YC 专门办了一场 Paper Club，主题就叫《Why the Harness Matters More Than the Model》
同一个模型，同样的推理强度，只是换了外面那套运行框架，成绩从 62.7% 跳到 98.6%——分差 35.9 个百分点，成本还从约 2.61 万美元降到 1.73 万美元。这不是两个模型对比，是同一模型的两次考试。
大脑没换，只是换了干活的方式，Agent 几乎变成了另一个水平。
几天后 YC 专门办了一场 Paper Club，主题就叫《Why the Harness Matters More Than the Model》，由 YC 的 François Chaubard 主持，请来 Prime Intellect 的 Seth Karten、斯坦福的 Jon Saad-Falcon，以及 YC 自己的 Josh France 和 Regan Bell。三组视角不同，落点一致：胜负手正在从「谁的模型更强」转向「谁能把模型更好地组织起来」。
模型能力正在变成一种给定条件。在这个条件相同的前提下，Agent 之间还能差出三十多个百分点——这就是 Harness 的价值空间。
Harness 是模型外面那套工作方式
Harness 本义是马具：套在马身上，把马的力量传导到车上的那套装置。放到 AI 语境，它是模型完成真实任务时外面的一整套框架——系统提示词怎么写、上下文怎么组织、能调用哪些工具、记忆存在哪、子 Agent 怎么分工、会话怎么管理。
一句话区分：模型决定大脑多聪明，Harness 决定这个大脑干活时手里有什么。任务中能看到哪些资料、能用什么工具、前面做到哪一步还能不能接着干，都不由模型决定。
Chaubard 的经历很典型。今年 3 月他试用 Karpathy 的自动研究项目，起初只是想加个界面，好看清楚 Agent 到底在干什么、实验跑到哪一步。做着做着，资料检索、实验、评审、写作、进度管理陆续被接了进来——他后来才发现，自己无意中搭出了一套完整的 Harness。
现在他只需要给出研究方向和评价指标，后面由多个 Agent 持续推进。三四月份产出的论文还比较粗糙，到后来一次丢进去多个研究想法让系统自己跑，回来收结果，质量已经相当不错。模型没有更新换代，交付却越来越好。
值得注意的是，改提示词、接工具、套任务循环这类活，过去在机器学习圈子里一直不太上得了台面，甚至有人公开质疑它算不算真正的 AI 研究。而现在，这个被轻视的环节已经可以直接拉开成绩。
优化对象正从提示词一路推进到 Harness 本身
过去几年 Harness 的重心是增加能力，现在它自己成了被优化的对象。这条路径分三步走。
第一步是提示词。以前不好用只能靠人一次次试，现在 DSPy 这类系统自己尝试不同写法，再用测试结果挑出最好的版本——调提示词从手艺活变成了搜索问题。
第二步是 Harness 本身。Darwin Gödel Machine 走得更远，它不只调提示词，还能直接修改运行 Agent 的 Harness 代码：一套流程不好用就换种写法，再用测试结果判断新版是否更好。论文实验中，它把 SWE-bench 成绩从 20% 提到 50%。
第三步是让历史经验进入下一版。Continual Harness 让 Agent 回看过去的任务记录和结果，再决定要不要改提示词、加技能、更新记忆或调整子 Agent 配置。一次次跑任务留下的经验，开始沉淀进下一版 Harness。
更激进的方向是让模型本身在运行中继续学习——把 Agent 刚产生的数据重新用于训练，甚至在测试阶段直接更新权重。优化的方向正在从 Harness 往模型里面走，两者的边界被打通了。
模型越强，Harness 越不该把流程写死
一个反直觉的发现：模型越来越强以后，Harness 反而不需要替它写好每一步。
过去做 Agent 的常见思路是把流程拆得很细——第一步做什么、第二步调什么工具、第三步怎么判断。这带来稳定，但也埋了雷：任务一旦变长、环境一变，提前写好的流程很容易失效。
Prime Intellect 的 Seth 介绍的 Prime Agent 思路相反：少规定流程，多准备可调用的资源。核心设计是信息分层，Agent 需要的信息放在三个地方。
当前最重要、正在使用的信息直接进上下文；历史太长就先压缩，只留当前任务真正需要的部分。程序、计算结果和任务进度保存在一个持续运行的 REPL 里——可以理解成不会因一次调用结束就清空的编程环境，前面写过什么代码、算出什么结果，后面直接接着用。长期记忆、技能和提示词放外部存储，需要时再取。
子 Agent 同理，完成一次任务后不会被清空，积累的上下文保留下来，再次唤醒就能接着原来的活干。这实际上重新划分了 Harness 和模型的职责，价值在长周期任务里最明显。
Seth 团队让 Agent 连续玩了七天《异星工厂》。这款复杂的自动化经营游戏需要自己规划生产线、调配资源、解锁技术，一次错误操作就可能改变后续路线。七天里 Agent 调用 633 个子 Agent，产生超过 2300 万输出 Token，完成 196 项技术中的 24 项，并把下一项「高级电路」推进到 71%。
过程中出过一次严重失误，进度从完成 5 项技术倒退到只剩 1 项。但系统没有清空状态重新开始：此前的程序、资源情况和任务记录都在，模型可以按新局面重新判断下一步，然后继续推。这就是 Harness 在长周期任务里的核心价值——它把状态和结果存下来，让连续决策成为可能。
但更大的自主空间不等于 Harness 能替代模型。ARC-AGI-3 公开集上，Prime 搭配 Claude Opus 5 的 RHAE 得分 95.5%，换成 Terra 只有 25.7%。同一套 Harness，底层模型一换，结果差近 70 个百分点。
准确的说法是：Harness 放大模型已有的能力，而不是凭空创造能力。
本地小模型的差距，可以从模型外面补回来
另一个更实际的场景是个人 AI 的本地化。今天大量个人 Agent 依赖云端大模型，写作、研究、编程、日程都交给它，代价很直接——长期 API 费用可能达到数千美元，邮件和文件还要不断发到云端。
斯坦福的 Jon Saad-Falcon 介绍的 OpenJarvis 想解决的就是这件事。麻烦在于本地模型还不够强：他提到本地模型与最前沿模型之间大概还有 6—12 个月的能力差距。这也不是把 Claude 换成一个开源模型就能解决的。
他们做过一个很直接的实验：把 OpenClaw 和 Hermes Agent 原本用的 Claude Opus 4.6 直接换成 Qwen3.5-9B，其他全部不动，两项测试准确率分别掉了 24.8 和 38.8 个百分点。
OpenJarvis 的办法是把整个 AI 系统都纳入优化范围，拆成五层：模型选什么、模型怎么跑、Agent 怎么工作、能调用哪些工具和记忆、系统后面怎么继续学习。每层都能单独调整再重组。比如先让更强的云端模型分析失败案例、判断问题出在哪，再帮本地系统改配置，优化结束后每天真正运行的仍是本地模型。一句话，大模型负责判断，小模型负责执行。
效果是：Qwen3.5-9B 本身完全不变，整套系统优化后在上述两项测试里分别追回约 56% 和 77% 的性能损失。放到更完整的八项测试中，表现最好的一套本地方案平均准确率 80.3%，Claude Opus 4.6 是 83.5%，差距缩到 3.2 个百分点，其中四项本地方案已经追平或超过最好的云端结果。
更关键的是成本口径：本地方案的边际 API 成本大约只有云端的八百分之一，端到端延迟缩到约四分之一。
个人 AI 从云端走向本地，不一定要等小模型完全追平大模型——Harness 本身就可以先补回一部分能力差距。
Agent 进了公司，Harness 要管的是运维和权限
当 Agent 真正进入公司，问题就不只是能不能干活。几十个 Agent 同时跑，怎么部署、怎么维护、能访问什么、能改什么，开始变得同样重要。
YC 内部从 2025 年初就开始探索，最早只是系统提示词、工具和任务循环，后来接入 Slack、定时任务和虚拟机，让 Agent 改代码、跑测试，甚至拥有类似「自己电脑」的环境。但把能力扩到全公司，问题马上出现：团队一度在虚拟机里部署了 50 多个 Hermes Agent，每个人单独配置，某个 Agent 出故障，工程师还得逐个登录对应实例排查修复，维护成本立刻上来。
Josh France 和 Regan Bell 介绍的内部 Harness QM 就是冲这类规模化问题去的。核心改动是不再让 Agent「住」在某台机器里：对话、上下文和长期状态集中保存，虚拟机和隔离环境变成需要时再调用的资源，Agent 可以按任务选机器，甚至切换模型服务商。到这一步，Harness 的角色已经从给单个 Agent 接工具，变成负责一群 Agent 的状态、资源和运行方式。
规模化之后，真实办公环境暴露了三个难绕开的问题。
第一，Agent 会把局部问题当成全局问题。YC 试过让 Agent 根据运行记录自己找 Bug、改系统，效果好坏参半。团队把其中一种失败模式叫「主角综合征」——Agent 只看到自己遇到的那一小块，却可能提出影响整个系统的修改。这类修改目前仍需人工把关。
第二，Agent 太容易提前放弃。明明还有时间和工具，试几次就直接宣布失败。YC 的做法是做了个 Grind Tool：给任务设定最低运行时间或 Token 预算，没到门槛不允许结束。
第三，也是最麻烦的，是权限。Agent 进了 Slack 能看到大量上下文，却未必理解哪些信息能告诉谁。人类知道同事私下说的话不能随手转进另一个群，但 Agent 如果没有明确的权限边界，敏感信息就可能在会话之间流动。YC 目前大部分数据库权限保持只读，需要写入时先由 Agent 提方案、人确认。
但人工审核也不是万能答案。随着员工越来越信任 Agent，人可能逐渐习惯直接点通过——审核本身会退化成一道形式。
所以企业 Agent 下一阶段真正要补的，可能不是更多能力，而是一套既能把 Agent 规模化跑起来、又能把权限真正管住的 Harness。
过去两年行业的注意力几乎全押在模型上，这没有错，模型仍然是地基。但接下来，差距会越来越多地产生在地基之上。模型决定你能走多快，Harness 决定你能不能一直走下去、走多远。