我有几百个零散的文件分散在很多文件夹里，我很早就想给他们统一命名格式。

我想等我有空了写一个 Python 脚本来批量处理。由于我很久没写 Python 了，很多 API 已经忘记，我可以一边查一边写，但是这会耗费我一下午的时间，于是懒惰让我一直没有动手。

直到最近中高强度地使用了 antigravity 之后，今天突然想起这个事。于是我让 Gemini 用 1 分钟帮我写了一个脚本，然后用几秒钟跑完了。

只要我后面有相同的需求，这个脚本我可以一直使用，不需要再重复问 AI ，再重复消耗 token。这件事给了我一个灵感：AI 会消耗 token，但是 AI 创造的工具却是可以一直免费使用的。 所以说，有些活与其每次都让 AI 帮你处理一下，不如让 AI 帮你写一个传统的程序，然后你就一直用那个免费的程序。

后来我意识到，这就是近半年流行的 Skills 的核心思想。如果我以后可能要重复用到某一段提示词（Prompts），或者某一个工具或脚本，我何不把他们保存下来，下次需要的时候直接用。

但其实我观察到，不少看似需要用 AI 才能做的事情，传统的软件其实早就能实现，而且实现得更精准。

例如，我有很多视频用到了不同的背景音乐，我本来想让 AI 帮我把使用了相同背景音乐的视频分类到一起，Gemini 告诉我有一些基于音频指纹的 Python 工具库能识别，比如 audfprint ，之后帮我写了个程序完美解决了我的问题。

这可能就是为什么最近 OpenClaw 爆火，但是却几乎没看到 OpenClaw 在场景落地上有什么重大突破的原因。除了一个是 token 消耗的成本问题之外，另一个是 AI 的不确定性问题，说到底，我们对 AI 有多大的信任？

一个业务场景，你是希望用 100% 确定性的传统软件来做，还是用 90% 确定性的 OpenClaw 来做呢？大部分不容一丁点出错的生产业务，还是得依靠更加精确的传统软件来兜底。

最近又看到一个 AI 圈子的新名词：Harness Engineering

有人把它翻译成“驾驭工程”，讲的是我们如何通过工程化的方式，来让 AI 稳定地与模型外部环境交互。本质上就是在减少 AI 的不确定性问题。

也许不久的未来，AI 可以被 Harness 到接近 100% 的确定性，到时候又会发生什么？