微軟白皮書實證：換掉 Harness，同樣的 Claude 表現差出一截

文｜曉靜

編輯｜徐青陽

11月7日，微軟發布了一份關於Agent執行系統的技術白皮書，包含一組有點出人意料的測試結果：同樣使用Claude Opus 4.8，只換掉Copilot Studio背後的Harness，複雜任務通過率就提高了22.1個百分點。新系統每項任務調用模型的次數幾乎翻倍，折算後的輸入Token消耗卻可以減少21%。

就在十天前，微軟剛宣布將統一的Copilot Harness推廣到旗下多個產品，並通過雲平台向開發者出售托管服務。

11月5日，月之暗面剛剛發布Kimi Hosted Agents（托管智能體），正式提出Harness as a Service。8月，DeepSeek開源了自己的Harness；OpenAI、Anthropic更早就已經把內部運行系統變成開發者可以調用的服務。

那個大模型背後的"運行系統"，開始成為模型公司眼中的關鍵先生。

圖片由AI生成

01 搶灘Harness

Harness可以理解為圍繞大模型搭建的一套Agent運行系統。它讓模型能夠使用外部工具、持續執行多步驟任務，並根據執行結果調整後續行動。對於需要長時間運行的Agent，Harness還負責保存任務狀態，使工作能夠在中斷後繼續。

它與AI應用處於不同的層次。比如Claude Code、WorkBuddy等產品直接面向用戶，而底層Harness可以被不同應用復用，也可以作為獨立服務提供給開發者。隨著Agent承擔的工作越來越複雜，Harness逐漸成為影響任務成功率、執行效率和運行成本的重要因素。

Anthropic是較早投入Harness研發的模型公司之一，最初是為了解決Claude Code在長時間編程任務中遇到的問題。

2025年底，Anthropic發現，當Claude的上下文窗口耗尽，新一輪對話往往無法接續此前的工作。工程師於是改進了Claude Code背後的Harness，讓Agent在每個階段結束前保存進度，下一輪再讀取這些記錄，繼續完成尚未結束的任務。這樣，即使一次模型會話結束，整個編程任務仍然可以持續推進。

今年4月，Anthropic進一步推出Managed Agents，將這套Agent運行能力作為雲端服務提供給開發者。為了讓企業能夠長期、穩定地運行Agent，Anthropic還調整了底層架構：Harness負責推動任務執行，歷史記錄可以單獨保存下來，AI運行程序的沙箱也可以隨時替換。即使沙箱發生故障，Agent也能恢復此前的工作。

從Claude Code內部的運行系統，到面向外部開發者的托管服務，Anthropic將多年積累的harness能力變成獨立產品。

OpenAI也選擇把Codex背後的Harness開放給更多開發者。今年2月，OpenAI披露，Codex網頁版、命令行和IDE插件實際上共用同一套Agent運行系統。8月，進一步將Codex定位為開放的Harness平台，允許第三方應用直接接入。9月推出的Agents API，由OpenAI負責托管和維護這套系統，開發者可以直接接入Agent的運行環境。

這條路線讓OpenAI既能通過Codex直接服務用戶，也能把底層執行能力提供給其他軟件公司。開發者可以保留自己的產品界面和業務流程，讓Codex在背後完成具體任務。

DeepSeek在8月13日以MIT協議開放了Harness全部框架代碼，它提出"Everything is a Plugin"，幾乎將整個Agent運行系統拆成可以自由組合的插件。開發者除了替換模型和外部工具，還能修改Agent調用模型、執行任務的方式，甚至讓Agent自己編寫並安裝新的插件。

這套基於Cordis的架構，希望讓開發者不必從頭搭建運行系統，就能按照自己的需要開發不同類型的Agent。

11月5日，Kimi官宣Hosted Agents提供全天候雲端環境，企業可以把Agent放進內部系統，也可以嵌入對外銷售的產品，並明確提出Harness as a service。

02 Harness進化

實際上，Harness的熱度並不是由模型公司開始。

今年初，OpenClaw的走紅已經讓行業看到，一家沒有基礎模型的公司，也可能憑藉Agent運行系統吸引大量用戶。2月，OpenAI招募了OpenClaw創始人Peter Steinberger，參與下一代個人Agent的研發。

隨後，Nous Research推出Hermes Agent，嘗試讓Agent把工作中積累的經驗保存為可復用的Skills，並在後續任務中持續改進。

3月底，斯坦福大學等機構提出Meta-Harness，讓AI根據失敗記錄直接修改Harness代碼，並通過測試驗證效果。在一項文本分類實驗中，準確率提高7.7%，上下文Token消耗降至原來的四分之一。

這些探索為什麼值得模型公司投入？10月，新加坡南洋理工大學測試了66種模型與Harness組合，發現更換Harness甚至可能改變模型之間的性能排名。

FrontierHarness Eval也發現，同一個Kimi K3，使用Codex的任務通過率為66.7%，使用DeepSeek Harness Creator為63.3%，使用Kimi Code則為56.7%。

對基礎模型公司來說，提升模型表現，除了改進模型本身，也越來越依賴Harness的設計與優化。

研究者還在嘗試把Harness積累的經驗用於模型訓練。7月提出的Co-Harness，先通過失敗記錄改進Harness，再利用優化後的執行數據訓練模型。11月公布的HarnessFlow則嘗試自動搜索更好的Harness設計，在六類任務中將平均成績提高10.89個百分點。

不過，自動優化也有風險。11月初的一項研究發現，在特定實驗中，一個Harness經過新任務優化後，原先在SWE-bench上的成績從94%跌至32%。模型升級也可能讓此前有效的設計失去作用。

這意味著，Harness的技術積累很難一勞永逸。如何在持續改進中保持不同任務的穩定性，仍然是還沒有被解決的難題。

有行業人士表示，這也是部署開源模型的一大痛點。所以，模型公司已經開始出售Harness服務。開源框架可以免費獲得，但企業若要長期穩定地運行Agent，仍然需承擔部署和維護成本。Kimi、Anthropic等公司看到了接手這些工作的機會，將Harness變成一門獨立生意，但不同公司的做法差異很大。

03 Harness的隱藏價值

Harness開始成為一項可以單獨收費的服務，但目前的價格表顯示，模型推理依然是主要的收費來源。

Anthropic的Managed Agents每活躍會話小時收取0.08美元，Token另計，按照官方公布的一小時編程任務示例，總費用0.58美元，其中托管運行費只占約14%。

Kimi的收費分為模型Token、沙箱運行和付費插件。它公布的一次投行法律分析任務，估算成本約30元，沙箱費用不足0.1元。OpenAI在Agents API公測期間免收額外服務費，主要按照模型和工具使用量計費。DeepSeek將Harness以MIT協議開源，並沒有直接的收費邏輯。

所以說，模型公司現階段靠harness取得的直接收入可能微乎其微。

那麼，為什麼還要投入大量研發資源？

一個重要原因是，企業真正部署Agent之後，對Harness的需求可能比對某個特定模型更穩定。

美國法律服務公司ABC Legal原本將Agent部署在員工電腦上，通過定時任務運行。隨著使用範圍擴大，CTO Brandon Fuller開始尋找能夠統一管理這些Agent的平台。他比較了多個方案，最終選擇Anthropic的Managed Agents，因為企業不想繼續維護分散的運行環境。

據Anthropic披露，ABC Legal在一個月內就將50多個Agent投入生產，約310名員工日常使用Claude。員工甚至不需要掌握軟件開發知識，就可以通過配置創建新的Agent。

這說明，托管Harness的吸引力來自實際的企業需求。比起從頭開發部署和長期維護運行系統，企業可能更願意購買現成服務，將工程資源傾斜給自己的業務。

但企業不一定願意因此綁定一家模型公司。

今年8月，VentureBeat公布了對107家企業的調查。85%的受訪企業同時使用兩套或更多Agent編排平台。選擇平台時，29%的企業最看重模型與工具的靈活性，只有10%優先考慮與某個領先模型的原生適配。雖然樣本偏向大型科技企業，但已經反映出一種採購傾向：客戶希望保留更換模型的自由。

這恰好提供了Harness競爭的另一種商業邏輯。如果企業願意長期使用一套運行系統，提供商即便不能獨占模型調用，也可能持續獲得托管、維護和企業開發服務收入，並與客戶建立更穩定的合作關係。

這樣一來，Harness就可以接觸企業實際工作的執行過程。與單純的模型API相比，Harness可以記錄一項任務從開始到完成的工作軌跡，包括模型調用、工具執行、失敗重試以及最終結果。這些記錄既能幫助企業排查故障，也能為模型研發提供有價值的反饋。

如果能夠持續獲得經過驗證的真實任務反饋，模型公司就有機會更快發現模型在生產環境中的問題。不過，這一優勢也會受到數據權利的明確限制。

這也給模型公司提出了一個新問題：如果企業能夠自由更換底層模型，又堅持掌握自己的數據，Harness還能建立多大的長期優勢？

對模型公司而言，Harness可能帶來比直接收費更長遠的價值。當企業把越來越多的工作交給Agent，誰能提供可靠的運行系統，誰就有機會影響模型的選擇，以及AI如何參與真實業務。

一個熟悉又老套的詞：入口。

但是，這個在互聯網時代根深蒂固的詞語，總會牽動 AI時代競爭的敏感神經。現在，Harness從某種程度上承擔了這種期待，以及想像力。