今天在路上，脑子里突然冒出来一个很久以前学过的名字：泰勒。
以前学工业工程时，科学管理、时间研究这些内容都学过，但后来很少再主动想起。今天不知道为什么，突然把它和 AI 联系到了一起。仔细想想才发现，一百多年前泰勒面对的问题，和我们今天面对 AI 时的状态，竟然有点相似。
工厂已经工业化，工作却还停留在经验时代
19 世纪末，机器越来越多，工厂越来越大，但“一件工作到底应该怎么干”，很多时候仍然掌握在熟练工人自己手里。
老师傅怎么干，徒弟就怎么学。
泰勒后来回忆 Midvale Steel 时说，当时的车间实际上是：
“really run by the workmen, and not by the bosses.”
表面上老板在管理，但真正知道工作怎么完成的是工人。
所以当时很多管理其实就是：
我告诉你要什么结果，至于怎么完成，你自己想办法。
泰勒真正改变的是这里。他提出：
“Science, not rule of thumb.”
不要只凭经验，而要开始研究工作本身。
把工作拆开，观察不同的人怎么做，比较方法，测量效果，再形成相对稳定的工作方式。
他研究过搬运、铲料这些今天看起来非常普通的工作。但真正重要的不是某一个动作提高了多少效率，而是：
以前大家关注“这个人干得快不快”，泰勒开始研究“这件事究竟应该怎么干”。
工作本身，第一次成为了研究对象。
今天用 AI，其实也有点像
现在模型已经非常强了。
写文章、做研究、写代码、做 PPT、分析数据，很多事情都能干。
但我们的使用方式经常还是：
“帮我写一个方案。”
“帮我分析一下。”
“帮我做个 PPT。”
然后等结果。
这其实和泰勒之前的工厂有一点相似：
我们规定了结果，却把“到底应该怎么做”，整个交给了执行者。
只不过以前是工人，现在是 AI。
所以 AI 用到后面，我越来越觉得，真正值得研究的可能不是 Prompt 怎么写，也不只是哪个模型更强，而是：
这类工作，本来应该怎么完成？
我觉得这里至少有三个层次。
第一层：把能力放对位置
很多人现在甚至还分不太清，什么问题应该交给什么能力。
比如做 PPT。
整理观点、写标题、梳理故事线，本质上是文本问题；设计一页到底长什么样，是视觉问题；看一张设计图哪里不协调，是多模态理解问题；最后把设计变成 HTML 或可编辑的PPT页面，又变成了代码问题。
所以同样叫“做 PPT”，实际可能是：
文本 → 视觉 → 多模态 → 代码。
如果所有事情都塞进一个聊天框里，效果不好，有时候不是 AI 不够强，而是能力没有放到合适的位置。
第二层：研究工作方法
再往后一步，即使未来有一个模型什么都会，这个问题依然存在。
假设一个模型既能写文字、生成图片，又能写 HTML。你当然可以直接说：
帮我做一页 PPT。
但另一种方法可能是：
先把观点想清楚 → 生成视觉方案 → 选定方向 → 根据设计还原页面 → 最后检查和微调。
模型甚至可以还是同一个，但结果可能完全不同。
因为改变的不是模型，而是工作方法。
所以我觉得：
最强模型解决的是能力上限，工作方法决定的是这些能力怎么被组织起来。
这也是为什么我越来越觉得，Prompt Engineering 只是其中一部分。
更大的问题其实是 Work Engineering：
研究工作本身。
第三层：把方法变成系统
但方法研究出来，还不算结束。
如果每一次做 PPT、做研究、写代码，都还需要自己重新告诉 AI：先干什么、后干什么，要读哪些资料，遵守什么规则，做到什么程度算完成……
那这套方法其实还是存在人的脑子里。
很像过去的老师傅。
他很会干，但一旦换个人，这套方法可能就没了。
所以再往前一步，是把方法变成系统，也就是现在经常讲的 AI Harness。
我觉得一个简单的目录就能说明问题：
industry-research/
├── AGENTS.md
├── CLAUDE.md
├── README.md
├── cases/
├── experiments/
├── method.md
├── eval.md
└── changelog.md这里最有意思的是 AGENTS.md、CLAUDE.md 这一类文件。
它们有点像以前工厂里的工作手册。
一个新人上岗前，要先知道这里是干什么的、有哪些基本规则、资料放在哪里、工作按什么原则进行、做到什么程度才算完成。
现在 AI 也是一样。
每次进入这个目录，它先读这些文件，就相当于：
工作之前，先把这份岗位手册看一遍。
cases/ 保存真实案例，experiments/ 记录尝试过的方法，method.md 保留当前最好用的做法，eval.md 判断到底有没有变好，changelog.md 记录为什么发生变化。
于是就形成了一个循环：
做一次 → 留下过程 → 找到问题 → 修改方法 → 更新工作手册和 Harness → 下一次再执行。
这个时候，工作方法才真正从“个人经验”慢慢变成了“系统能力”。
从研究模型，到研究工作
想到这里，我觉得 AI 发展到今天挺有意思。
前几年大家主要研究模型，后来开始研究 Prompt、Agent、Skill、MCP。
但继续往前走，也许又会回到一个非常古老的问题：
工作到底应该怎么做？
一百多年前，泰勒面对的是工业化。机器进入工厂，但工作方法仍然大量依靠老师傅的经验。
今天 AI 已经进入知识工作，但很多时候我们仍然只是把任务交给它，然后看看它能做成什么样。
技术能力的提升，并不会自动带来工作方法的升级。
模型再强，也不代表工作天然就会按照更好的方式完成。
所以真正值得长期积累的，也许不是“我会不会用今天最强的模型”，而是：
我有没有越来越理解自己的工作。
什么能力应该放在哪里，一件事应该按照什么顺序完成，什么叫做好，失败以后怎么修正，以及最终能不能把这些经验写进规则、方法和系统里，让下一次做得更好。
泰勒当年说：
Science, not rule of thumb.
放到今天，我更愿意把它理解成：
别只是用 AI。
开始研究，我们到底应该怎样工作。