一個人，
做出 400 人的產出

同一個產品蓋三次，
從 400 萬美元到 200 美元

Garry Tan 當了多年投資人、又全職經營 YC，已經 13 年沒寫過程式。但今年初他重新坐回鍵盤前，幾個月內出貨數十萬行程式碼，做出在 GitHub 上衝破 10 萬星的開源專案。連網路上很多人都不相信這是真的——但身邊的合夥人親眼看著它發生。

故事從一個叫 Garry's List 的網站開始。它其實是 Garry 第一個 YC 創業作品 Posterous（email 寫部落格、曾經是全球前 200 大網站、後來被 Twitter 以約 2,000 萬美元收購）的第三次重建。重點是這三次的成本差距：

那 200 美元，就是他的 Claude Code Max 帳號月費。而且第三版不只是個部落格平台——它內建完整 RAG、agentic 檢索，能去爬整個網路、做任何主題的深度研究，自動寫出附完整出處的長篇報導。Garry 的觀察是：以前的軟體是「你做一個工具，讓人去用」；Garry's List 卻是直接做掉一位調查記者的工作，而不是記者拿來發稿的工具。

他做這件事的動力很私人：舊金山公立學校的七、八年級生很難修到代數，而他正是當年靠公立教育、才得以進史丹佛念工程、才開始寫程式的人。痛點夠真，他才動手。

把海煮乾：
別停在「人類會做到的程度」

Garry 把這套心法叫做 token maxxing，背後是他一篇文章的標題——「Boil the Ocean（把海煮乾）」。意思是：在蓋 agentic 軟體時，你不必再像人類寫程式那樣將就。如果一份研究人類要做一個月，你現在可以「把石頭電得更用力」——多付一點錢、多燒一點 token，就把它做到完整。

以寫報導為例：一個來源不夠，就抓 20 個來源交叉比對，看「這 13 個來源這樣說、那 7 個來源不同意」，把全部 context 餵進核心 prompt，再做出比人類點一個連結、看一個標題更好的判斷。而且這不只是寫文章——Garry 認為所有能稱為「知識工作」的東西，都能被 token max。

但他特別強調：token maxxing 不代表不需要人。人要負責供應「agency（能動性）」——是他在乎代數教育、是他想要這件事發生。機器負責把他不想做的苦工做掉。他說要做出能完全不需要人的軟體，會讓他很意外；他也從不想完全離開迴圈，只想讓機器去做他不想做的事。

400x 產出背後，
是一套會自我迭代的 skill

Garry 沒有刻意要做 G Stack。一切只是因為他受不了一直在 Claude Code 裡打同樣的字，於是把 Apple Notes 裡那些反覆寫的指令都整理出來，變成可呼叫的 skill。最早的一個叫 plan-eng-review，貼到網路上就被 20 萬人看到。其中兩個關鍵技巧很值得抄：

他把這些 skill 串進 Conductor，變成日常工作台：CEO、設計師、開發者體驗、plan-eng 一路跑下來，最後再跑 /codex 找出所有問題。他在 48 小時內丟出 13 個 PR，同時有 15 個功能排隊等他手動驗收。G Stack 大量依賴 ask user question——因為這正是「人類操作者」要供應理解與判斷的地方，沒有東西能取代。

至於那個爭議的「400x」：Garry 真的去跑了標準化工具，把程式碼拆成「邏輯行數」。結果發現，AI 不會像人類那樣為了交差而灌水行數；而他 2013 年的舊程式碼被拆掉約 70% 的灌水後，倍率反而從 100x 往上跳到 400x。他也坦承自己當初在網路上嗆人嗆得太兇，背後其實有更深的道理：產業文獻裡，一個專業工程師一天能寫的、上得了 production 的程式碼，不是 100 行，而是 30、50 行。另外他也學到一課：測試覆蓋率抓 80–90% 就好，不是 100%；沒測過就丟使用者進去，那叫 slop，比人寫的還糟 10 倍。

Markdown 就是程式碼，
難的是畫出那條分界線

Garry 把這套哲學濃縮成一篇爆紅貼文：Thin Harness, Fat Skills（薄殼、厚技能）。harness（殼）是那個核心迴圈——接收輸入、交給 LLM、執行它的 tool call。這種東西已經有很棒的現成品（像 Claude Code），不該自己一再重寫。你該把時間全花在思考「該寫哪些 markdown」。

因為在他的經驗裡，markdown 其實就是程式碼，只是用不同方式編譯。真正的功夫，是決定哪些放在「latent space（LLM）」、哪些放在「deterministic（程式碼）」。他用婚禮籌備來比喻：一份「怎麼辦婚禮」的清單該用白話寫成 markdown，因為 LLM 知道你是誰、懂特例；但「打給 20 間場地」這種真實動作，就該寫成對 Twilio 的程式呼叫。今天 agentic engineering 的所有困難，幾乎都來自「把該放 markdown 的東西硬寫成 code」——而 code 很脆、不懂特例、根本不知道你想要什麼。

他對現況最傳神的比喻是 法拉利：用 OpenClaw 這類 agent 像開法拉利，快得令人興奮，能做到你以為機器辦不到的事；但它也像法拉利，會在你最需要的時候拋錨在路邊，你最好自己就是技師、能掀引擎蓋修。他說這正是 1976 年「Homebrew Computer Club」、Apple 1 剛出來的時刻——要有人花兩三小時、幾百到上千美元的 token，才能讓這台「組裝法拉利」跑起來，但一旦跑起來，你就想對全世界大喊：我有一台法拉利。

你會掌控自己的工具，
還是被工具掌控？

Garry 的判斷是：就像當年個人電腦把運算從大型主機手中解放出來，我們正要經歷一模一樣的轉變——個人 AI。他保證，明年的此時，幾乎每個人都會有一個屬於自己的 AI。問題是它長成什麼樣子。

一邊是企業控制的世界：你去某個服務，它像你的 Facebook 動態牆，背後是誰寫的演算法、對誰有利、用的是哪個模型，沒人知道。你活在某個 PM 或工程師決定好的「API 線之下」——而那個人不認識你、不懂你的需求、不在乎你獨特在乎的事。另一邊是個人擁有的世界：你有自己的資料、自己的整合、寫自己的 prompt，能掌控自己看到什麼。

但他也誠實點出公眾的落差：要拿到這些能力，你得用最新最強的模型、燒掉大量 token，現在確實很貴（成本正在下降）。很多人只試了入門款或免費模型，就以為 AI 不過如此。token maxxing 這條路，門檻就是願不願意燒。

最後他把整集收束在一個很私人的畫面：他坐在頂尖工程師 Boris Cherny 旁邊，發現「我們用同一個 prompt、同一台 MacBook Pro」——他能做的，我也能做。他鼓勵看影片的人：你我沒有不同，都從同一個起點出發。他談到自己想當「時間億萬富翁」——不是靠自己的時間，而是向機器借時間，買來幾百萬年的機器運算，去服務他在乎的人與志業。