LinkX View|万物皆插件:为什么代理框架正逐渐演变为操作系统
模型越强,harness 越重要,但重要的方式变了。弥补模型短板的补丁正在消失,比如在长任务中“跟丢”后把模型重置。支撑智能体安全连续工作数小时的部分却在持续扩张,包括记录它做过什么、限制它能碰什么、管理它如何接入新工具。harness 正在变成类似操作系统的东西。
通用 harness 已经没有留给创业公司的机会。补丁会被更强的模型吞掉。真正持久的部分正在变成操作系统级的基础设施,模型厂商既有动力自己做,也能把 harness和模型放在一起调优。大厂开源 harness,又把通用 harness 的价格压到了零。如果还有机会,也更可能出现在 harness 之上的垂直场景,比如特定行业的工具、数据和工作流,而不是 harness 本身。
01 一个会给自己装插件的 Harness
11 月 2 日,
大多数软件没法在运行中安全地给自己“加装”东西。操作系统却天天在做:加载驱动、启停服务、用完卸掉,全程不用重启。
据
按可比口径的周均值,日活四周涨了 5.2 倍;10 月 17 日 V4.1-Flash-1017 模型发布后,曲线明显变陡。
人均用量却几乎没变。
我们的判断
智能体 Harness 正在一分为二。替模型打补丁的那一半在萎缩,负责让智能体安全运行的那一半,正在长成一个操作系统。
所谓补丁,比如模型在长任务里“断片”时把它重置一下;每出一代新模型,就有一批补丁变得多余。而操作系统那一半,则是任何长时间运行的智能体都离不开的:一份做过什么的记录,一套能碰什么、不能碰什么的规矩,以及一个加装新工具的机制。这一半该怎么搭,各家实验室大体已有共识;分歧在于谁有权改它。
02 模型越强,Harness 就越薄?
光改 Harness,就能让同一个模型的分数波动 16 到 25 分。但 Harness 里有很大一部分是用来掩盖模型短板的,模型一进步,这部分就失效了。
Harness 是什么
各家实验室有一个共同的公式:智能体 = 模型 + Harness。模型负责推理和生成;Harness 是模型之外的一切:反复调用模型的循环、它能用的工具、记忆怎么管,以及决定它能做什么的权限。
如果把模型比作外科医生,Harness 就是手术室:器械、无菌区、核查清单,还有那位负责清点纱布的护士。医生越厉害,需要的提醒越少,但没有哪家医院会因此撤掉无菌区。让“Harness 工程”这个说法出圈的,是 OpenAI 2 月的一篇文章,文中描述了一个约百万行、没有一行是人写的产品。护具会影响结果。
OpenAI 称,仅靠改 Harness,GPT-5.6 Sol 在 ARC-AGI-3 上的得分就从 13.3% 升到 38.3%,token 用量还降到原来的六分之一。Anthropic 的数据是,让 Opus 4.6 自己过滤工具返回的内容后,BrowseComp 准确率从 45.3% 升到 61.6%。
Harness 的功能会过期
Anthropic 最典型的例子叫“上下文焦虑”。Claude Sonnet 4.5 一感觉快到上下文上限,就倾向于草草收尾,于是 Anthropic 在 Harness 里加了上下文重置。
到了 Opus 4.5,这个毛病消失了,重置机制也成了累赘。Anthropic 给开发者的建议是:每来一个新模型,都问问 Harness 哪些活可以不干了。
有些活可能会搬进模型
多数 Harness 用固定规则管理记忆,比如对话到一定长度就做摘要。9 月下旬,华盛顿大学、MIT 和 Meta 的研究者发表了 Context Language Models,把这件事交给了模型自己。
做法是把模型当前的上下文以文件形式交给它,随便它怎么改。在不额外训练的前提下,这套方法用在 Qwen3.6-27B 和 GPT-5.6 Sol 上,长程任务的表现超过了现有基线和针对具体任务定制的 Harness。作者说,下一步是把 Harness 策略直接训进模型权重。
但细读论文会发现,有些东西并没有搬走。Harness 依然要把上下文镜像成文件,并在下一轮之前把每处修改同步回去。作者还得专门设计一套新的缓存方案 Suffix Cache Reuse,免得改一处就要重算整段上下文。而且模型既然能改自己的记忆,注入的恶意指令也就可能被写进去,并一轮轮地留存下来。记忆策略确实进了模型,记忆的基础设施及其安全问题却原地未动。
两类 Harness
把 Harness 的各项职能按“为什么存在”归一下类,规律就出来了。一类是替模型补短板:上下文重置、固定的压缩规则、串联工具调用的脚本、整理工具输出的过滤器。每一代模型都会让其中几项退休。
另一类存在,是因为智能体要在真实系统上长时间跑:持久的事件记录、模型无论如何也“说服”不了的权限、隔离的代码执行环境、增删能力的机制,以及成本管控。模型再怎么进步也替代不了这些。恰恰相反,智能体越强,被交付的任务越长、风险越高,就越需要它们。
Anthropic 自己的指南其实就是按这条线分的,尽管外界常把它解读成“给 Harness 瘦身”。它的三条原则里,两条是让你多依赖模型、精简 Harness;第三条却是认真划好边界:稳定的内容放在前面以便缓存,高风险操作升级为类型化工具,让 Harness 可以拦截、记录和审计。同一周推出的 Managed Agents 运行时,体量远大于当初 Claude Code 那个循环。Anthropic 一边在精简 Harness 的逻辑,一边在扩建它的基础设施。
03 留下来的那一半,就是操作系统
Harness 里留得下来的那一半干四件事,恰好是操作系统替电脑上的程序干的那四件:
▪记住智能体做过什么(保存状态)
▪决定智能体能碰什么(执行权限)
▪把有风险的代码放进隔离环境里跑(隔离执行)
▪允许加装新工具(加载能力)
OpenAI、Anthropic、Google 和
这一切发生得很快。不到十个月,四家实验室都把自己的 Harness 开放给了第三方开发者。4 月的 Anthropic Managed Agents 第一个把智能体的记忆和权限拆成了独立服务。
共识:状态与权限
状态存在哪里,两家实验室各自得出了同一个答案。在
Harness 本身不存状态,任何一个副本都能通过四个小接口接手任意会话:getEvents()、wake(sessionId)、emitEvent() 和 execute(name, input)。OpenAI 的 App Server 用线程、轮次、条目三层嵌套,效果类似。
对 Anthropic 来说,这次拆分很快就见了回报。现在容器只在任务真正需要时才启动,典型请求的首 token 延迟下降约 60%,最慢的那批下降超过 90%。
权限控制也走到了一起。在
分歧:谁有权改系统
真正的分歧在扩展。Claude Code 和 Codex 让开发者在一个固定内核上构建:skills、hooks、MCP 服务器和子智能体挂在循环、会话存储和模型绑定之上,而这三样都攒在厂商手里。OpenAI 8 月以 Apache-2.0 协议开源了 Codex 运行时,但定位是把 Codex 嵌进其他产品的稳定协议,而不是让你重新组装它的套件。Google 用同一个 Harness 支撑五个产品,并为 Gemini 做了专门调优。
这就是“带扩展商店的应用”和“带驱动的操作系统”之间的区别。
一家实验室为什么愿意放开到这个地步?因为
生态是真的,但还算不上市场
应用商店的价值在于分发:一个人写,很多人装。
缺失的验证
操作系统之所以重要,是因为它能跑在很多厂商的硬件上:Windows 在戴尔、惠普、联想的机器上一样能用。对
我们看不到的是,实际有没有人这么用。
04 一个能改写自己的 Harness
为什么多数软件做不到
Cordis 的论文拿 VS Code 当反面教材。截至 2026 年 6 月 9 日,VS Code 排名前 100 的扩展里,有 87 个会运行一些卸不干净的代码,只能重启承载所有扩展的进程才能清掉。只有 7 个声明了自己依赖哪些其他扩展。
对智能体来说,重启的代价很高。一个长时间运行的会话会丢掉已经积累的上下文和缓存,而这恰恰是 Harness 存在的意义所在。
Cordis 怎么解决
这个框架提供两项保证:
卸得干净:插件对共享系统做的每一处改动都配有一个撤销操作,撤销按相反顺序执行。Cordis 会追踪每个插件注册了什么,比如事件监听、提示词片段、工具定义,插件一卸载就全部清掉。
依赖自动处理:插件声明自己需要哪些服务,服务到位就自动启用,任何一个消失就自动停用,就像插上设备时驱动自动加载一样。
论文用七条形式化定理来支撑这两项保证,这在智能体软件里很少见。落到实处就是:一个边运行边变化的 Cordis 系统,可以当作它是一次性、按顺序组装好的来分析。
Creator Mode 多了什么
Creator Mode 就是把这两项保证用起来。既然智能体加的任何东西都能干净地卸掉,让它大胆试一试就说得过去。智能体写插件、装插件、测插件,失败了系统就把它退回去。
Context Language Models 把记忆管理交给了模型,Creator Mode 让模型去扩展 Harness。两者都把控制权往模型那边挪,只是从两个相反的方向。
保证到哪里为止
撤销是假定的,没人验证:框架不会检查插件的撤销是否真的恢复了原状,这个责任落在插件作者身上,包括作为作者的智能体。
外部世界撤销不了:Cordis 没法回滚一条 shell 命令,也没法回滚 Harness 之外的任何动作。插件走后它能把 Harness 收拾干净,却收不回插件已经发出去的邮件。
覆盖面取决于自律:插件绕开 Cordis 做的任何改动,都不在保证范围内。
安全数据怎么说
腾讯朱雀实验室测试了
只需要智能体“说点什么”的攻击,成功率是 35.7%;需要它执行敏感操作的,只有 2.5%。诱导智能体动手比诱导它开口难得多,不过报告没有拆分这个差距有多少来自运行时的检查、有多少来自模型本身。薄弱环节恰恰是扩展点:在两种投递模式下,skills 的成功率都偏高。
腾讯的建议,操作系统早就在这么做了:不要让模型独自批准有风险的操作;把 skills 和插件当成普通软件来管,记录每一个是谁写的、装的是哪个版本、被允许做什么。
这让
05 价值会流向哪里
如果 Harness 留下来的那一半是操作系统,价值就会沉淀在操作系统历来赚钱的地方:安全、执行、系统记录和分发。每一层都有一个数字,能检验它是否真的成立。
四层,四个检验
智能体安全:开放系统每多一个插件和 skill,就多一块攻击面;在腾讯的测试里,skills 是攻击者最稳定的突破口,完全成功率在 14% 到 16%。买家会按受保护的智能体数量,为来源核验、权限策略和审计付费。
检验标准 · 在一个固定的攻击矩阵(类似腾讯那套)上测攻击成功率,每次改提示词、工具或模型后重测一遍。
执行,也就是智能体的“手”:把“大脑”和“手”分开之后,沙盒和凭证保险库就成了可以由第三方提供的一层,按时长计费:Anthropic 在 token 费用之外每会话小时收 0.08 美元。
检验标准 · 启动时间和利用率。Anthropic 的延迟改善,就来自不再启动任务用不到的容器。
系统记录:事件日志正在成为标配,这让跨 Harness 的存储、回放和审计成为可能。
检验标准 · 一个 Harness 写的日志,另一个 Harness 读不读得了。格式统一之前,这部分价值只能锁在各自的 Harness 里。
分发:应用市场从流经它的交易里抽成;
检验标准 · 在所有安装量里,既不是
对算力意味着什么
Harness 用户每天消耗约 92 万亿 token,每个日活用户大约 6000 万,这个比例从 9 月到 11 月一直很稳。我们在解读 S-1 的那篇文章里说过,长时间运行的智能体就像一桌通宵不散的私宴。Harness 就是这幅画面的规模化版本:一百五十多万桌,夜夜如此。
每天 92 万亿 token 值多少钱?取决于每百万 token 的综合单价,而
06 我们的预判
一年之内,OpenAI、Anthropic、Google 中至少有一家,会允许开发者替换其官方 Harness 的核心部件(比如智能体循环或会话存储),或者采用一套通用的插件格式或会话日志格式。
方向已经很清楚。OpenAI 开源了 Codex 运行时;Anthropic 把 Agent Skills 移交给了一个独立基金会,Managed Agents 也已经允许客户在自己的基础设施上跑沙盒。各家实验室正在一层一层地打开自己的 Harness,
以下四种情况,会证明我们错了:
应用市场沦为一本目录。
市场上线了,但大家装的几乎都是
这个操作系统只跑
如果绝大多数人还是只用
发生供应链事故。
某个恶意插件真的造成了损失,
模型连基础设施也一并吸收了。
如果模型强到能可靠地自己守住权限边界,不再需要外部规则把关,Harness 的“操作系统”那一半也会变薄。不过目前看不到这种迹象:腾讯的测试里,大约每 20 次攻击仍有 1 次能让智能体照着藏起来的指令去做。
“智能体 = 模型 + Harness”这个公式依然成立。只是 Harness 这一项其实已经拆成了两项,而真正在变小的,只有其中一项。















