生成式 AI 的中局范式：从 Harness 到 Experience Loop

一、先别把五层问题混成一场路线之争

　　今天关于Agent、Harness、Agent OS、Continual Learning、World Model的争论，常常显得混乱。原因不复杂：大家讨论的根本不是同一层问题。

层级	讨论的问题	代表性方向
模型层	智能从哪里来	Scaling、推理、多模态、世界模型
系统层	模型如何真正行动	Model + Harness / Runtime
学习层	系统如何变得更好	经验、记忆、技能、持续学习
产品层	用户究竟买到什么	Copilot、Agent、AI Worker
产业层	AI在经济中扮演什么角色	软件工具、数字员工、软件即劳动力

　　这五层会相互影响，但不能互相替代。

　　例如，腾讯WorkBuddy、阿里QwenWork、Grok Bot等产品的意义，在于它们把AI产品的交付单位，从“回答”推进到了“任务成果”。

　　微软对Copilot的表达也经历了类似变化：从“帮我找到”，到“帮我选择”，再到“替我完成”。

　　这是一种很重要的产品迁移：软件开始从工具，走向劳动力。

　　但“软件即劳动力”不是模型自动出现的结果。模型能思考、能生成，不等于它拥有身份、权限、记忆、工作现场、操作记录与责任边界。那些问题，属于运行时。

二、Agent的关键，不只是模型，而是它运行在哪个世界里

Agent = Model + Harness

　　其中，模型负责智能；Harness负责让智能能够完成任务。

　　DeepSeek的做法尤其值得注意：模型、工具、技能、会话、沙箱、存储、循环、调度和UI，都可以被视为可替换的插件。核心保持很薄，外围不断替换和组合。

　　这意味着，Harness不是一个写死的Agent工作流。

　　它更像一个可以持续被检验、替换、重放、恢复、分叉和优化的运行环境。Agent不只是“调用几个工具”，而是在一个可观察的系统中工作：它有轨迹，有日志，有状态，也需要面对失败。

　　Anthropic在其面向托管Agent的实践中，也提出了一个很现实的判断：许多Harness本质上编码了“模型做不到什么”的旧假设。模型变强后，这些经验性补丁可能反而成为约束。

　　这正是当下系统设计最微妙的地方。

　　模型能力增强，会吞掉一部分Harness。

　　但它不会吞掉全部Harness。

　　会被模型逐渐吞掉的，是认知层的脚手架：

• 硬编码的规划逻辑；
• 提示词技巧；
• 固定的决策树；
• 简单的工具路由；
• 机械式重试；
• 为弱模型设计的大量上下文补丁。

　　模型越强，越不需要人类替它规定“应该先想什么、再想什么”。

　　但另一部分东西，不会因为模型更聪明而消失：

• 身份与权限；
• 沙箱与隔离；
• 长期状态；
• 外部记忆；
• 工具契约；
• 审计日志；
• 成本控制；
• 验证机制；
• 安全与治理边界。

　　这些不是认知问题，而是现实世界的问题。

　　模型可以决定“下一步应该做什么”；但模型不能自己决定“它是否有资格做这一步”。

　　所以，未来更可能发生的变化是：

Cognitive Harness变薄，Operational Runtime变厚。

　　很多所谓Agent OS，最后未必会成为“AI的Windows”或“AI的Android”。它更可能变成非人类行动者的运行环境：管理状态、身份、权限、资源、工具、沟通、记录和评估。

　　它不是智能本身，但它决定智能能否被安全、稳定、长期地使用。

三、Harness是今天最成熟的答案，但它还不是终局

　　如果只看2026年已经被证明有效的部分，Model + Harness几乎是最清晰的系统范式。

　　因为模型再强，也需要被接入环境。

　　一个能完成复杂工作的Agent，至少需要回答这些问题：

• 它能看见什么？
• 它可以调用哪些工具？
• 它有没有权限修改数据、发邮件、下单或部署代码？
• 中途失败后，能否恢复？
• 多轮任务结束后，是否还记得此前发生过什么？
• 它的动作能否被追溯？
• 谁来判定它完成得对不对？

　　这些问题的答案，构成了Runtime。

　　所以，今天的Agent成熟度，不只看模型benchmark，也要看运行时是否具备“持续工作的条件”。

　　一个较完整的Agent系统，可以写成：

Agent = Model + Runtime + Environment + Memory + Verifier + Learning Loop

　　其中：

• Model提供通用智能与推理能力；
• Runtime提供编排、身份、权限和持久状态；
• Environment提供任务、工具、资源与现实反馈；
• Memory保存可复用的信息；
• Verifier判断结果是否可靠；
• Learning Loop把一次次执行转化为系统能力。

　　前四项，已经逐渐成为工业实践。

　　真正仍未定型的，是最后一项：Learning Loop。

　　也就是，AI获得经验之后，到底改变什么？

四、真正的问题是“经验更新哪里”

　　在传统模型叙事里，能力提升的路径相对清楚：更多数据，更多算力，更长训练，更强模型。

　　但Agent进入环境后，系统开始产生另一类数据：不是人类提前写好的语料，而是行动产生的经验。

　　它完成一次任务，失败一次操作，收到一次用户纠正，通过一次评估，都会留下轨迹。

　　问题是，这些轨迹最终应该流向哪里？

　　一个很有解释力的更新栈是：

Experience → Memory → Skill → Context Strategy → Harness → Model Weights

　　这条链路把许多看似不同的技术路线放回了同一张图里。

　　一次经验，最轻量的处理方式，是进入记忆。

　　再进一步，经验可以被提炼为技能：下次遇到类似任务，不必从零开始。

　　继续往上，它可以改变上下文策略：什么信息应被优先召回，什么历史应被压缩，什么证据必须在行动前出现。

　　再往上，它可能改变Harness：工具如何组合、任务如何分解、失败后如何恢复、哪些步骤必须经过验证。

　　最重的一层，才是更新模型权重。

　　因此，“Harness会不会自我进化”“技能会不会自动优化”“记忆是不是下一代壁垒”，其实都是同一个更根本问题的不同回答：

AI获得经验以后，究竟应该修改系统的哪一层？

　　这也解释了为什么不少所谓“自我进化Agent”，并不一定真的在训练模型。

　　有些系统在更新技能文件，有些在优化提示词，有些在重写工作流，有些在调整工具策略，有些则从历史轨迹中抽取下一轮可执行的规则。

　　它们的共同点不是“已经实现通用自我进化”，而是开始把经验视为可被处理的生产资料。

　　不过，这条路的门槛很高。

　　微软关于Agent演化的研究综述提出了一个很务实的结论：如果缺少确定、独立的验证器，系统依赖模糊的自我评价，反而可能越优化越差。

　　这很符合工程直觉。

　　让AI自动改进一段代码、一个工作流或一个技能，本质上是在让它修改生产系统。没有稳定的测试、评估和回滚机制，所谓“学习”很容易退化成随机漂移。

　　因此，自我优化最先适合的领域，往往不是最开放的任务，而是结果可验证的任务。

　　例如：

• 能否通过测试；
• 是否完成表单；
• 价格、库存或字段是否正确；
• 代码是否运行；
• 任务是否在约束内完成；
• 输出是否满足明确标准。

　　先有验证，才可能有可靠的改进。

五、经验和环境，可能成为下一条能力曲线

　　关于下一代AI，最值得重视的变化：“经验”开始被当作独立变量讨论。

　　DeepMind与强化学习路线的长期判断一直很明确：如果系统不能在长期环境中积累、保留和迁移经验，它很难拥有真正持续的能力增长。

　　Demis Hassabis多次强调，持续学习、长期记忆和长周期推理仍是关键缺口。Agent的重要性，不在于它是一种产品皮肤，而在于它让模型真正进入环境。

　　模型只有进入环境，才能获得后果。

　　有后果，才有反馈。

　　有反馈，才可能形成经验。

　　字节Seed发布的EdgeBench，是这类讨论中很有代表性的信号。该基准包含134个真实任务、约3.8万小时Agent与环境交互；单个任务通常要求持续操作12小时以上，部分任务延续到72小时。

　　报告中最值得注意的，是其提出的观察：在特定任务集合中，Agent的表现曲线呈现较稳定的增长趋势；团队还观察到，Agent在部分任务上的学习速度似乎正以大约每三个月翻倍的速度提升。

　　但它提出了一个值得严肃对待的问题：

　　过去，行业主要讨论参数、算力和token。

　　未来，能力曲线会不会多出一个横轴：

Environment Interaction Time

　　也就是，系统究竟在真实环境中经历了多少次行动、失败、纠正、验证与再尝试。

　　如果这个变量成立，环境就不再只是模型部署的终点，而会成为能力生产的一部分。

　　世界不只是供AI使用的工具集合，它也可能是AI获取新数据、形成新策略、积累新技能的训练场。

六、OpenAI的RSI，意味着什么？

　　围绕“递归自我改进”的讨论，很容易滑向戏剧化叙事：AI开始自己造AI，然后能力爆炸。

　　现实版本要克制得多。

　　OpenAI组建RSI团队，重点并不是宣布“我们已经拥有AGI”，而是尝试自动化高质量研究工作：让系统参与研究流程、构建评估、处理反馈、发现缺失能力、生成数据，并帮助改进下一代模型。

　　这更像一个AI研发飞轮：

研究任务→ Agent执行→产生轨迹与反馈→评估→数据与方法改进→更好的模型与系统→更复杂的研究任务

　　字节Seed等团队也在让模型参与评估、数据、训练、研究和基础设施工作，并探索小时级、天级的长任务。

　　这里真正值得观察的指标，

　　是：

AI对AI研发的有效贡献，占整个研发流程的比例是否越过某个临界点。

　　当AI只能辅助写代码、总结论文时，它是工具。

　　当AI能持续完成可验证的研究与工程任务，并把结果重新送回训练、评估和系统优化链路时，它才开始成为研发能力的一部分。

　　这距离“递归自我提升”仍然很远，但方向已经很具体。前两天，山姆奥特曼宣称在年底之前可以内部实现。

七、未来三到五年，分歧会落在哪儿？

　　如果把今天看作生成式AI的“中局”，未来不会只剩一条路线。

　　较大的共识是，2026—2027年，持久化Agent Runtime会继续普及。更多系统会拥有工具、权限、长任务状态、日志、记忆与可恢复能力。

　　2027—2029年，外部学习机制可能成为标准配置：记忆更有效，技能会优化，工作流会重写，上下文策略会调整，Harness会逐渐适应环境，验证器会参与改进。

　　更远一点的分歧，才是模型权重是否需要持续在线更新。

　　一条路线是：底层模型相对稳定，但外部Runtime、记忆、技能和环境策略持续适应。

　　另一条路线是：模型本身也进入更高频、更连续的学习过程。

　　前者的工程可控性更强，后者的想象空间更大，但安全、遗忘、能力漂移和评估难度也更高。

　　因此，未来几年最值得追踪的，是几个更朴素的问题：

• 什么样的经验，真正能转化为能力？
• 什么样的反馈，足以驱动可靠优化？
• 经验应该写入记忆、技能、Harness，还是模型权重？
• 新能力能否长期保留，并迁移到别的环境？
• 谁有能力提供高质量、可验证、可持续的环境？
• 当AI获得更多权限时，验证、审计和治理如何同步变厚？

八、Harness是今天的答案，Experience Loop可能才是明天的范式

　　今天，最成熟的系统答案已经相当清楚：

Model + Harness

　　模型负责理解与推理，Harness让它拥有工具、状态、权限、记忆、日志和工作能力。

　　但如果把时间拉长，真正决定系统上限的，是Harness能否把行动转化为经验，又能否把经验转化为下一轮更好的行动。

　　所以，生成式AI的中局，不是模型和Agent的二选一。

　　更像是一场从“预训练模型”走向“持续运行系统”的迁移：

Intelligence = Model × Environment × Experience Loop

　　模型提供潜力，环境提供后果，经验闭环决定潜力能否持续变成能力。

　　Harness是今天的答案。

　　Experience Loop，可能才是明天的范式。