[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$frzwOrx6616YyJnxGN-_A1pzZNBC_11fnkVCgrI0x5m4":3,"$fuCsWmtGwVPTky7Dfn9BHFV5MNixvwa0JPbIECRJSwpM":29},{"id":4,"title":5,"cover":6,"intro":7,"author":8,"categoryId":9,"categoryName":10,"click":11,"sort":11,"createTime":12,"tags":13,"content":28},17,"Harness 与 Agent 到底差在哪？2026 秋季深度评测（附国产工具对照）","\u002Farticles\u002Fart-14.png","同一个模型换个 Harness，Terminal Bench 得分从 52.8% 跳到 66.5%；而多智能体团队花 1.8 到 5.1 倍成本，质量却几乎测不出差别。2026 年决定 AI 工具好不好用的，早已不是模型本身。本文拆清 Harness 与 Agent 的分层边界，并对照国产工具给出选型建议。","AI导航站评测组",1011,"AI评测",0,"2026-10-15 08:47:21",[14,19,23],{"id":15,"name":16,"color":17,"type":18},12,"深度评测","#00838F",1,{"id":20,"name":21,"color":22,"type":18},13,"横评对比","#C2185B",{"id":24,"name":25,"color":26,"type":27},16,"智能体","#10b981",2,"\u003Ch2>一、先说结论：Agent = Model + Harness\u003C\u002Fh2>\n\u003Cp>2026 年最值得记住的一个公式是 \u003Cstrong>Agent = Model + Harness\u003C\u002Fstrong>，更直白的说法是「如果你不是模型，你就是 Harness」。Martin Fowler 在 2026 年 2 月专门撰文提出 Harness Engineering（线束工程），Anthropic 发布《长时运行 Agent 的有效线束》，OpenAI Codex 团队用这套方法生成了超过 100 万行生产代码、零手动输入——三家说的是同一件事：决定 AI 能不能可靠干活的，往往不是模型，而是包裹在模型外面的那套系统。\u003C\u002Fp>\n\u003Cp>一句话区分：\u003Cstrong>模型负责「想」，Harness 负责「让它想得下去、干得成、不会闯祸」，Agent 则是跑在这套底座上的具体业务逻辑。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>二、三层关系：Framework \u002F Harness \u002F Agent\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>Framework（LangChain、LangGraph）\u003C\u002Fstrong>：提供构建块——链式编排、工具调用、记忆原语，基本不关心你怎么组装。灵活，但生产环境的坑都得自己填。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Harness（Claude Code、DeepAgents、DeepSeek Harness）\u003C\u002Fstrong>：有立场的基础设施层，内置上下文管理、工具执行、状态持久化与验证的默认架构，你只需定制和扩展，不必从零拼装。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Agent\u003C\u002Fstrong>：定义在 Harness 之上的「做什么」——目标、决策模式、领域工具与提示词。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>一个好记的类比：\u003Cstrong>模型是 CPU，上下文窗口是内存，Harness 是操作系统，Agent 是跑在操作系统上的应用程序。\u003C\u002Fstrong>Agent 关心「是什么」，Harness 处理「怎么做」。\u003C\u002Fp>\n\u003Ch2>三、Harness 到底由哪八层组成\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>执行循环\u003C\u002Fstrong>：基础是 ReAct——模型推理、调工具、观察结果、再重复。Ralph Loop 则是一种更硬的 Harness 模式：用钩子拦截模型的退出尝试，在干净上下文里重新注入原始目标，逼它继续干。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>工具执行层\u003C\u002Fstrong>：拦截请求 → 验证权限 → 在隔离环境执行 → 净化输出 → 反馈给模型。超时与权限都在这里强制。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>文件系统与持久化\u003C\u002Fstrong>：最基础的原语。让工作可以增量卸载而不是全塞进上下文，也让多个 Agent 与人能靠共享文件协同。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>上下文管理\u003C\u002Fstrong>：对抗 Context Rot（上下文腐烂）。手段包括压缩、把过大的工具输出卸载到文件系统、以及用 Skills 做工具元信息的渐进式披露。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>记忆与持续学习\u003C\u002Fstrong>：AGENTS.md 这类记忆文件标准，在启动时注入上下文，Agent 改动后下次会话自动加载新版本。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>沙箱与验证循环\u003C\u002Fstrong>：写代码 → 跑测试 → 看日志 → 修错误，形成自我验证闭环。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>中间件与生命周期钩子\u003C\u002Fstrong>：工具调用前后的输入输出校验、针对任务规范的预完成检查、结构化错误格式化。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>护栏与约束\u003C\u002Fstrong>：敏感动作自动暂停转人工（HITL）、每次行动留痕供审计、敏感数据不出环境。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>四、证据：改 Harness 比换模型更划算\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>LangChain 在 Terminal Bench 2.0\u003C\u002Fstrong>：同一个模型、同一个 API，只改 Harness，得分 \u003Cstrong>52.8% → 66.5%\u003C\u002Fstrong>，排名从 30 名开外进入前 5。改动只有五处：加自我验证循环（强制走完检查清单才能说「完成」）、启动前扫描目录结构注入环境上下文、反漂移检测、按阶段调整推理预算、自动失败分析。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Vercel 的减法实验\u003C\u002Fstrong>：把 Agent 可用工具从 \u003Cstrong>15 个砍到 2 个\u003C\u002Fstrong>，准确率 \u003Cstrong>80% → 100%\u003C\u002Fstrong>，Token 消耗下降 \u003Cstrong>37%\u003C\u002Fstrong>，速度提升 \u003Cstrong>3.5 倍\u003C\u002Fstrong>。约束本身就是 Harness 设计。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>反例同样重要\u003C\u002Fstrong>：10 月 11 日 Vals AI 在 Vibe Code Bench 上，用 GPT-6 Sol 与 Claude Opus 5.5 分别跑单智能体与智能体团队，四组对比中只有一组出现统计显著提升（GPT-6 Sol 中档推理，团队高 \u003Cstrong>7.3 分\u003C\u002Fstrong>），而团队形态的成本是单体的 \u003Cstrong>1.8 到 5.1 倍\u003C\u002Fstrong>。Anthropic 自己的数据方向一致：1 个到 10 个智能体提升明显，10 个到 100 个只是略微上抬，token 消耗却继续爬；Fable 5.1 在知识库任务上从 30 个扩到 100 个，分数反而略降。OpenAI 的 Noam Brown 总结得很直接：\u003Cstrong>多智能体买的是速度，不是质量。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>结论很硬：\u003Cstrong>「堆更多 Agent」不等于更强的系统，「改 Harness」才是当下的性价比高地。\u003C\u002Fstrong>Manus 六个月内重构了五次 Harness，LangChain 一年内做了三次架构重设计，Vercel 砍掉 80% 的 Agent 工具——这股「苦涩教训」的 Agent 版本要求 Harness 必须轻量，随时能丢掉昨天写的聪明逻辑。\u003C\u002Fp>\n\u003Ch2>五、国产工具处在哪个位置\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>DeepSeek Harness（开源智能体运行时）\u003C\u002Fstrong>：2026 年 8 月中旬开源，10 月 9 日晚更新到 v0.2.1-alpha.2，距上一版仅六天，据报道 GitHub Star 已超 \u003Cstrong>24 万\u003C\u002Fstrong>。设计取向是「一切皆插件」——模型适配器、工具注册表、会话日志与智能体主循环都可替换，运行时保持中立；追加只写的会话日志是整套设计的地基，恢复、分叉、重放都从同一份事件流推导，长任务跑崩了可以回退重试。它仍标注为预发布且带有破坏性变更，建议先在边缘任务上跑通再扩大范围。\u003Cem>注意：它与 10 月 8 日收购 Augment Code 的那家 CI\u002FCD 公司 Harness 只是同名，两者不是一回事。\u003C\u002Fem>\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Qoder CN（原通义灵码）\u003C\u002Fstrong>：2026 年 5 月 20 日品牌升级，产品矩阵覆盖 IDE、JetBrains 插件、CLI 与办公场景，底层可切换 Qwen、GLM、DeepSeek、Kimi、MiniMax 等多模型，官方称 MCP 生态接入 3000+。它的强项恰好在 Harness 层的「模型路由 + 工具生态」，适合已深度绑定阿里云体系的团队。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>腾讯 CodeBuddy \u002F WorkBuddy\u003C\u002Fstrong>：Buddy AI 个人版自 7 月 1 日起三档 99 \u002F 199 \u002F 999 元每月，一个账号同时用于编程助手与办公智能体，并新增云端 CloudAgent——把开发场景和办公场景放进同一套 Harness，是国产里少见的双场景打法。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>字节 Trae\u003C\u002Fstrong>：以免费策略快速铺开，适合先把任务跑通再谈预算的个人与小团队。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>编排侧：扣子 Coze \u002F 腾讯元器 \u002F 文心智能体平台 \u002F Dify \u002F n8n\u003C\u002Fstrong>：更接近 Framework 与 Harness 之间，提供可视化编排与插件生态，但可观测、权限、成本控制这些生产问题需要你自己补齐。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Manus\u003C\u002Fstrong>：通用智能体形态，执行底座自研且迭代频繁。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>还有一个容易被忽略的国产位置：10 月 9 日至 10 日集中出现的「决策模型」品类里，微软 Decision-1 与 Cloudflare Clef-omni 的底座都是阿里的开源模型（Qwen3.5-9B、Qwen3-Omni-30B-A3B）。这类模型不生成文字，只对一组固定选项返回校准过的概率，专门用来扛掉 Agent 循环里那些高频、窄域、不值得动用前沿模型的判断——这个文件是不是用户要的、命令有没有成功、要不要重试。\u003Cstrong>国产开源模型，正在变成别人 Harness 的控制层。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>六、治理：Harness 的另一半职责\u003C\u002Fh2>\n\u003Cp>10 月 10 日微软 CEO 纳德拉提出 AI 的「紧急刹车」四条原则，核心第一条就是\u003Cstrong>把模型与编排它的 harness 分开\u003C\u002Fstrong>：模型提计划，身份、权限、工具、数据访问和外部动作交给另一层控制，判断错了要在执行环节被拦下。其余三条是护栏外部化（限流、审批、数据访问规则和花费上限放在企业自己拥有、能审计的系统里，而不是指望模型照着提示词自律）、留痕（有意义的动作生成防篡改且人能读懂的证据）、以及保留随时中止的能力。它的底层假设与以往不同：\u003Cstrong>假定模型可能已经被攻破。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这与 Harness 第八层「护栏与约束」完全对上。对已经让智能体碰文件、碰数据、碰企业系统的工作流，这份清单应当在上线前逐条过一遍。\u003C\u002Fp>\n\u003Ch2>七、选型建议\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>个人与小团队\u003C\u002Fstrong>：先用 Trae、Qoder CN 个人版这类零门槛入口，把一两个真实任务完整跑通，别急着买旗舰档。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>要自研 Agent 底座\u003C\u002Fstrong>：优先评估 DeepSeek Harness 这类开源运行时——插件化、会话日志可重放，对需要审计智能体行为的团队尤其合适；但仍在 alpha，先在边缘任务验证。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>开发与办公都要\u003C\u002Fstrong>：腾讯 CodeBuddy + WorkBuddy 一账号双场景，省的是统一管理成本。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>别默认上多智能体\u003C\u002Fstrong>：Vals AI 的数据说明，先在自己的任务上量一遍，证明多加的智能体确实带来可测量的收益，再决定付这份预算。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>先定治理再定功能\u003C\u002Fstrong>：哪些动作可逆、哪些需要审批、谁能按停、非技术同事能否读懂日志。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>八、结语\u003C\u002Fh2>\n\u003Cp>2026 年的竞争口径，已经从「模型有多强」下移到「运行时与交付链路」。10 月 8 日软件交付平台 Harness 收购 Augment Code 核心资产时，CEO Jyoti Bansal 那句话可以作为注脚：AI 对软件的价值，衡量的不是生成了多少代码，而是有多少有用的软件真正抵达生产。\u003C\u002Fp>\n\u003Cp>对工具选型者来说，实操含义只有一句：\u003Cstrong>下次评估一个 AI 工具，别只看它用的是什么模型，去看它的 Harness——上下文怎么管、工具怎么收敛、失败了怎么回溯、谁有权按停。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cem>数据说明：本文事实与数据来自 2026 年 10 月公开报道（腾讯云开发者社区 Harness 范式综述、Vals AI 10 月 11 日 Vibe Code Bench 评测、《AI 新闻日报 2026-10-12》、DeepSeek 官方仓库更新日志、Qoder CN 公开资料、腾讯云 Buddy AI 订阅公告）。基准分数与价格为厂商或评测方公开口径，可能随版本与活动变动，请以官方页面为准；数据仅供参考，如发现错漏欢迎纠错。\u003C\u002Fem>\u003C\u002Fp>",[30,31,33,38,41,43],{"id":15,"name":16,"color":17,"type":18,"toolCount":15},{"id":20,"name":21,"color":22,"type":18,"toolCount":32},11,{"id":34,"name":35,"color":36,"type":18,"toolCount":37},14,"新模型速览","#558B2F",4,{"id":37,"name":39,"color":40,"type":18,"toolCount":27},"开源","#909399",{"id":24,"name":25,"color":26,"type":27,"toolCount":42},10,{"id":4,"name":44,"color":45,"type":27,"toolCount":27},"AI硬件","#f59e0b"]