在 AI 圈，模型至上论正在遭遇前所未有的挑战。当所有人屏息等待新模型再次刷新智力天花板时，AI 基础设施领军人物、LangChain 联合创始人 Harrison Chase 在最新对话中抛出了新预判：大模型正在沦为大宗商品，而决定 Agent 成败的，是那个包裹在模型外的 Harness。

模型商品化与 Harness 的崛起

这场对话发生在旧金山大通中心。Harrison Chase 与资深投资人 Matt Turck 拆解了 AI 栈的权力更迭，核心逻辑很清晰：聪明的模型遍地走，但能干活的架构万里挑一。

"Manus 就是一个很好的例子，"Harrison 说，"它的 Harness 做得非常出色。这才是成功的秘诀。而且它底层可以用任何 Model 来驱动，都能跑得很好。"再看 Claude Code——Claude 的模型确实很强，但真正让这一切落地的是 Harness。

"你看像 Manus、Claude Code、Deep Research，它们都采用了同样的方式：让模型在循环中运行、调用 Tool、编写代码、读写文件。基本发生了两件事：模型变强了，同时我们也开始发现一些 Harness 的 Primitives，真正让模型能够发挥出最佳水平。"

编码化是长周期智能体的唯一归宿

目前 Agent 分两种：

Conversational Agent：用于客户支持、聊天机器人，延迟要求极低，交互媒介往往是语音，不会调用太多 Tool。

Long Horizon Agent（长周期智能体）：可以在长时间内运行、进行规划、保持连贯性——这类最终都演变成了 Coding Agent。

为什么？因为代码具有极高的通用性。想循环处理 100 个文件，与其做 100 次 Tool Call，不如写个脚本一次性搞定。更重要的是，所有大模型的 RL 训练都将代码、Bash 和文件编辑能力融入其中——这些正是模型表现最好的领域。

Sub-Agent：隔离的代价是沟通成本

Sub-Agent 非常好用，因为它们实现了 Context 的隔离。主 Agent 的 Context 会随着调用 Tool 和与环境交互不断累积——这既是好事（拥有了所有 Context），也是坏事（窗口膨胀）。

Sub-Agent 的解法：启动一个全新的、干净的 Context Window，完成工作后返回结果，主 Agent 只需要看到最终结果。但代价是任务之间被隔离了，需要在两个 Agent 之间进行通信。

"我们经常遇到一个非常现实的问题：主 Agent 启动了一个 Sub-Agent，Sub-Agent 完成了一大堆工作，关键信息可能散落在执行过程的中间某处，但最后返回的信息只是简单一句'完成了'。主 Agent 就会困惑：'你说完成了是什么意思？我什么都看不到啊。'"

Sub-Agent 虽然很好用，但确实增加了一层沟通的复杂性。未来的胜负手，在于谁能用工程化手段解决 Agent 间的沟通摩擦。

从"被迫遗忘"到"主动失忆"

传统的上下文压缩（Compaction）是基于 Token 阈值的"被动切除"——Context 用了 80% 了，系统强制压缩。

未来的趋势是赋予 Agent 专门的 Tool，让它主动触发压缩。假设你和 Agent 说"去帮我做 X"，它执行完用了 60% 的窗口——这个比例通常不会触发压缩。但接着你又说"去做一个完全不相干的事情 Y"——这时候它应该触发压缩，因为之前的那些历史记录对做 Y 没有任何帮助。

"让模型自己决定何时压缩，这非常符合'让模型承担更多职责'的精神。"

文件系统即大脑

Agent 需要的不仅仅是 RAG，而是一个真正的文件系统。通过将指令、技能和历史记录物理化为文件，LLM 得以像人类操作硬盘一样管理自己的 Context Window。

DeepAgents 的做法：如果一个 Tool 返回了 6 万个 Token 的结果，不会全部展示给 LLM，而是把结果存入文件，然后告诉 LLM："这是前 1000 个 Token，如果你想看剩下的，就去读这个文件。"

当 Context Window 长度达到阈值时，运行一个摘要步骤，同时把所有的原始消息转储到文件系统里。如果 LLM 之后需要查阅原始信息，它仍然可以回去找。

这种"程序性记忆"的持久化，是 Agent 从"聊天机器人"跃升为"独立数字员工"的基石。

沙箱是 API Key 的最后防线

在 Prompt Injection 防不胜防的今天，沙箱不再仅仅是运行环境，更是安全屏障。通过在沙箱外层设置代理注入 API Key，可以让 Agent 在完全不知道敏感信息的情况下完成任务，从物理隔离层面封锁了通过诱导攻击窃取秘钥的可能。

开发者的"资产陷阱"

Harrison 给出了一个反直觉的警告：不要迷信任何框架（包括 LangChain 自己），因为架构层正在以周为单位迭代。

真正具有穿越周期价值的资产，是深埋在业务逻辑里的 Instruction（指令）、Tool（工具集） 和 Skill（技能包）。

"这些'领域知识'的数字化积累，才是 AI 浪潮下唯一的硬通货。无论你最终以什么方式暴露它们——是打包成 Skill、封装成 Sub-Agent，还是让每个部门构建自己的 Agent——这些东西始终有价值。"

Memory 的三种形态

Harrison 提出了 Memory 的三层分类：

  • Episodic Memory：过去的交互或对话记录，RAG 类技术已经成熟。
  • Semantic Memory：大量事实信息存入语义存储，通过检索式 RAG 调用。
  • Procedural Memory：关于"如何做某事"的指令——这其实就是 Agent 的 Configuration。拿一个 Harness，提供 System Prompt、Skill 和 Tool，这些都属于 Agent 的 Procedural Memory。DeepAgents 让 Agent 在运行中更新这些文件，从而实现持续学习——Agent 能够修改自己的 Procedural Memory，而这些 Memory 在文件系统里就是以文件形式存在的。

架构的未来：稳定的是模式，变化的是功能

Harrison 认为，在循环中运行、调用 Tool、与文件系统交互、编写代码这些核心模式是稳定的。但这些 Harness 的功能特性，几乎每周都在增加。

"我们组合这些组件的方式会快速演变。Scaffolding 会快速变化。相比之下，Harness 的底层模式会更稳定一些。但那些 Instruction 和 Tool，始终具有价值。"

最终我们会达到这样一种状态：有一个同步的 Conversational Agent，可以在后台发起多个长周期运行的异步 Agent。从表面上看，它呈现为一个 Agent，但背后是不同的 Memory Module 驱动着不同的 Sub-Agent。