2026/10/12

为什么我要做一个复杂系统建模 harness

从课堂教学与真实项目出发，探索需求对齐、过程校验与计算效率如何共同塑造复杂系统建模工作台 Riffoid。

AI Agent复杂系统建模与仿真Riffoid

2026 年春季学期，带着“观察人类如何跨入 AGI 时代”的兴致，我来到中学课堂，带学生用 coding agent 做复杂系统建模的项目制学习。

起初，我还在沿用去年的 vibe coding 经验：打磨结构化提示词、理解技术路线、拆解开发目标和阶段。几个月后，越来越多的实现可以交给 Agent。技术仍是基础语境，但教学重心逐渐转向精炼目标、形成共同理解，以及端到端测试。

夏秋之交，我又参与了两个复杂系统建模仿真领域的软件开发项目。在高强度使用 AI Agent 的开发过程中，我明显感到AI 的能力以周为单位快速跃升。到项目尾声，一线 LLM 加上合适的 harness，已经开始能够通过自然语言理解复杂业务需求，交付水准逐渐接近，有时甚至超过用户期望。人工介入仍然很多，但实现正在变得更快、更好。

*复杂系统建模与仿真，就是把环境、个体、交互规则转化为可计算模型，观察它们如何共同形成系统行为。交通拥堵、流行病传播、装备集群保障、市场行为涌现等，都可以由此展开实验，比较不同条件和干预的影响。

这让我开始追问：

围绕这些问题，我探索了 MCP、skill、harness、benchmark、微调和小模型。一个面向复杂系统建模的 Agent harness 的产品思路逐渐清楚。

这些探索带来三个认识。

第一，编码能力可以迁移到模型开发，具体业务需求仍须主动对齐。

可计算模型的大量实现工作可以转化为 coding 任务，受益于 AI 编程能力的提升。但既有代码和文档无法完整表达当前用户的目标、隐性知识与实际约束。AI 可以帮助推断和澄清新需求，仍需要用户确认。关键是让业务知识进入模型，并让这种理解可检查。

第二，AI 可以端到端实现，人的对齐仍需要关注过程。

AGI 时代，人类的工作重心将从“处理技术复杂性”转为“处理社会组织复杂性”——更多人的工作将转向协调目标、知识、责任和判断，问题的复杂性没有消失，对齐的成本仍然存在。最终结果需要验收，过程也需要审阅。开发一个中大型工程如是，开发一个复杂系统模型亦如是。如何能快速做过程校验和结果校验，也就成为了 AGI 时代人机工程的一个关键问题。

第三，需求对齐还带来计算效率的红利。

明确用户关心什么，才能选择模型粒度、安排计算、简化无关细节。这些优化必须保留与目标有关的行为，并接受验证。需求对齐因此同时影响建模质量和执行效率。

Riffoid 就沿着这些认识形成：一个理解用户业务需求、高效率完成复杂系统建模与分析的 Agent harness。这里的 harness，是支持 Agent 使用工具、执行任务、保存产物和接受反馈的工作环境与机制。

用户与 Agent 在同一个工作区里明确问题、修改模型、运行实验、检查证据。行业案例库积累可参考、可复验的经验；高速小模型探索更低的等待时间与成本；云端环境支撑持续执行和批量实验。

它们共同服务于一个目标：降低从问题分析回到完成改进的闭环成本。

课堂让我看到表达问题与实现模型之间的门槛；真实项目让我看到业务理解如何决定交付；持续使用 Agent，让我亲历实现成本下降后，人的工作怎样变化。

我想把这些经历连接起来，做成一个人和 Agent 能够共同使用、共同检查、持续改进的建模工作台。这就是我做 Riffoid 的原因。