Harness大战

11月7日，微软公布一份技术白皮书，主题是Agent执行系统。其中一组测试结果有些出人意料：模型仍是Claude Opus 4.8，仅把Copilot Studio背后的Harness换掉，复杂任务的通过率就上涨了22.1个百分点。新系统每项任务调用模型的次数接近翻倍，折算下来输入Token消耗反而能省21%。

十天前，微软才刚表态要把统一的Copilot Harness铺到旗下多款产品上，同时借云平台向开发者售卖托管服务。

11月5日，月之暗面发布Kimi Hosted Agents（托管智能体），正式抛出Harness as a Service的说法。更早之前，8月DeepSeek开源了自己的Harness；OpenAI和Anthropic动手更早，已将内部运行系统做成开发者可调用的服务。

大模型背后那套“运行系统”，正被模型公司视为关键角色。

图片由AI生成

01 抢滩Harness

所谓Harness，可以理解成围绕大模型搭起来的一套Agent运行系统。模型靠它调用外部工具、连续执行多步骤任务，并按执行结果调整下一步动作。任务跑得久时，Harness还要负责存下状态，让工作中断之后还能接着做。

它和AI应用不在同一层。Claude Code、WorkBuddy这类产品直接面对用户，底层的Harness则能被不同应用反复使用，也能作为独立服务卖给开发者。Agent接手的工作越复杂，Harness对任务成功率、执行效率、运行成本的影响就越明显。

在模型公司里，Anthropic投入Harness研发算早的，起因是Claude Code跑长时间编程任务时遇上了麻烦。

2025年底，Anthropic注意到，Claude的上下文窗口一旦用尽，新一轮对话常常接不上之前干的活。工程师随后改动了Claude Code背后的Harness：每个阶段收尾前先存进度，下一轮再把这些记录读回来，继续做完没完成的部分。这样一来，即便一次模型会话结束，整个编程任务照样能往前推。

今年4月，Anthropic又推出Managed Agents，把这套Agent运行能力以云端服务的形式交给开发者。为了让企业能长期稳定地跑Agent，底层架构也做了调整：Harness管任务推进，历史记录单独存放，AI运行程序的沙箱随时可以换掉。沙箱就算出故障，Agent也能把此前的工作恢复起来。

从Claude Code内部的运行系统，到面向外部开发者的托管服务，Anthropic多年攒下的harness能力，就此变成独立产品。

OpenAI同样把Codex背后的Harness开放给了更多开发者。今年2月，OpenAI透露，Codex网页版、命令行和IDE插件其实共用一套Agent运行系统。8月，Codex被进一步定位成开放的Harness平台，第三方应用可以直接接入。9月推出的Agents API，则由OpenAI负责托管和维护这套系统，开发者能直接接入Agent的运行环境。

沿这条路走，OpenAI既能用Codex直接服务用户，也能把底层执行能力输出给别的软件公司。开发者保留自己的产品界面和业务流程，具体任务交给背后的Codex完成。

8月13日，DeepSeek以MIT协议把Harness全部框架代码开放出来，并提出“Everything is a Plugin”，几乎将整套Agent运行系统拆成可自由拼装的插件。开发者不光能换模型和外部工具，还能改Agent调用模型、执行任务的方式，甚至让Agent自己写插件、装插件。

这套基于Cordis的架构，意图是让开发者免去从零搭运行系统的麻烦，按自己的需求做出不同类型的Agent。

11月5日，Kimi官宣Hosted Agents，提供全天候云端环境。企业可以把Agent放进内部系统，也能嵌进对外销售的产品，同时明确打出Harness as a service。

02 Harness进化

Harness真正热起来，其实并非始于模型公司。

今年初OpenClaw走红，行业已经看到：一家没有基础模型的公司，同样能靠Agent运行系统聚拢大量用户。2月，OpenAI把OpenClaw创始人Peter Steinberger招了进来，参与下一代个人Agent的研发。

之后，Nous Research推出Hermes Agent，试着让Agent把工作中攒下的经验存成可复用的Skills，并在后续任务里不断改进。

3月底，斯坦福大学等机构提出Meta-Harness，让AI依据失败记录直接改写Harness代码，再通过测试检验效果。一项文本分类实验中，准确率提升7.7%，上下文Token消耗降到原来的四分之一。

这些探索为何值得模型公司下注？10月，新加坡南洋理工大学测了66种模型与Harness的组合，结果发现，换一个Harness，模型之间的性能排名都可能被改写。

FrontierHarness Eval的测试也显示，同一个Kimi K3，用Codex时任务通过率是66.7%，用WorkBuddy Creator是63.3%，用Kimi Code则只有56.7%。

基础模型公司想提升表现，光靠改模型本身已经不够，Harness的设计和优化正被摆到更重要的位置。

还有研究者在设法把Harness上的经验反哺到训练环节。7月出现的Co-Harness，思路是先拿失败记录去改Harness，再用优化后的执行数据训练模型；11月公布的HarnessFlow走的是自动搜索更优Harness设计这条路，在六类任务上把平均成绩拉高了10.89个百分点。

自动优化并非没有代价。11月初一项研究在特定实验中发现，某个Harness针对新任务优化之后，原先在SWE-bench上的成绩从94%掉到32%。模型一升级，此前管用的设计也可能失效。

换句话说，Harness的技术积累很难做一次就长期吃老本，怎么在持续改进的同时让不同任务都保持稳定，至今仍是个没解开的难题。

有行业人士提到，这正是部署开源模型的一大痛点。模型公司因此已经开始卖Harness服务：开源框架本身免费，可企业要想让Agent长期稳定跑下去，部署和维护的钱还是得花。Kimi、Anthropic等公司盯上的就是接手这部分工作，把Harness做成独立生意，只是各家做法差别不小。

03 Harness的隐藏价值

Harness已经能单独收费，但从目前的价格表看，模型推理仍是收入大头。

Anthropic的Managed Agents按每活跃会话小时0.08美元收费，Token另算。按官方公布的一小时编程任务示例，总费用0.58美元，托管运行费只占约14%。

Kimi这边分成模型Token、沙箱运行和付费插件三块。它公布的一次投行法律分析任务，估算成本约30元，沙箱费用不足0.1元。OpenAI在Agents API公测期间不收额外服务费，主要按模型和工具使用量计费；DeepSeek则把Harness以MIT协议开源，没有直接收费的安排。

这么看，模型公司眼下从Harness上拿到的直接收入恐怕少得可以忽略。

那为什么还要砸大量研发资源进去？

一个关键原因是，企业真把Agent部署起来之后，对Harness的需求往往比对某个具体模型更稳。

美国法律服务公司ABC Legal起初把Agent放在员工电脑上，靠定时任务跑。用的人多了，CTO Brandon Fuller开始找能统一管理这些Agent的平台。比过几个方案，他最后选了Anthropic的Managed Agents，原因是企业不想再维护那些分散的运行环境。

据Anthropic披露，ABC Legal一个月内就把50多个Agent投入生产，约310名员工日常使用Claude。员工不用懂软件开发，配置一下就能建出新Agent。

托管Harness的吸引力，其实来自企业实打实的需求。比起从零开发部署、长期维护运行系统，企业更愿意买现成服务，把工程资源挪给自己的业务。

可企业未必愿意为此绑死在一家模型公司身上。

今年8月，VentureBeat公布了对107家企业的调查：85%的受访企业同时用着两套或更多Agent编排平台；挑平台时，29%的企业最看重模型与工具的灵活性，只有10%优先考虑与某个领先模型的原生适配。样本虽然偏向大型科技企业，却已经透出一种采购倾向——客户想保住换模型的自由。

这正好给了Harness竞争另一套商业逻辑。企业若愿意长期用一套运行系统，提供商就算不能独占模型调用，也可能持续拿到托管、维护和企业开发服务的收入，并跟客户处成更稳定的关系。

这样一来，Harness就能触到企业实际工作的执行过程。跟单纯的模型API比，Harness能记下一项任务从开始到完成的整条轨迹，包括模型调用、工具执行、失败重试和最终结果。这些记录既帮企业排查故障，也能给模型研发提供有价值的反馈。

如果能持续拿到经过验证的真实任务反馈，模型公司就有机会更快发现模型在生产环境里的问题。不过，这一优势也受数据权利的明确限制。

这也给模型公司出了道新题：企业既能自由更换底层模型，又坚持自己掌握数据，Harness还能建立起多大的长期优势？

对模型公司来说，Harness带来的价值可能比直接收费更长远。当企业把越来越多的活交给Agent，谁能提供可靠的运行系统，谁就有机会影响模型的选择，以及AI如何参与真实业务。

说来说去，还是那个熟悉又老套的词：入口。

可这个在互联网时代扎下根的词，总能碰到AI时代竞争最敏感的那根神经。现在，Harness某种程度上就承接了这份期待，还有想象力。