2026年初，OpenAI發表了一項震撼業界的內部實驗：短短5個月，僅靠3位人類工程師，AI就自動生成了高達100萬行的程式碼，期間人類沒有親自手打任何一行，整體開發時間大幅縮減至傳統方式的1%。
這3位工程師最重要的工作並非寫程式，而是為 AI 設計一套能好好工作的環境與規範，OpenAI將這套方法論稱為「駕馭工程」（Harness Engineering）。
近年企業導入AI往往陷入追求最強模型的迷思，但業界逐漸發現，AI本身其實已經夠強，真正決定成敗的，是有沒有給設定一套好的「教練團跟戰術體系」，而駕馭工程就是引導AI發揮實力的關鍵方法。
本期《數位時代》特別邀請AWS社群英雄蔣鐙緯（Ernest），以其深厚的雲端與架構經驗深度拆解，從Vibe Coding到駕馭工程的技術演進、駕馭工程的三大支柱、AI代理人的分工邏輯，以及台灣企業在AI時代如何克服認知債。
以下Q為《數位時代》提問，A為AWS社群英雄蔣鐙緯的回答。當AI模型逐漸成為大眾商品，企業該如何透過駕馭工程，建立真正的護城河？
Q1：什麼是「駕馭工程」？為什麼它現在會成為業界焦點？
A：過去一年，業界經歷了從極度樂觀到焦慮的戲劇性過程。去年初，業界開始流行「Vibe Coding」，也就是開發者憑直覺下指令，完全交給AI來寫程式碼。
但蜜月期很短，隨之而來的是各種災難，例如AI寫出的程式出現大量資安漏洞，甚至有AI因為權限過大而刪除了整個資料庫。業界開始意識到，完全放任AI自由發揮是不行的。
為了解決這個問題，業界逐漸摸索出「AI代理人」（AI Agent）的架構，而OpenAI則在今年將這套體系正式命名為「駕馭工程」。
「Harness」這個字原本指的是馬具（如韁繩、馬鞍、馬鐙）。馬本身充滿力量且聰明，會自己躲避障礙，但人類需要透過馬具來引導牠的力量，朝正確的方向前進。這不是壓制或控制，而是一種借力使力的協同與引導。
如果把 AI 模型比喻為天才球員，Harness就是圍繞著這位球員的教練團與戰術體系。球員天賦再高，若沒有教練團設計戰術、設定規則，最終只會淪為個人英雄主義的單打獨鬥。
Q2：駕馭工程的核心方法論是什麼？我們該如何建構這套「戰術體系」？
A：軟體顧問公司Thoughtworks的專家Birgitta Böckeler為駕馭工程梳理出了一個非常完整的框架，我們可以將其拆解為三大支柱：
支柱一：上下文工程（Context Engineering）。 這就像是球探報告或戰術手冊。從AI的角度來看，它沒讀到的資訊就等於不存在。因此，我們必須為AI準備一份清晰的地圖（例如業界逐漸形成標準的agents.md檔案），告訴它遇到什麼任務該去哪裡找資料、該採取什麼策略，而不是塞給它一本幾千行的百科全書讓它迷失。
支柱二：架構與約束強制執行（Architectural Constraint Enforcement）。 這相當於球場規則與裁判機制。我們必須為AI設立嚴格的分層規則與邊界，定義什麼可以做、什麼必須先詢問人類。有趣的發現是，這些明確的框框條條並不會讓AI變弱，反而能讓它更有效率地發揮極強的戰鬥力。
支柱三：垃圾回收與迭代（Garbage Collection）。 AI在執行任務的過程中，難免會產生許多瑣碎、重複或錯誤的「垃圾」數據。這就像比賽結束後的賽後檢討，我們必須定期清理這些技術債，從失敗中提取經驗，進而迭代出下一版的限制條件與架構。技術債就像高利貸，定期清理才能讓系統越跑越順。
Q3：在實務操作上，當任務變得龐大且耗時，該如何讓AI分工合作，避免它「忘記」原本的目標？
A：AI模型目前的痛點之一是「工作記憶」（Context Window）有限。如果把所有任務和資訊塞給同一個AI，它最後就會像大腦當機一樣無法決策。
因此，我們必須導入 「子代理人」（Sub-agent） 的概念，並建立情境防火牆（Context Firewall）。我們不會把大任務整坨丟給單一AI，而是由一個「主要Agent」（如總教練）根據agents.md的地圖，將任務拆解發包給不同的「子Agent」（如體能教練、打擊教練）。子Agent在自己的專屬領域裡試錯、執行，只要把最終的判斷結果回報給總教練即可。
為了確保交接不出錯，大語言模型在軟體間的資料交換上，會大量使用格式嚴謹的JSON。不同於人類溝通用的Markdown，JSON具有清晰且嚴格的格式，AI在讀取這類結構化資料時不敢隨意更動，這能大幅降低代理人之間交接任務時的錯誤率。
Q4：在AI執行任務的過程中，我們該如何看待它的失誤？OpenAI實驗中提到的「孔安迴圈」是什麼？
A：「孔安迴圈」（Ralph Wiggum Loop）是一個非常經典且帶有人性化的概念。「孔安」是動畫《辛普森家庭》裡的角色，他天真、反應稍慢，但極度執著，搞砸了也不放棄，會不斷嘗試。
在駕馭工程中，我們不強求AI一次到位。當我們指派任務給AI後，它可能會失敗，這時系統會將錯誤記錄下來（留下log），分析哪裡做錯，並在下一次嘗試時避開同樣的錯誤，直到滿足條件為止。這是一種AI的自我審查與反覆迭代。
這就像棒球場上球員在牛棚裡反覆練投，透過影片回放不斷微調姿勢，直到形成肌肉記憶。我們允許AI撞牆，重要的是它能從錯誤的迴圈中學習並完成任務。
Q5：當市場上越來越多強大的AI模型出現，企業真正的護城河在哪裡？工程師的角色又會發生什麼轉變？
A：我常跟企業主用「帶新進員工」的過程，來比喻這幾年 AI 工程的迭代關係：
- 提示工程（Prompt Engineering）：就像「面試新同事」，你丟幾個指令或問題給他，觀察他的反應，試著測出他的優點、缺點與強項。
- 上下文工程（Context Engineering）：就像新員工「剛報到的前幾週」。你帶他認識公司環境、提供參考資料（如agents.md），讓他知道公司的SOP，熟悉工作的地圖。
- 駕馭工程（Harness Engineering）：當這位員工上手後，你指派他去「成立新部門或分公司」。你不再手把手微管理，而是設立明確的邊界、給予目標與限制條件，讓他自己在範圍內發揮、迭代，甚至帶領其他子代理人去創造業績。
正因為建構這套管理體系需要長時間的磨合與經驗累積，現在我們深刻感受到， 模型本身已經變成一種大眾商品，如何建構這套駕馭體系，才是企業真正的護城河 。
就像所有半導體廠都能買到最先進的ASML曝光機，但台積電的良率就是比較高，因為護城河在於經驗值與管理細節的累積。換一個更強的AI模型，短期內絕對能看到降本增效；但長遠來看，軟體工程師與經理人的角色，已經從「親自下場打球的球員」，轉變為「球隊教練」。
我們必須學會精確描述任務、設計系統架構，並將大部分時間花在驗證與審查成果上。這對所有工作者來說，都是思維層次上的一次大升級。
Q6：面對AI帶來的全新工作模式，台灣企業導入AI時最大的挑戰是什麼？該如何跨越「認知債」？
A：台灣企業最大的挑戰在於基礎建設不足，也就是「沒有檔案與SOP」。很多公司的眉角與流程都存在老員工的腦袋裡，對AI來說，沒有寫成文件（如agents.md檔案）的資訊就是不存在。如果不建立書面文化，再強的 AI 也無法發揮作用。
更深層的危機是「認知債」（Cognitive Debt）。當AI產出程式碼與資料的速度遠超過人類吸收的速度，真正理解公司系統架構的人會越來越少。如果系統全部交由AI運作，一旦某天出了嚴重問題，人類可能會完全不知道該如何修復。
解決之道在於，人類的認知必須跟著提升。我們不能因為AI能力強就選擇「躺平」。AI替我們省下了大量重複勞動的時間，我們就應該把這些時間投資在擴充認知的廣度與深度上。各部門工作者都必須學會把自己的業務邏輯轉化為專業格式與AI協作，並具備判斷AI產出對錯的能力。這不再只是IT部門的事，而是整個企業組織能力必須共同跨越的門檻。
延伸閱讀：AI大神加入Claude陣營！Anthropic延攬Karpathy，押注「AI幫AI做研究」新戰場
自己的AI助理自己養！OpenAI工程師曝5大Codex進階用法，打造「專屬AI貼身特助」
原文出自【數位關鍵字】238.駕馭工程登場！Harness 才是護城河！AI 時代真正的企業競爭力 ft.AWS 社群英雄蔣鐙緯 Ernest
責任編輯：蘇柔瑋
