不换模型，只调整 Agent 的执行框架，任务准确率就从 52.8% 升至 66.5%。我们注意到，AI Agent 的竞争重点正从模型能力，转向模型与业务系统之间的工程协作。

这是什么

Agent 可以理解为能调用工具、分步骤执行任务的 AI 系统；Harness 是包围模型的执行框架，负责上下文管理、权限判断、失败重试和流程编排。文中将其概括为“Agent = LLM + 上下文 + 工具”。

当前 Agent 有两项明显缺口：一是不擅长实时交互，通常要等整段推理结束才回应；二是不擅长持续积累经验，任务结束后留下的大多是临时上下文，而不是可复用的方法与知识。

模型正在补上其中一部分。例如小米 MiMo 在单个 8 卡节点上让 1 万亿参数模型生成速度超过每秒 1000 个 token；Taalas HC1 将 80 亿参数模型固化进芯片，生成速度约每秒 1.7 万个 token、响应低于 100 毫秒，但模型更新需要重新流片。

行业怎么看

我们的判断是，模型会逐层吃掉通用型框架代码，却不会消灭 Harness（负责调度、约束和兜底的外部系统）。模型每内化一种能力，相关补丁就可能失去价值；但真实业务的权限、时效和异常处理，仍会长期留在系统外部。

这一路线也存在风险。企业可能过早把关键流程绑定在快速更新的模型或框架上，付出迁移、维护和重新验证成本；同时，记录任务轨迹、处理企业数据本身会带来隐私与合规责任。更稳妥的做法，是把通用能力持续模块化，把数据权限、人工审批和效果评估留在企业可控的一侧。

文中还有一个值得警惕的乐观前提：真实场景中的反馈必须能合法、合规地回流训练。否则，Agent 只能产生日志，不能形成能力闭环。应用公司的长期优势因此可能不在框架本身，而在独占数据、稳定渠道、客户信任，以及必须由人和 Agent 协作的业务场景。

对普通人的影响

对企业 IT：采购重点会从“接入了什么模型”转向权限隔离、过程留痕、失败恢复与效果评估。已有 Agent 项目的维护成本不会因为模型变快而自动下降。

对个人职场：会打断、追问并主动推进任务的工具将更接近实时助手，但企业规则仍会限制它能读取和执行的内容。真正有价值的经历，需要被整理为可复用知识，而不是期待工具自动记住一切。

对消费市场：响应延迟会继续下降，语音和视觉助手会更自然；但能持续了解个人偏好、又不泄露数据的产品，仍取决于企业是否取得信任以及是否允许用户控制记忆。