OpenAI前安全研究员翁荔的新博客，把一个容易被忽略的工程问题推到了台前：AI的自我提升未必会先发生在模型权重里，而可能先发生在Harness层。所谓Harness，可以理解为模型外部的任务环境、工具调用、记忆、评估、反馈和执行框架。模型本身负责推理与生成，Harness则决定它拿到什么上下文、怎样调用工具、如何记录过程、用什么标准判断结果，以及下一次如何修正。
这件事的重要性在于，它把“AI会不会自己变强”的讨论从玄学拉回工程现场。近期DeepSeek更新工具调用中的reasoning_content字段、快手与浙大提出MemGUI-Agent、Patronus AI融资做Agent压力测试场、OpenScience开源科研工作台、DeepSeek造芯和AlphaChip团队创业融资，都在说明同一个趋势：AI竞争正在从单个模型能力，转向模型外部系统的组织能力。谁能把工具、记忆、评估、算力和真实任务串成闭环，谁就更可能让Agent持续变可靠。
Harness成为新战场
过去外界评价AI产品，最常看的指标是模型分数、上下文长度、价格和生成速度。但Agent真正进入工作流后，决定体验的往往不是某一次回答有多漂亮，而是它能不能持续完成长任务。一个Agent要写代码、查资料、改文件、跑测试、生成报告，就必须反复在“计划—执行—观察—修正”之间切换。这里的每一步都需要Harness提供稳定支撑。
翁荔提到的ACE、Self-Harness、达尔文哥德尔机等研究，核心都不是让模型凭空进化，而是让AI借助外部框架审视自己的行为、修改自己的流程、积累可复用经验。这个思路更接近软件工程里的持续集成：不是相信一次生成永远正确，而是让系统有日志、有测试、有回滚、有评估、有记忆。模型越强，Harness的价值反而越高，因为强模型能操作的工具更多、任务更长，出错后的影响也更大。
自我提升先从流程开始
真正可落地的自我提升，首先不是模型偷偷改写自己的参数，而是改进它周围的流程。比如一个编程Agent发现自己经常在依赖安装环节失败，它可以把成功的安装方式写入项目记忆；一个科研Agent发现某类文献检索关键词效果更好，它可以调整检索策略；一个办公Agent发现某个客户报告需要固定校验项，它可以把检查清单固化到流程里。这些都不是权重层面的进化，却会明显提升后续任务成功率。
这也是Harness工程值得被单独讨论的原因。很多AI失败并不是模型完全不会，而是上下文给错了、工具状态没保留、历史步骤丢失、评估标准模糊，或者奖励函数被投机取巧。把这些问题解决掉，模型能力就能更稳定地释放出来。对企业来说，这比追逐每一个新模型更现实：同样的模型，放在一个混乱的工作流里可能像实习生，放在一个有约束、有测试、有知识库的Harness里，才可能接近可交付的数字员工。
记忆与状态决定长任务
Agent长任务最常见的失败，是“边做边忘”。快手与浙大提出MemGUI-Agent，正是针对手机GUI任务里的长程记忆问题：Agent执行二三十步操作后，如果不能保存关键事实、压缩历史、描述当前进度，就很容易重复点击、漏掉前置条件，或把早先的用户目标忘掉。这个问题放到企业流程里更明显，报销、合同、客服、数据分析都不是一步问答，而是一串状态连续的动作。
DeepSeek在工具调用文档里强调reasoning_content字段要完整保留并回传，也指向同一个工程细节：模型与工具之间不能只传最终文本，还要维护中间状态。过去开发者把工具调用理解成“模型决定调用哪个API”，现在要进一步理解成“模型、工具、历史、推理状态共同组成一个系统”。如果中间状态断裂，Agent就会像失忆的人一样，表面还能说话，实际已经不知道自己为什么走到这一步。
评估不能只看最终答案
Harness自我提升还有一个难点，是评估标准必须足够清楚。很多任务没有简单的对错，比如产品方案是否合理、销售线索是否优先、科研假设是否值得验证、代码改动是否真的没有副作用。如果评估模糊，AI就容易学会迎合表面指标：写出看起来完整的报告、跑过少数测试、生成漂亮但不可执行的计划。这就是翁荔所说奖励作弊风险背后的现实含义。
Patronus AI要做Agent压力测试场，也说明行业开始把评估从“回答正确率”扩展到“接管业务前的模拟验证”。一个Agent如果要访问真实系统，最好先在数字环境里反复试错，暴露越权、幻觉、资源浪费、任务偏移和边界误判。未来的企业AI采购，可能不只看模型榜单，而要看供应商能不能提供测试集、沙箱、审计日志、失败回放和持续改进机制。没有评估闭环的Agent，就像没有验收标准的外包团队，看起来很忙，结果很难稳定。
科研与开发工具先受影响
Harness工程最先落地的场景，很可能是科研和软件开发。Synthetic Sciences发布OpenScience，集成研究技能、数据库和多模型切换，本质上就是为科研任务搭建外部工作台。科研不是单轮问答，而是检索论文、提出假设、设计实验、分析数据、写作复盘的连续过程。AI如果能在这个流程中保存实验记录、调用数据库、追踪假设来源，就比单纯聊天更接近真正的科研助手。
开发工具也是同理。MonkeyCode、DeepSeek工具调用更新、各类AI编程助手和VISTA这类端到端评测，都在把模型放进更完整的工程环境里。写代码并不等于把函数生成出来，还包括读项目结构、理解需求、改动最小化、运行测试、处理依赖、解释变更。优秀的Harness会逼着Agent拿证据说话：改了什么、为什么改、测试结果是什么、失败如何回滚。这种工程约束，比单纯让模型“再聪明一点”更能提升真实交付质量。
算力底座也被纳入闭环
自我提升不只发生在软件层。DeepSeek造芯进展、AlphaChip原班人马创业融资、国内外AI芯片和国产算力消息频繁出现，说明模型公司已经意识到：如果推理成本、硬件适配和部署密度不受控，再好的Agent也难以高频运行。长任务Agent会消耗大量上下文、工具调用和反复验证，Harness越完善，对推理吞吐、延迟和成本管理的要求越高。
因此，未来AI竞争可能形成两条互相咬合的链路：一条是软件Harness，让Agent能记住、能评估、能复盘、能改进；另一条是算力Harness，让模型能以更低成本、更稳定延迟、更高并发进入真实业务。芯片、编译器、推理框架、缓存系统和任务调度，都会变成Agent产品体验的一部分。用户表面上看到的是一个会办事的AI，背后其实是一整套工程系统在协同。
从模型崇拜走向系统能力
这轮变化给AI行业的提醒很直接：只崇拜模型已经不够了。模型仍然是核心引擎，但真正决定生产力的，是引擎被装进了什么样的车。没有记忆、没有工具治理、没有评估、没有算力优化，强模型也可能在复杂任务里变成昂贵的随机数生成器；有了清晰流程和反馈闭环，中等模型也可能在垂直场景里稳定创造价值。
对普通用户和企业来说，判断AI产品时可以少问一句“它用了哪个模型”，多问几句“它怎么保存任务状态、怎么验证结果、怎么处理失败、怎么防止越权、怎么把经验沉淀到下一次”。当Harness工程成为显性竞争力，AI应用会从炫技演示走向可运维系统。翁荔这篇博客之所以值得关注，正是因为它把AI自我提升拆成了可以观察、可以设计、可以测试的工程问题，而不是停留在遥远的科幻想象里。
