Fat Skills, Fat Code, Thin Harness

定义

个人 / 小团队构建复利型 AI 系统的核心架构原则：Harness 薄 + Skills 厚 + Data 厚 + Code 厚。Harness 只做路由分发，Skill 是自包含的能力单元，Data 与 Code 才是复利沉淀的地方。

要点

• Thin Harness：几千行路由逻辑，不知道书、会议、创始人是什么，只负责把消息派给对的 Skill
• Fat Skills：每个 Skill 是一份详细 Markdown 指令文件，自包含一类任务的完整 know-how；100+ 个 Skill 组合出复杂工作流
• Fat Code：转录、OCR、归档、日历同步等 100+ cron 脚本撑起数据流入
• Fat Data：例如 Garry Tan 的 100,000 页结构化 brain，每个 person/company/meeting/book 一页，全部 wikilinked
• 模型是可换的引擎：精度任务 Opus、抽取任务 GPT、创意任务 DeepSeek、速度任务 Groq；Skill 决定调用哪个模型，Harness 不关心
• 与 OpenClaw〔待补〕 / Claude Code Skills〔待补〕 同源思想

示例

Garry Tan 的 GBrain：OpenClaw 是几千行 router；GBrain 是知识基础设施；100+ 个开源 Skill 包含 book-mirror、meeting-prep、enrich、media-ingest、perplexity-research……每个 Skill 单独可改、可组合，改一个就让所有依赖它的工作流变好。

相关概念

• Skills系统
• Skill作为经验软件化〔待补〕
• Skillify循环
• 第二大脑作为神经系统〔待补〕
• 文件主权与能动循环的辩证〔待补〕
• 工具注册表 - thin harness 之上 fat skills/tools 的集中管理 Resolver
• 配对 Skill - 复利沉淀在 skill/data 的数据分析域实证

参考资料

• Garry Tan: Meta-Meta-Prompting: The Secret to Making AI Agents Work（2026-05-09）