本文是 Garry Tan 对自己构建 54 万行 Rails 代码的深刻反思。他用富士康工厂比喻当前 AI Agent 开发的主流模式：用海量代码、测试和重试逻辑去过度束缚和控制一个本已高度智能的模型。他提出核心论点：模型调用成本急剧下降，智能程度大幅提升，旧的经济学已经反转。新的范式是“即时软件”和“技能包”，用精简的 markdown 指令和少量 TypeScript 代码替代厚重的工程框架，让 Agent 在自由中发挥最大价值。文章提供了具体案例——一个黑客松评审 Agent 如何在一个下午内用极少的代码完成了从前需要整个软件项目才能实现的功能。文章适合那些正在用 AI 编程但仍在沿用传统软件工程量度（代码行数）和架构思维的工程师阅读，它挑战了根深蒂固的“不信任模型”的本能，并指明了“代币最大最优”的先发优势。
YC 合伙人 Garry Tan 提出一套区别于“更好模型”的 AI 代理架构理念：代理的瓶颈不是模型智能，而是对上下文和过程的管理。他用五个核心概念来定义这一架构：Skill files（以 Markdown 写成的可复用过程文件）、Harness（精瘦的运行与上下文管理循环）、Resolvers（上下文加载路由表）、Latent vs. deterministic（智能与确定性工作的严格边界划分）以及 Diarization（从非结构化信息中提取结构化的分析简报）。这套理念的实战体现是 YC Startup School 的匹配系统——用同一套技能文件的不同参数调用，完成分组、午餐配桌和实时匹配，并能通过分析“还行”的反馈自动重写技能规则，实现系统自进化。文章为一线工程和产品团队提供了具体可操作的代理设计原则，尤其适合正在构建 AI 工作流、需要平衡模型能力与系统可靠性的工程师。
Garry Tan 提出“Skillify”方法论：每次 AI Agent 犯错，不靠道歉或提示词修补，而是将其转化为一项带完整测试链的 Skill。文章以两个真实故障（日历查询绕过本地脚本、时区心算偏差）为例，展示如何将失败固化为 SKILL.md 契约加确定性脚本，并引入涵盖单元测试、集成测试、LLM eval、解析器触发与校验、可达性审查、冒烟测试等十步清单的验证体系。该流程已集成于作者的开源知识引擎 GBrain 中，确保 Agent 的每一次判断提升都是永久且可验证的。适合正在构建 AI Agent 并受困于同类错误反复出现的开发者。