「說 Harness 會被淘汰的，肯定沒做過工程」，Kimi 前 CLI 負責人戳破了 AI 圈最大的誤解
只有那些真正在一線寫過CLI、調過 Agent Swarm 的人才會知道：模型不能解決一切。作者丨高允毅 編輯丨岑 峰 最近 AI 編程圈挺有意思的，正在兩極分化。比如最近爆火的 Pi 走的是“極簡Agent派”路線，Prompt 不到 1000 Token，就給 4 個基礎工具，主張不折騰、省錢，讓模型自己發揮；但另一邊，大家又在做 Agent Swarm 和多智能體協作，系統越做越複雜。這就帶來一個圈內都在吵的問題：底層的 Harness 到底會不會消失？很多人覺得 Pi 的爆火證明了“模型派”是對的，覺得大模型越來越強，外部的 Harness 遲早得消失。
但前 Kimi CLI 負責人、Raft 創始人 stdrc（Richard Qian）提了一個挺反常識的觀點：模型越強，Harness 反而越厚。只是這個“厚度”變了。以前 Harness 厚，是為了幫模型擦屁股、補能力，比如塞一堆 Prompt 和工具；以後 Harness 厚，是因為模型變強後要幹複雜的髒活、累活，得靠它去解決多智能體之間的協作和上層管控。簡單來說，複雜度從“能力層”轉移到“協作層”了。01被誤解的 Harness要看清 Harness 的演化邏輯，必須先破除行業內普遍存在的兩層誤解。
▎誤解一：Harness 終將被訓進模型，徹底消失很多人有個誤區，覺得大模型以後無敵了，Harness遲早會被訓進模型裡，徹底消失。但只要你真正幹過工程，就會發現這完全是倒果為因。stdrc 對此直接表示：“說 harness 會被訓到模型裡的人，肯定是沒做過 harness 的。”他從一線開發的角度拆了三點來解釋這一問題：首先，不是模型變強了淘汰 Harness，而是 Harness 先把路鋪好了，模型才知道怎麼學。就像人類社會，得先有了分工制度，大家才學會怎麼協作。Harness 是模型的訓練場，沒有這個外部框架，模型根本沒地方去練協作能力。其次，智能越高，需要的工具反而越複雜。
人類大腦進化了，沒退化成原始人，反而搞出了法律和互聯網。模型能力在變強，但它解鎖的真實世界場景也越來越變態，底層能力被內化了，上層又會冒出更復雜的、需要 Harness 來管的新場景。還有一點是單任務可以靠模型，複雜業務根本不現實。在面對長流程、多智能體、隨時要看狀態的真實業務時，純靠大模型的腦子去記，必然會出現漏掉、搞錯、甚至打架的情況。這不是模型聰不聰明的問題，而是系統工程問題，本來就不該讓單個模型去硬扛。▎誤解二：模型越強，Harness 就會越薄還有個流傳很廣的說法：模型越強，Harness就會越薄。
這個觀點看起來挺對的，因為大家發現現在的底層提示詞確實在變少，很多以前複雜的工具封裝也沒必要做了。stdrc 認為這個觀點 “情有可原，但缺乏想象力”。它的問題在於，只看到了底層 Harness 的減法，沒看到上層 Harness 的加法。不可否認，隨著模型基礎能力提升，大量 “補丁式 Harness” 會逐步退場：比如以前為了防止模型格式輸出報錯做的強制約束、為了教模型用工具寫的長篇大論的 Prompt、還有各種死板的報錯重試機制…… 這些為了彌補模型缺陷而存在的底層設計，確實會越來越薄，甚至完全消失。但這並非 Harness 的消亡，而是複雜度的向上遷移。
當模型不需要人類程序員“擦屁股”時，它需要的，是要求你為它建立一套新的法則——更強的模型會解鎖更復雜的任務場景，進而催生出新的Harness 需求：比如怎麼讓好幾個 Agent 互相打配合？跨會話的狀態怎麼同步？怎麼做主動的記憶管理？動態權限和不同系統的對接標準怎麼定？…… 這些需求在弱模型時代根本不會出現，自然也不會被納入大家對 Harness 的認知裡。02重新理解 Harness：一場“陰陽共生”的動態演化糾正這些誤解後，我們需要回到核心問題：如何定義真正的 Harness？大眾常把 Harness 窄化為“System Prompt + 工具調用封裝”。
從完整的工程定義來看，Harness 是包裹在模型外層的運行時工程管控層，核心解決的是“模型如何穩定、持續、可控地與真實世界交互”的問題。它由四個核心要素構成：Agent 執行循環、上下文與狀態管理、工具與資源調度、以及安全與邊界治理。而且 Harness 的範圍一直在變大。從早期的模型弱，Harness 只管拼裝簡單提示詞；到中期的模型變強，Harness 演化出多工具並行、子智能體調度；再到現在模型極強，Harness 開始搞智能體集群、跨系統狀態同步、多 Agent 任務交接。stdrc 將模型與 Harness 的關係比作“陰與陽”。這是一種此消彼長、共同進化的動態關係。
▎局部功能的“內化”，是陰的擴張。當模型基礎能力增強，一部分底層 Harness 會被模型取代。例如在 Kimi CLI 的實踐中，stdrc 曾計劃移除專用的 subagent 調度機制，改為由模型直接通過 bash 終端實現子任務拆分；同時移除原生的並行工具調用，改為由模型生成工具調用腳本來實現並行。這是模型能力向外擴張的必然結果，也是外界感知到“Harness 變薄”的真實原因。▎上層需求的“生長”，是陽的延伸。模型能力每上一個臺階，就會解鎖更復雜的業務場景，從而催生出更上層的 Harness 需求。
單任務能力成熟後，催生了多智能體協作需求；單會話能力成熟後，催生了跨會話記憶與主動上下文回溯需求。在這場陰陽博弈中，智能水平越高，它與現實世界的摩擦力就越大。這個過程沒有終點。如同人類大腦比猿類更發達，於是，人類發明了語言、文字、計算機、互聯網等更復雜的交互系統。智能水平越高，與世界的交互方式越複雜。Harness 就是 Agent 智能的"交互基礎設施"，只會隨智能升級而持續向外延伸。針對這場討論，推特底下有一個開發者Monk Zero的評論十分有趣。Monk Zero從哲學層面，認為Pi 方案的本質是 “薄層提示詞 + 厚層 Harness”。
他指出模型如同狄俄尼索斯式的混沌與創造力，而 Harness 則是阿波羅式的秩序與結構。二者是永恆的互補。無論是從stdrc的工程演化的視角，還是從Monk Zero的本質定義的視角，Harness都將必然存在，不會消失。03從 0 到 1 的驗證：Kimi CLI 裡的 Harness 生長史stdrc的這套“複雜度遷移”的理論，並非紙上談兵，而是基於 Kimi CLI 從 0 到 1 的完整工程實踐。早期的 Kimi CLI 沒有參考任何開源框架，完全從零生長。從基礎的單工具調用，慢慢長出並行調用、子智能體、狀態管理。
但到了迭代後期，團隊索性做了一次大膽的“減法實驗”：把專門搞 subagent 調度的代碼全砍了，原生的並行控制也不要了，全放手讓模型自己用腳本去搞。結果發現，只要模型能力到了那個臨界點，底層的 Harness 確實可以丟棄。而底層代碼剛刪完，團隊就發現更頭疼的問題。Harness 的邊界不能只停留在單個 Agent 內部，多個智能體之間怎麼通信？怎麼交接任務？怎麼搞定通信協議和分工？於是，他們開始往上層加碼，提出多智能體 Harness 的架構概念，搭建 Agent 任務交接、通信協議、分工機制，同時研究跨會話通信、主動上下文壓縮、上下文回溯等狀態管理技術。
這些探索，就是後來 Raft 的技術前身。而這個方向的判斷，也與之後 Claude 推出跨會話對話、行業集體轉向多智能體的趨勢高度吻合。正是這種從零生長的經歷，讓他們能清晰地觀察到 Harness 複雜度的遷移規律，而不是被某一個靜態階段的認知困住。04創業踐行：Raft 就是下一代“厚 Harness”離開月之暗面後，stdrc 創辦了 Raft。如果說 Kimi CLI 是一次演化實驗，那 Raft 則是對“上層厚 Harness”架構的直接實踐。在做 Raft 過程中，stdrc 大膽去掉了自己曾經搭建的單 Agent 運行時。
Raft 既不寫 Agent 循環，也不封裝基礎工具，它直接把市面上成熟的 Claude Code、DeepSeek 等產品作為“團隊成員”接入。他的邏輯很簡單，底層的單 Agent 能力已經足夠成熟，模型已經能內化這部分 Harness，再重複造輪子沒有價值。Harness 的下一個戰場，不在單個 Agent 內部，而在多個 Agent 之間。Raft 的全部火力集中在上層，如何解決多智能體協作的系統性難題。具體來看，Raft 的 “厚 Harness” 體現在四個核心維度。1.
給 AI 發身份證和記憶力：模型只管單次回答，但 Raft 負責讓每個 Agent 都有獨立的進程、記憶和工作習慣。任務中途斷了，換個時間還能無縫接上。2.立規矩和分工：模型自己是不會主動搞團隊協作的。Raft 把人類上班那一套搬了過來，用類似工作群的“頻道”來隔離聊天，支持任務認領、認降和交接，所有步驟都留痕，方便人類隨時查賬。3.打破廠商壁壘：Raft 搞了一套跨廠商的通信協議。讓 Claude、DeepSeek 可以在同一個工作區裡用統一的標準對話。這事單靠某一家模型公司是絕對不會去做的。4.
人類和 AI 一起上班的工作區：在這裡，Harness 已經不是一段代碼，而是變成了團隊的工作流和權責體系。連定價都挺有意思，每個 Agent 只算 0.1 個人類席位，支持跨團隊共享。到這一步，Harness 已經從一個“技術工具”，變成了整個團隊的日常溝通和協作規則本身。最後，stdrc 對 Harness 的終局提了一個挺好玩的觀點：“當一切都是 Harness 的時候，它其實就隱形了。”比如在用 Raft 時，你不會覺得自己是在面對一套複雜的“Agent 調度後臺”，它看起來就是一個把 AI 拉進來的辦公軟件。所有的狀態同步、權限控制，全被藏在了產品直覺後面。
就像我們每天在公司上班，不會天天把“公司制度、法律是人類社會的 Harness”掛在嘴邊一樣。一旦 AI 員工真正普及了，這層最厚的 Harness 就會徹底融入日常工作流，變成像電網、自來水一樣的基礎設施。所以回頭看看最開始那個問題，“到底是模型吞噬一切還是 Harness 持續生長”，或許都低估了技術演進的維度。真正的老手都在看高處，如何在更高維度的上層協作與複雜業務場景中，做出別人拿不走的新壁壘。參考鏈接：https://x.
com/istdrc/status/2086540261036007794上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。
Related
相關文章
認識 Voxel51 3.0：為實體 AI 打造的統一多模態資料平臺
Voxel51 已發布 Voxel51 3.0，這是其資料平臺的一次重大更新。Voxel51 3.0 是一個端對端的多模態資料平臺，將搜尋、篩選、標註和評估整合於單一系統中。該平臺鎖定針對機器人、車輛和工廠感測器資料進行模型訓練的團隊。此次發布新增了 Voxel51 Agent、資料溯源層及免費的自助式存取。重點摘要：規模：Voxel51 Agent 內建超過 45 個 MCP 工具、80 多個運算子及 18 個開源技能。執行環境：可於 app.voxel51.com 使用託管網頁應用程式，或於雲端、混合、地端及隔離環境中自行部署。未揭露本機 GPU 需求。效能：未發布產品基準測試。Voxel51 引用其自身調查數據作為依據。最佳亮點：免費方案包含 Voxel51 Agent、每月 30,000 次推論請求及 30 個運算小時。
本期AI資訊彙總2026年10月18日的產品更新、前沿研究、行業趨勢與開源項目，幫助讀者快速瞭解當天的重要動態
導航SecureDoc // EncryptionActive本期AI資訊彙總2026年10月18日的產品更新、前沿研究、行業趨勢與開源項目，幫助讀者快速瞭解當天的重要動態。
下一概念建模把文本生成提速最高31倍
斯坦福等聯合提出全新文本生成範式 NCM，生成速度狂飆 31 倍AIbase基地發佈於AI新聞資訊 · 1 分鐘閱讀 · Oct 16, 202633人工智能領域的文本生成技術迎來顛覆性創新。斯坦福大學與 Together AI 的研究人員近日聯手推出了一種截然不同於傳統自迴歸和擴散模型的全新文本生成範式——Next-Concept Modeling（簡稱 NCM，即“下一概念建模”）。該方法巧妙借鑑了圖像生成領域中“下一尺度預測”的思路，有望為未來的文本生成技術開闢全新的發展路線。在技術實現路徑上，NCM 模擬了人類“先構思宏觀大綱、再動筆填充細節”的寫作邏輯。整個系統通過兩階段訓練來完成:首先訓練多尺度殘差 VQ-VAE，從而得到能夠逐層補充信息的多層離散文本編碼;隨後凍結該系統，訓練 Transformer 模塊去預測下一層的編碼。在生成文本時，模型會先並行生成概念層面的宏觀大綱，接著逐層並行填充具體細節，最終組合成完整的文本內容。在實際測試表現中，NCM 交出了令人矚目的成績單。實驗數據顯示，在保持相近甚至更優生成質量的前提下，NCM 相對傳統的擴散語言模型實現了10到31倍的生成速度飛躍，並且在訓練過程中所需消耗的 token 數量也大幅減少。此外，在數獨等複雜推理任務上，它的表現也明顯優於傳統的自迴歸和擴散基線模型，同時還支持通過多生成候選挑選機制來進一步優化最終輸出效果。儘管目前該研究所使用的模型參數規模依然相對有限，其在擴大模型規模後的表現、精確文本以及長篇內容的生成能力仍有待後續驗證，但這一創新思路無疑打破了長期以來的技術慣性，為人工智能高效生成文本提供了充滿想象力的全新解法。本文來自AIbase日報掃碼查看歡迎來到【AI日報】欄目!這裡是你每天探索人工智能世界的指南，每天我們為你呈現AI領域的熱點內容，聚焦開發者，助你洞悉技術趨勢、瞭解創新AI產品應用。
Claude自主優化八類量子電路設計
ScienceDesigning more efficient quantum circuits with ClaudeOct 16, 2026Quantum computers will need carefully designed circuits to run useful algorithms on limited hardware.
12.88萬起、華為電驅+L4同源智駕，Ray7能成為埃安年輕化的答卷嗎？
12.88萬起、華為電驅+L4同源智駕，Ray7能成為埃安年輕化的答卷嗎？ 本文作者： 倪萍 2026-10-17 22:42 導語：10月17日，埃安轎跑Ray7正式開啟預售，預售價12.88 萬起。新車車長4.9米，軸距2.9米，車頭部分搭配3.25米的超長雙環燈帶，是埃安10年煥新的家族 10月17日，埃安轎跑Ray7正式開啟預售，預售價12.88 萬起。新車車長4.9米，軸距2.9米，車頭部分搭配3.25米的超長雙環燈帶，是埃安10年煥新的家族式標識。 新車採用寧德時代電池以及廣汽自研的彈匣電池2.0技術，能夠在充分釋放續航能力的同時，監控電池健康狀態。提供45.58kWh和62.98kWh兩種規格，續航可達702公里，整車風阻係數 Cd 低至 0.22。Ray7搭載華為DriveONE多合一電驅，以及華為DriveONE芯片級驅制融合架構，百公里制動僅為32.8米。底盤方面，Ray7搭載高性能前後穩定杆和後五連桿懸架，過彎極限更高，濾振更乾淨。智能化上， Ray7搭載27顆車規級全視角傳感器，採用文遠知行L4級Robotaxi同源大模型。這幫助新車能夠複用 L4 積累的海量場景經驗，在城區掉頭、繞行等複雜場景中可順利通行。自2025年廣汽推進“番禺行動”以來，昊鉑埃安BU的研發、生產、銷售等環節效率不斷提升，產品迭代和新車投放節奏明顯加快。作為埃安全新Ray車系的首款新車，Ray7是埃安開啟年輕化序列的關鍵落子，也是廣汽切入20萬級市場的重要佈局。這一細分市場競爭並不輕鬆：小鵬P7、極氪007等車型已經提前卡位。Ray7想在年輕人心中佔位，不能只堆參數，更要把智能座艙與輔助駕駛、三電安全、補能效率、用車成本和價格權益上的差異，變成用戶可感、可信、可持續的體驗，這才是埃安年輕化的分水嶺。（雷峰網(公眾號：雷峰網)） 雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
梁聖又掀桌了！DeepSeek新模型斬殺GPT-6，許願式編程時代降臨
作者 | 楊京麗 編輯 | 李水青 10月17日報道，剛剛，DeepSeek V4.1 Flash更新至V4.1-Flash-1017版本，官方網頁端、App與API已同步更新至新模型，模型權重也已在HuggingFace和ModelScope開放下載。DeepSeek還向公眾開放自研搜索引擎的Search（搜索）與Fetch（抓取）API，兩個接口均定價為5元/千次。 此次更新距離該模型發佈僅過去一個多月。9月10日，DeepSeek正式推出V4.1-Flash，在性能上超越了DeepSeek-V4-Pro。