自己设计，也用过不少 harness ，我现在深有体会。越强的模型越不需要复杂的 harness ，约束的越多反而会限制强模型的发挥，做好简单的熔断机制就行。
相反越弱的模型越需要 harness 去控制模型的方向，所以又引申出一个问题，用弱模型通常是考虑成本。但弱模型成功率低、再叠加一层复杂的 harness ，实际上每次任务跑下来的成本不比强模型低。
自己设计，也用过不少 harness ，我现在深有体会
更多动态
前几天前司知识库崩了，Google 改了 NotebookLM 接口
，本地数字员工直接断联。 于是我做了个轻量化本地知识库技能：local-rag。 一句话能装好 把这行发给你的智能体： 给你自己安装这个技能（skill）：haoyiyin/local-rag 不用服务器，不用 API Key，文档丢进去就能语义搜索。 为什么做这个 人机协作是趋势，但知识断层数字员工不认识你的资料、敏感数据不敢上云、主流 RAG 太重。local-rag 走完全离线、轻量 CLI 路线，专为数字员工设计。 架构三层 scripts/rag.py CLI（ingest / ask / 集合管理） Chroma PersistentClient（数据落盘本地，无服务进程） embeddinggemma-300m（768维，本地推理，无 API Key） Embedding 模型选了 embeddinggemma-300m，多语言、benchmark 在线、低配设备跑得动。首次下载约 300MB，之后全离线。 什么格式都能支持 覆盖 20+ 种格式：PDF、Word、PPT、Excel、CSV、HTML、JSON、YAML、EPUB、RTF、.msg 邮件、ipynb 等。三种特殊处理： - 图像 PDF：pypdf 提不出文字时，自动 pymupdf 渲染 + OCR - 图片：tesseract 中英文双语 - 音频：whisper base 转写 压缩包（zip/tar.gz/7z/rar）自动解压，逐文件提取文本。
今天收到了 workspace 免费 AI 试用邮件
，现在 Google 也就 Nano Banana Pro 能拿得出手。 免费用户还可以在 Flow（ labs.google/fx/tools/flow ） 里调用 Nano Banana Pro ，每天给的额度还算慷慨，生产力作个图足够了。
claude申诉失败了。
订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。 目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。 那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。
分享下现在的纯手机端工作流。
九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。 九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。 每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。 就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。 如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。
