初級：先學會管理 AI，而不是先上框架

這一層的目標不是學 LangGraph、MCP、Agent SDK，而是建立四個習慣。

情境：當你把「寫會議記錄」一次丟給 AI

你在會議結束後丟一句話給 AI：

「幫我整理這份會議錄音逐字稿，寫成會議記錄給老闆看。」

AI 回你一份看起來很完整的會議記錄。你草草掃過、轉寄給老闆。

老闆回了一句：「第 3 點的結論我根本沒有說過。」

這就是你第一次撞上 Harness 問題。而且問題不在「prompt 寫得不夠好」，而是你跳過了四個基本習慣：沒拆任務、沒設邊界、沒驗結果、沒記錯誤。

一、初級的核心原則

初級最重要的不是上任何框架，而是建立四個習慣：

拆任務 — 不要把大任務一句丟給 AI，要先切成小步驟。
設邊界 — 明確說不能做什麼、只能依據什麼。
驗結果 — AI 做完不能直接信，要做自檢和人工核對。
記錯誤 — 每次失敗都記成之後可重用的教訓。

這四件事看似樸素，但其實就是 Harness 的最小原型。

每次 agent 犯一種錯，就應該把它工程化成未來不再犯的設定與流程。 — HumanLayer

二、觀念題：AI 不是員工，也不是函式

很多人會把 AI 想成兩種東西：

當員工：會舉一反三、知道公司文化、會自己問問題。
當函式：輸入一樣就會輸出一樣、不會突然「今天心情不好」。

AI 兩者都不是。

更貼近工程現實的理解是：AI 是一個能力很強但不穩定的推理引擎，它需要明確範圍與回饋。

這個認知會改變你寫 prompt 的方式。比起「請仔細完成」，下面這種句子有用得多：

「不要改 schema。」
「只用我提供的資料，不要編造。」
「完成前先自我檢查一次再給我。」

這就是約束比指令更重要的實戰版本。

三、驗證迴圈比 prompt 文采重要

LangChain 與 OpenAI 的 2026 實戰都顯示同一件事：

真正提升成功率的，不是更華麗的提示詞，而是工具選擇、執行流程、中繼驗證與結構化回饋。

什麼叫中繼驗證？舉個例子：

反例（沒有驗證）：

「幫我分析上個月訂單報表，找出下滑品類，寫簡報。」

AI 一路跑下去，你最後才發現它連報表第一欄都讀錯了。

正例（有中繼驗證）：

步驟 1：讀完報表後，先告訴我你看到幾個月份、幾個品類、總訂單數，等我確認後再繼續。步驟 2：列出下滑品類，並貼出你用來判斷的數字，等我確認後再繼續。步驟 3：基於確認過的品類，寫簡報大綱。

差別在：你把「發現錯誤」的時間從最後一步，拉到第一步。

四、四個習慣的每日練習版

習慣 1：拆任務

不要一句話丟完整大需求。養成「先切三刀」的反射：

寫信 → 先列重點 → 再要求改語氣 → 再要完整版。
寫報告 → 先摘要資料 → 再出大綱 → 再展開段落。
寫 code → 先請它分析問題 → 再請它提出方案 → 再動手修改。
做研究 → 先定研究問題 → 再分查詢方向 → 再做彙整。

習慣 2：設邊界

以下是一組「越樸素越好用」的邊界句型，你可以複製使用：

Goal:
Constraints:
- 只能根據我提供的內容
- 不要編造資料
- 不要改動既有格式
- 不確定時請停下來問我
Definition of done:
- 先列步驟
- 完成後自我檢查一次

這就是最基礎的 micro-harness：任務目標、限制、完成標準。三個欄位就能改善 80% 的 AI 互動品質。

習慣 3：驗結果

AI 做完不能直接信。至少要做三件事：

自檢 — 請 AI 自己列出「這份輸出中你最不確定的 3 個地方」。
核對來源 — 抽樣檢查 AI 引用的數字或事實，是不是真的在你提供的資料裡。
逆向 — 問 AI：「如果我要反駁這份輸出，最有力的理由是什麼？」

習慣 4：記錯誤

這是最多人忽略、但 ROI 最高的習慣。每次 AI 犯錯，花 30 秒記下：

錯的是什麼？
為什麼錯？（prompt 不清 / context 不足 / 驗證太弱 / 模型誤判）
下次怎麼避免？

把這份「錯誤日誌」當成你自己的規則資產。三個月後你會發現，你已經累積了一份專屬的 mini-AGENTS.md。

五、初級常見四大誤區

想靠一條神 prompt 解決所有問題 — 2026 的共識是：沒有這種東西。
沒有定義 done — 沒有完成標準，agent 就會自己猜。
不記錯誤 — 每次都在重複付學費。
過早學複雜編排框架 — 還沒摸清失敗模式前，框架只會遮蔽問題。

這四個誤區裡，最致命的是第 4 個。很多人一看到 LangGraph、Agent SDK 就想直接跳進去，結果連「拆任務、設邊界」都還沒做扎實，框架反而變成逃避地基的藉口。

AI 協作：學了這個，跟 AI 怎麼配合？

初級的核心是「四個習慣」，而這四個習慣你可以直接讓 AI 幫你養。

你的人類優勢：

你知道這個任務在業務上真正重要的是什麼、哪裡出錯老闆會爆炸。
你有判斷「這個輸出可不可信」的直覺，AI 沒有。

可以這樣跟 AI 說：

我要把 [任務描述] 丟給 AI 做，但我還在學 Harness Engineering 的初級四習慣。請幫我把這個任務改寫成一份包含 Goal / Constraints / Definition of done 的 micro-harness 模板，並額外列出 3 個我該在「完成前」請 AI 自我檢查的問題。

練習題

本堂重點回顧

四個習慣：拆任務、設邊界、驗結果、記錯誤 — 這就是 Harness 的最小原型。
約束比指令重要：一句「不要改 schema」通常比「請仔細完成」有用 10 倍。
驗證迴圈比 prompt 文采重要：把中繼驗證點拉到任務前段，不要等到最後才發現錯。
過早上框架是最常見的誤區：沒摸清失敗模式前，框架只會遮蔽問題。

下堂課：中級 — 當四個習慣不夠了，我們要把規則從腦袋裡搬回 repo，讓 agent 真的能穩定跑完整段任務。