用户仍需要引导

AI 需要目标、上下文、偏好和边界，才能开始工作。用户脑子里可能有一个模糊愿望，但模糊愿望还不能直接变成一条可执行的任务。

过去的软件可以把这部分留给用户。表单、菜单和流程已经被固定下来，用户只要按顺序填完，就能得到一个相对确定的结果。

Agent 软件把可能性打开了。它能做什么，取决于用户这一次想完成什么。问题也就跟着来了：当产品给出一块很大的空白，用户要先替自己完成一次任务定义。

很多人卡住，不是因为能力不足，而是因为还没做这次定义。他知道自己想改善一件事，知道手里有一些材料，但还不知道该从哪一个结果开始。

如果这时产品只给一个输入框，再告诉用户“尽管问”，它其实把最难的一步退回给了用户。模型看起来自由了，用户反而更难进入。

所以引导不能只被理解成第一次使用时的说明。它应该进入任务本身，帮用户把一个模糊的念头逐步压成可以执行的目标。

比如先问这次更想要一个方案、一个初稿，还是一个可以直接执行的结果；再问更在意速度、质量、风格，还是可控性；最后让用户确认哪些部分可以交给 Agent，哪些地方必须自己拍板。

这些问题看起来像产品在增加步骤，但它们减少的是后面更大的猜测。模型不需要从一片空白里猜用户的意图，用户也不用等结果出来之后才发现方向一开始就没有说清楚。

选择题在这里很有用。它把用户不容易直接表达的偏好，变成几个可以比较的选项。用户不一定能写出一份完整 spec，但通常可以判断两个结果哪个更接近自己。

选择还有一个容易被忽略的作用：它让用户参与了结果的形成。

当用户选过目标、风格、范围和确认点，他面对最后产出时，会更清楚这份结果是怎么来的。即使结果还需要修改，他也有一条自己的判断路径可以回看，而不是只接收模型突然交出来的答案。

这会影响信任。信任不只来自模型做得准，也来自用户知道自己在过程中做过什么决定。

当然，引导也不能变成一套很长的问卷。每个问题都应该对应一个会改变结果的变量。问得太多，用户会觉得自己在替产品填配置；问得太少，模型还是只能猜。

更合适的方式，是边做边问。先用一个小选择让任务启动，再根据任务状态继续补问。用户可以随时改选，系统也应该把这些选择带回到执行过程里。

这样看，harness 的边界会变宽。它不只是连接模型、工具和流程，也要连接用户还没有说清楚的意图。

一个好的 harness，会把复杂的决策拆成用户能判断的小问题，再把这些判断重新交给模型执行。模型负责把选择变成结果，用户负责决定结果应该朝哪里走。