Claude Code之父：Harness保质期只有半年，大胆删除才是产品之道
摘要：Anthropic的Boris Cherny（Claude Code之父）在最新访谈中提出一个反直觉的产品策略：每六个月删除一次Claude.md、skills、hooks等所有自定义配置，通过消融实验来测试每一行指令的真实价值。他强调模型是活体生物，产品迭代要靠测试而非预判，并分享了“产品悬余”（模型能力总超出现有产品边界）和“解缚”（给模型更自由的任务空间）两个关键概念。对开发者而言，这意味着要敢于做减法，不断释放模型被低估的能力。
大胆删除：重新审视每一条指令
“每六个月，删掉你的Claude.md，删掉你的skills，删掉你的hooks。”这是Boris Cherny——Claude Code之父——给产品使用者的核心建议。
在YC7月28日发布的访谈视频《Boris Cherny: We Cut 80% of Claude Code’s Prompt》中，他呼吁所有AI产品开发者：勇敢按下删除键，大刀阔斧地删掉系统提示词、工具和harness代码。
“你应该把整个系统提示词全删掉，然后一行一行加回来，看看每一行到底有什么影响。”
这背后的方法是消融实验（ablation study）：在控制其他条件不变的前提下，移除、替换或关闭一个模块，比较性能、稳定性、效率或成本的变化。这个概念贯穿了整个访谈。
Boris自豪地说：对于Opus 5，我们真心建议大家试试把这些东西全删掉，因为模型已经不需要了。
模型是活体生物：迭代靠测试不靠预判
7月24日，Anthropic发布了关于Claude 5上下文工程的最新规则。针对Opus 5、Fable 5等新模型，Claude Code的system prompt被大幅精简，删除了超过80%的原有指令。Boris在访谈中解释了背后的产品迭代策略：
“你不要去猜模型需要什么指令，因为你根本猜不对。你能做的就是一行行去删除，去测试，然后找到模型反复卡住的地方。”
他强调要把模型当成一种活的生物、更有机的东西。每一代模型的行为都不一样，性格略有不同，必须花时间去了解它，然后据此调整harness。
因此，Boris的做法是经验性的：不加预判地尝试，查看结果，迭代，重复。他甚至指出，就连Eval（评测集）也未必能稳定使用。虽然Eval比harness和prompt更耐用，但模型进化太快，很多评测会被快速刷到满分。所以需要观察模型到底在哪里不断挣扎，然后设计新的Eval。
产品悬余：模型能力永远跑在产品前面
访谈中，Boris分享了一个很有价值的概念：Product Overhang（产品悬余）。
Overhang原意“悬垂物”，这里指：大模型以不连续的跳跃式速度进化，而产品集成却以连续的增量式节奏推进。这导致模型所具备的能力总是超出现有产品所能释放的边界。
他举了一个例子：2024年底Sonnet 3.5刚推出时，模型已经能一次性写整个文件的代码。但当时的编程产品Copilot、Cursor早期版还在做补全代码这样的小事。拥有完整终端权限的Claude Code一定程度上弥补了这种差距。
解缚：给模型更自由的任务空间
Boris提出的第二个概念是Unhobbling（解缚），直译就是“去掉束缚”。他分享了一个Anthropic内部案例：有人给Opus 5接入OpenCV（全球最大的开源计算机视觉库），结果发现模型能自己画出人物肖像、动物风景——而此前他们从未训练过模型去画画。
这说明，只要给模型足够的自由度和工具访问权限，它就能释放出超出预期的能力。对于开发者来说，与其通过复杂的提示词和规则去限制模型，不如拿掉不必要的手铐，让模型去做更难的任务，独立工作更长时间。
关键要点
- 产品迭代的核心不是预判，而是测试：把模型当活体生物，通过消融实验逐一删除指令，观察真正卡住的地方，再针对性优化。
- 定期删除是成长的代价：每六个月清空Claude.md、skills、hooks，重新构建配置，避免冗余指令拖累模型表现。
- 模型能力永远跑在产品前面：不要过于自信地预设模型能干多少事，而是通过“解缚”让它挑战更复杂、更自由的任务。
- Eval也会过时：随着模型快速进化，评测标准需要持续更新，重点观察模型反复挣扎的领域。
- 给编程学习者的启示：不要只关注写prompt，更要学会用科学的实验方法——删除、测试、迭代，让模型展示它真实的能力边界。
本文继续探讨 Claude Code 之父 Boris 的核心理念：如何通过"模型激发"（不改变权重，仅靠提示和脚手架）释放 AI 的真正潜力。他分享了三条实用方法——给模型更难的任务、多做实验、让模型自我验证，并用一个跑了两周的 Swift 重写案例生动说明。最后，他给开发者和创业者提供了放下控制欲、拥抱经验主义的具体建议。
什么是"模型激发"？能力早就存在，只是你没叫醒它
所谓"模型激发"（model elicitation），就是在不修改模型权重的前提下，通过调整提示词、上下文、工具或产品形态的设计，让模型"演示"出它本来具备、但之前从未被调用的能力。这就像给一个沉睡的天才递上能发挥他特长的工作台，而非试图硬塞新知识。
当然，这里有一个学术争议：当模型展现出新行为时，到底是它原本就会，还是脚手架让它学会了新技能？归因很难。
但 Boris 认为这个问题并不妨碍商业机会：
我不是说所有创业公司都能抓住。但我知道有人在思考这些问题，这里真的有巨大的机会，能从模型身上激发出那些令人惊叹、有趣、而且有商业价值的行为。
Boris 的模型"解缚"三法
为了让模型真正跑起来，Boris 给出了三条具体操作指南：
第一，给超出你想象难度的任务。 把目标、边界和退出条件说清楚，然后果断放手。别因为担心模型做不好就只给简单任务——你需要挑战它，让它真正运转起来。
第二，多做实验，给模型"玩"的空间。 允许模型执行一些没有明确商业目的、但好玩的尝试。"给自己自由去玩模型、去做有创意的事"，这是探索模型能力上限的有效方式。
第三，让模型自己验证成果。 Boris 认为这恰恰是当下大家做得最差的一点。"现在的问题已经不是'prompt engineering'了，而是：当你把一项极其困难的任务交给 Claude 后，怎么让它一边干活一边自我检查？"如果模型不能自我验证，它就永远无法长时间独立运行。
△该图片系AI生成
Boris 用亲身经历演示了第三点：
Boris："好吧，我要你做的是——把 Electron 应用重写成 Swift。我要你在 Mac 虚拟机里运行 Electron 应用，截屏，然后逐像素对比，跟 Swift 版本比，没做完就不要停。"
主持人：这就是你的 prompt？
Boris：这就是我的 prompt。
主持人：跑了多久？
Boris：还在跑。
主持人：什么时候开始的？
Boris：已经跑了两个多星期了，大概 14 天、15 天吧……Claude 还决定在内部建了一个 Slack 频道，每隔几分钟就发一张进度截图。
这个例子完美诠释了"让模型自己验证"：Claude 不仅执行重写任务，还主动做了进度直播——这不是你写代码能教出来的，而是模型被充分激发后的自然行为。
给 AI 使用者和创业者的实用建议
访谈最后，主持人问了个实际问题：我们怎么才能像你一样用好 Claude？
Boris 的回答干脆利落：别听那些 LinkedIn 和 Twitter 上的"网红"说教。
"每个人都在找那种'奇技淫巧'。但根本就不存在那种东西。"
他建议用经验主义的方式对待模型：忘掉过去对旧模型的偏见，忘掉课堂上学的那套计算机科学理论，直接观察模型在哪里卡壳，再针对性地调整。
它已经不是一门理论科学了，它已经变成了一门经验科学。我觉得那些特别擅长放下自己的先验，放下那些'以前不行'的想法，愿意再试一次的人——会非常非常成功。
更关键的是心态转变：放下对模型的"控制欲"。把模型当成同事一样相处，不要过度指定步骤，不要硬让它按你的方式做事。"模型不是那样工作的"——你越试图掌控细节，它越会束手束脚。
对于那些还在学编程的人，Boris 直言：不要只学纯计算机科学理论，要学怎么用。 他本人最初学编程的动力，只是想在数学考试里作弊。真正的价值在于结合：
通常这关乎创业，关乎做产品，关乎培养你自己的设计感、商业感，学会怎么做数据科学，学会怎么跟用户对话……当你把它们和计算机科学、工程结合起来的时候，才会变得真正有价值。
最后他给了一句很实在的建议："先做自己想要的东西，再升级去做别人想要的东西。"
