力飞轮”：先做最小项目验证想法，再啃真实案例打磨技能，接着封装成可复用的 Skill，然后构建自动执行的 Agent，最后沉淀出作品集形成复利。
• 产品与分发在同一个人手中形成闭环——用最短循环做出最小产品，同时做多个分发动作，让市场反馈直接驱动下一轮迭代。
• 学习与工程实践不再是线性的积累，而是渐进式的能力基础设施搭建——每一次成功或失败，都变成系统的一部分，让下一轮运行更精准。

指数增长的关键不再是意志，而是系统持续运行。你只需保证目标写入仓库、任务被执行、错误被记录、路线根据反馈调。AI 负责低价值整理，你负责高价值决策。这正是 PG 所说“做可能有用的最简单的东西，并在实践中演化”的自动化版本。

6. 好奇心与线下：不可压缩的人类底盘

之前我把好奇心称为人类最后的底牌：AI 不会为一个微小不合理现象抓狂，也不会为未知答案彻夜难眠。

我现在的新体会是：工作越多转移给 Agent，真实世界里的关系反而越有分量。当机器能处理大部分信息和执行，那些无法被数字化的东西——眼神交流中的犹豫、面对面讨论时突然迸发的灵感、建立在长期共处上的信任——成了真正的稀缺资源。哪怕是最智能的产品，最终仍要回到人的原生场景中，因为社交与信任无法被算法完全替代。

更重要的是，当 Agent 接手执行，你省下的时间不该填回更多任务——那只会加剧倦怠。真正的答案是：去追寻让你过分好奇的问题。那些让你深夜仍在思考、让你为一个不合理现象反复推敲的东西，才是驱动你不断进化的引擎。

线下社区、一对一信任、用身体在场的观察——这些原子世界的不确定性，是 AI 轻飘感的解药。复合型人才的最高级杠杆，是用 AI 放大好奇心，然后带人回到房间里确认：“这事咱们真要做吗？”

7. 结语：别只收藏，去建造

两年前我写旧文，呼吁守住提问与品味。而今天，当 AI 从聊天框走向 Agent、从提示词走向 Skill、从单点执行走向系统闭环，五大特质的落地形态已经完成了一次升维：

• 提问力不再是对话框里的一行字，而是系统编排的起点。
• 品味不再是脑中的直觉，而是可执行的验收标准。
• 智力诚实不再是内心独白，而是写进门禁的验证回路。
• 指数增长不再依赖个人意志，而是持续运转的能力飞轮。
• 好奇心不再只是个人特质，而是连接真实世界的锚点。

AI 原生时代的复合型人才，不再是“很会想”的独思者，而是“很会搭”的系统架构师。

你想清了特质，下一步可以很轻：

从一个高频重复任务开始，把你的判断标准写成可执行的 Skill；把一个长期目标拆成 Agent 循环，让它在你睡觉时继续运转；在 AI 给你答案的地方，多问一句“这真的够好吗？”。然后，记得留出时间去线下——去聊那些让你好奇的问题，去建立那些无法被数字化的信任。

还有很多发现正等待着被发现。在 2026 年，我们不再是独自出发，为什么不由我们，带着一群 Agent 一起去发现呢？