一、重新写代码，不是炫技，而是现实问题
Gary Tan 的 " 重返编程 "，起点并不是一个技术实验，而是一个具体而强烈的公共议题。他提到，自己在加州公共事务中的长期观察，让他对教育问题尤其敏感——比如旧金山公立学校里，七八年级学生竟然很难正常学代数。这对一个出身东湾公校、依靠早期数学教育进入斯坦福、后来成为工程师的人来说，不只是一个教育争议，而是一种切身的不公平。他想把一批拥有相似判断的人组织起来，推动公共议题讨论，于是才有了 Gary ’ s List。
在 Gary Tan 看来，AI 写作的意义不是 " 帮记者排版 " 或 " 辅助创作 "，而是把原本属于高强度知识劳动的研究、整理、归纳、引用、比对环节，直接做成一个软件系统。也就是说，软件不再只是供人使用的工具，而开始直接承担高质量知识工作的执行过程。
二、别再省 token 了，真正该省的是人的时间
Gary Tan 在访谈里反复强调一个概念：token maxing。如果用一句话概括，它的核心不是 " 让模型更聪明 "，而是把上下文、信息、验证和工作量都推到极限。过去人类做研究时，总会因为时间有限而做妥协：只看几篇文章，只抽几条线索，只做有限交叉比对。但现在，agent 系统的一个根本变化在于，它可以 " 把海煮开 " ——不是只看 1 个来源，而是看 20 个；不是简单总结，而是把互相矛盾的证据放在一起，让系统对比分析。
在 Gary Tan 看来，今天很多人低估了 AI 编程和 AI 知识工作的真正威力，是因为他们还在用旧时代的成本思维理解新工具：把 token 当作 API 成本控制项，而不是生产要素。可如果一个任务本来需要你自己花一周、一个月去做，那么多花几百美元去换取大规模并行研究、测试与执行，成本并不高，甚至可以说极低。他用了一个 YC 语境里很典型的比喻：这就像创业者刚到旧金山时觉得房租太贵，但真正贵的不是住在旧金山，而是不住在旧金山。对今天的 builder 来说，真正昂贵的不是 token，而是没有把模型用到极致，从而继续浪费自己的时间。
这个过程本身很能说明今天 agent 工程的变化：大家不再只是拼 prompt 文案，而是在构造一种 " 可组合的认知流程 "。Gary Tan 特别强调，他后来越来越依赖的并不是某一句 magic prompt，而是一整套工作顺序：先让模型做 ASCII 图，明确数据流、状态机、依赖关系、错误路径；再让它做架构审查；再做代码质量检查；再补全测试；最后才进入执行。
他提到一个很有代表性的经验：很多人抱怨 vibe coding 产出的是 "slop"，本质上不是模型不会写，而是工程约束不够。尤其是测试覆盖率，在 AI 编程时代反而变得更加重要。因为一旦代码生成速度远超人类审查速度，如果没有足够扎实的单元测试、集成测试和端到端验证，系统就会迅速从 " 高效 " 滑向 " 脆弱 "。换句话说，AI 并没有取消软件工程，只是把软件工程的重心从 " 手写实现 " 移到了 " 流程设计与质量控制 "。
三、薄 Harness，胖 Skills
Gary Tan 对 agent 工程架构的概括：thin harness，fat skills。
所谓 harness，可以理解为最底层的运行循环：接受用户输入、调用模型、触发工具、执行命令、返回结果。Claude Code、OpenClaw 这类系统，本质上都可以看作一种 harness。Gary Tan 的判断是，这一层没有必要被每个团队反复重造，真正应该投入精力的，是上层的 skills ——也就是如何把任务流程、经验、策略、标准、审查方式，用自然语言和结构化文档表达出来。
这也是他为什么坚持 "Markdown 也是代码 " 的原因。因为在 agent 时代，大量过去需要硬编码的判断逻辑，其实更适合写在 Markdown 里：如何规划任务，如何判断完成标准，如何思考 10 倍价值，如何在 QA 前检查风险，如何站在 CEO、设计师、开发者体验负责人的角度审视同一个功能。这些东西用传统代码写会非常僵硬，但写进 skill 文档，模型反而更能理解意图、处理特例、覆盖复杂场景。
这意味着，软件开发正在出现一种新的分层：确定性、可验证、必须稳定执行的动作仍然应该写在代码里；但大量高层策略、模糊决策、流程经验，则越来越适合沉淀在 " 可被模型理解的文本协议 " 中。人类工程师的工作，不再只是组织函数和类，而是组织 latent space 和 deterministic code 之间的边界。
四、OpenClaw 像一辆法拉利
Gary Tan 说今天用 OpenClaw，就像在开一辆法拉利：速度惊人，体验刺激，很多事情强到让人难以相信机器能做到；但与此同时，它又像一辆必须自己会修的法拉利——会在最需要你的时候抛锚，逼你掀开发动机盖，拿扳手自己修。这个比喻背后，其实包含了两个层次的判断。
第一，能力已经足够惊艳。OpenClaw 代表的不是简单的 " 代码补全 "，而是更接近一个可以独立探索、调用工具、跨任务完成复杂工作的 agent。对于已经熟悉 Claude Code 的人来说，这意味着又往前走了一步：从 " 我问你答，我来复制粘贴 " 到 " 系统自动执行、自动修复、自动串起更多步骤 "。
第二，工程成熟度仍远未完成。现在的 OpenClaw 很强，但脆弱、耗费上下文、容易出错，需要人类不断介入修复。Gary Tan 提到，很多时候甚至是另一个 agent ——比如 Claude Code ——在帮他修 OpenClaw 本身。也就是说，今天的 agent 体系已经进入一种很有早期 PC 时代风格的状态：它不是一个打磨完成的消费品，而更像一套 "kit car"，一个技术爱好者手工拼装出来、可以真正跑起来、但也要随时维护的系统。
这也是他把当下类比为 Homebrew Computer Club 时刻的原因：大家已经看到未来是什么，但未来还没有被封装到人人都能无门槛使用的程度。
五、编程的单位正在改变
Gary Tan 还专门谈到了一个在社交媒体上引发争议的话题：几个月写出几十万行代码，到底意味着什么。他承认，单纯用 lines of code 衡量程序员价值并不严谨，但在 agent 编程语境里，这个指标也不该被完全嘲讽。原因并不是 " 代码行数越多越好 "，而是今天的工作单位已经变了：不是你一个人坐在 IDE 前手敲多少行，而是你能不能同时调度多个 agent，让它们并行做 feature、修 bug、补测试、跑 QA，再把结果组织成可上线的系统。
他提到自己现在的日常工作方式，已经很像一个微型软件组织的调度者：不同窗口里排着不同分支和 pull request，功能开发、测试、人工验收同时推进。对人类来说，瓶颈不再是 " 能不能写 "，而是 " 能不能准确规划、及时检查、快速判断 "。在这个意义上，AI 并不是让程序员失业，而是把优秀程序员放大成一个更高吞吐量的系统。因此更值得在意的并不是 " 模型替代人写了多少 "，而是人类的 agency 被放大了多少。如果你有判断、有品味、有明确目标，那今天的工具就像给你装上了翅膀；如果没有，那再强的 agent 也只会生成一堆你无法真正负责的产物。
六、最关键的分叉：个人 AI，还是平台 AI？
Gary Tan 讨论了从 " 怎么写代码 " 进一步推向了一个更大的命题：个人 AI 的所有权问题。他认为，明年这个时候，几乎每个人都会拥有自己的个人 AI。但问题在于，这种个人 AI 会是哪一种形态。它可能是用户自己掌握提示词、掌握数据、掌握集成接口、知道系统在替自己做什么的 " 个人工具 "；也可能是一个由平台托管、算法黑箱、商业动机不透明、像社交媒体信息流一样被公司控制的 " 伪个人 AI"。
在他看来，这正是今天最值得警惕的分水岭。很多人把 AI 当成一个统一产品类别来讨论，但其实未来的核心差异，很可能不是模型参数量，而是谁拥有控制权。你是自己写 prompt、自己定义工作流、自己决定 agent 访问哪些数据；还是永远活在某个产品经理和某家平台设计好的边界里？
这也是为什么 Gary Tan 如此强调 builder 应该尽早上手这些工具。因为一旦你不亲自掌握它们，就只能使用别人包装好的成品；而一旦这件事像当年的个人电脑革命一样真正扩散开来，掌握权决定的不仅是你做事的效率，还有你思考的自主性，甚至是你怎样理解现实世界。
这场访谈虽然在讲 Gary Tan 自己的项目，但也回应了创业者最现实的焦虑：这些工具是不是太贵？是不是不稳定？是不是只有最顶尖的工程师才用得起来？Gary Tan 的回答相当直接：这些问题今天都成立，但它们不是最重要的问题。真正的问题是，你是否愿意承认，一种新的生产方式已经出现，并主动迁移到那种方式上去。
今天的 agent 编程，确实昂贵、脆弱、混乱，远没到大众产品阶段；但它已经足够强，强到可以把一个人从 " 执行者 " 升级成 " 指挥者 "，把原本需要团队数周完成的任务压缩到更短时间里完成。很多人看见的是它的不稳定，Gary Tan 看见的则是它的杠杆率。他说得最有冲击力的一句话，其实并不是关于代码，而是关于时间：人类无法凭空获得更多时间，但可以借用机器的时间。 一旦你接受这件事，就会理解为什么 token spending 不再是成本中心，而是时间资本的购买行为。
