Lenny 今天这期把最近 AI 工具圈一个高频词讲透了：harness 不是又一个提示词技巧，而是把一个重复、结构化、工具很多、权限敏感的工作流，封装成一个可复用的小系统。Claire 现场做的是 Sentry bug triage harness：它自动拉 Sentry、Linear、GitHub、Vercel 的上下文，先收证据，再判断 root cause，最后产出团队能继续用的 artifacts。
💬 「all without me needing to type ‘dear agent, please fix this bug’ ever again.」
💬 一句话结论： 这不是普通摇椅，而是 Elvie / Willow 组合开始把产后硬件从“吸奶器货架”扩到 baby sleep / soothing 入口。
💬 关键机制 / 关键事实： Elvie Rise 定价 $599.99，定位是 smart bouncer + bassinet：宝宝清醒时用 bouncer 安抚，困了后转成 bassinet，不需要把宝宝抱起再换地方；官方重点强调“transforms into a bassinet without moving baby”。PR Newswire 里还特别写了安全边界：bouncer mode 不能用于无人看护睡眠，宝宝睡着要尽快切到 bassinet mode。
💬 对我们的启发： 这个样本值得拆的点不是“摇一摇”技术，而是它把妈妈最焦虑的两个场景——哄睡前的安抚和睡着后的安全边界——做成一条连续路径。对母婴硬件来说，下一代入口很可能不是单一设备，而是“一个高频焦虑场景 + 一个安全边界 + 一个 App 记录入口”。
⚡ 这周做： 用 40 分钟画一张“产后 0-6 个月夜间链路图”：安抚、喂奶、拍嗝、入睡、监测、异常提醒，标出 Momcozy 现有设备分别卡在哪个环节，看看有没有一个“从动作到安全边界”的连接点。
💬 一句话结论： Oura 这类穿戴设备能告诉用户“睡得怎么样”，Oova 想补上的是：激素变化为什么会让你这样睡、这样累、这样焦虑。
💬 关键机制 / 关键事实： Oova 把自己的 daily hormone patterns、symptom tracking 和 Oura 的 sleep / readiness / recovery 数据放在同一条 timeline 上。它引用的临床研究发现，perimenopause 用户的 estrogen pattern 与 sleep duration、anxiety 存在显著关系；创始人的表达很清楚：wearables 已经很会说“发生了什么”，但女性用户还在问“为什么”。
💬 对我们的启发： 这条对母婴 AI 很有参考价值：单个指标本身不够，用户真正想要的是把多个身体信号翻译成可理解的生活解释。母婴场景里，泵奶量、睡眠、情绪、乳房不适、宝宝作息如果分散在不同入口，用户只会更焦虑；产品价值在于把它们串成一句能行动的解释。
⚡ 这周做： 找 5 个妈妈真实记录样本，试着把“泵奶量 + 睡眠 + 情绪 + 宝宝作息”合成一条 timeline，再写 3 句用户听得懂的解释：发生了什么、可能为什么、今天怎么调。
💬 一句话结论： Clue 不是只在做 period calendar，它把自己包装成一个更可信的女性健康底座：regulated medical device、GDPR 隐私、200+ 症状、生命周期模式、wearable 数据接入。
💬 关键机制 / 关键事实： App Store 页面显示，Clue 评分 4.8 / 399K，最新版本 283.0（Jul 1），并标注为美国法律下的 regulated medical device。功能层不是单点：用户可以记录 200+ symptoms and experiences，看周期图表、PMS / cramps / energy 预测、400+ 教育文章，并在 period tracking / trying to conceive / pregnancy / perimenopause 之间切换。它还明确接入 Apple Watch、Oura、WHOOP、Withings、Fitbit 等 wearable 指标，把 temperature、sleep、heart rate 叠到周期数据上。
💬 对我们的启发： Clue 的核心打法是“信任先行”：先用医疗设备身份和欧洲隐私框架降低用户对健康数据的戒心，再用多阶段模式和 wearable 数据把入口拉长。我们的母婴助手如果要承接更敏感的身体/情绪/喂养数据，也需要把“我为什么可以信你”做成产品层设计，而不是藏在隐私政策里。
⚡ 这周做： 拆一页竞品矩阵：Flo / Clue / Ovia / Momcozy App 四列，横向比较“隐私承诺、医疗边界、生命周期模式、可接入数据、可分享给医生/伴侣/照护者的摘要”。只填事实，不先下结论。
💬 一句话结论： 这不是普通版本号更新，而是 agent 工具从“能替我干活”进入“能接更多工具、也能防自己被伪造记录骗”的阶段。
💬 关键机制 / 关键事实： Codex 0.143.0 把 remote plugins 默认启用，catalog rows 更丰富，能显示 npm marketplace sources 和 remote/local 版本，还新增 codex remote-control pair、系统代理支持、MCP tool search 默认打开。Claude Code v2.1.205 则补了另一侧：auto mode 会阻止篡改 session transcript files，background agent 状态更可靠，/doctor 变成完整 setup checkup。
💬 对我们的启发： agent 真正进工作流后，两个问题会同时出现：一边要让它更容易接工具，一边要保证它留下的过程记录可信。母婴 AI 如果未来连接设备、客服、内容审核和用户记录，也会遇到同样的产品问题：不是“能不能调用工具”，而是“调用了什么、谁授权、过程能不能回看”。
⚡ 这周做： 选一个低风险内部流程，列出它需要的 3 类工具、2 个权限边界、1 个必须保留的日志记录；不要先接 AI，先写清楚这个 harness 的“可扩展”和“可审计”需求。
最近工具圈一直在说“不是模型，是 harness”，这句话的重点不在概念新，而在工作方式变了：通用 agent 适合开放探索，但企业/产品团队最常见的任务其实是重复的、结构化的、需要接多个工具、还要留痕。harness 的价值就是把这类任务封装成一个稳定的小系统：输入是什么、能用哪些工具、权限到哪里、输出什么 artifact，都预先写进流程里。
对我们来说，最值得学的是它的产品化思路。不要把所有 AI 能力都放进一个聊天框；应该把高频任务拆成几个固定 harness，例如“用户反馈归因”“母婴内容安全审核”“设备异常解释”“哺乳风险升级提醒”。每个 harness 都只解决一个明确场景，但留下可复用的证据、判断和后续动作。
💡 关键启发： 真正能规模化的 AI 工作流，不是更会聊天的 AI，而是更少依赖临场发挥的流程。
→ https://www.lennysnewsletter.com/p/what-a-harness-is-and-how-to-build