(Harness Engineering) 打造自己信賴的輪子 Zero Trust Architecture Agentic AI

關於AI加速的時代, 除了在台灣的大家明顯的感受到股市大好的事情跟連學生們都在餐廳談說他們的台積電賺了多少(.....沒錯.....連國高中生都ALL IN台積了) ...

近期在矽谷莫名的燒token潮中, 這個訪談中提到了這點~同時當我讀到 Anthropic 的《創辦人手冊》時，有一句話深深擊中： 「從點子到發布的時間，已經從 6 個月壓縮到了 1 天。」

過去這幾個月，完全活在這樣的節奏裡。但親身體驗這種速度，也讓人感到一絲恐懼。這讓人想到 YC 執行長 Gary Tan 最近對於使用 Agentic AI (代理式 AI) 的絕佳比喻：這就像是在開一台法拉利。 速度極快、令人血脈賁張。但它終究有一天會在路邊拋錨，而這時*「你最好是個懂得打開引擎蓋、親手把車修好的技師」。* 

現在最大的問題是？整個市場都沉迷於法拉利的速度，卻沒有人想當那個修車技師。

 TokenMaxxing

 所以無論這樣狂燒的速度下會有多少產出, 有在頻繁使用ChatGPT, GEMINI, CLAUDE, 跟Deepseek的已經感到有時候模型明顯的表現力不從心. 所以搞得還要幫他用一些Harness Engineering的方式來調教他(們)可以在同一件事情上盡可能地達到一致性的表現. (沒錯這個影片中受訪的資深工程師也提到他也是這個做法, 類似FW Workaround的方式讓原本該有的LLM 表現拉上來)

(EP.44 整理了近期的新加坡政府指引 agent AI 應該使用的方向, 同時意外地跟自己設定的一致)

這可能是在讓AI滲透率在提高之前, 最後的一里路. 大部分的人不信任AI有一大部分是他們並不是工程師, 或是願意花時間打造輪子的普通人. 而新加坡身為全球第二高AI普及的國家(之前CLAUDE提供的資料, 第一名是實至名歸的以色列). 

在跟外商處長高階經理們聊過後(抱歉....台商的主管們我只能說@#$^&)

發現大家心底都有同樣的隱憂： 資料到底流向哪裡？ 誰來稽核 Agent 剛剛實際執行了什麼？ 如果裝上去的 AI 工具失控了怎麼辦？

多數供應商都在賣法拉利的「魔法」，卻刻意避談維護的現實。但在半導體品保圈打滾n年,寫過的8D都比看過的Body(只能說當年....消費者IC實在品質不好??今天也沒多好XD)多後只感覺：在沒有安全帶的情況下盲目追求速度，並不會讓你的事業規模化——它只會讓你的廢料規模化。現在大家部署 AI 代理程式，靠的幾乎都是未經測試的信仰。

所以在五月，決定不等待別人來給答案了。而是親手打造了它。

ZTA Agent AI layer

建構了一個主權 AI 基礎架構。它在地端運行、自我稽核、在技能接觸到模型前進行全面掃描，並讓你完全看清 Agent 到底做了什麼、為什麼這麼做。簡單來說，打造了一套 AI 時代的「修車技師工具箱」。

2026 年真正的機會，不是再做一個 AI App。而是打造支撐這一切的「信任層 (Trust Layer)」。我們必須裝備自己，成為那個真正能治理、能在系統拋錨時修復這台車的人。

還不完全確定這條路最終會走向哪裡。但現在還很早期，而「早期」就是最想待的地方。

延伸閱讀:

1. 新加坡政府最新的代理式AI的官方指引(近期才發表的, 但相當有指標性)

2. Harness Engineering Optimized Model performance (Harness Engineering讓所有模型都表現一樣好)