微软白皮书实证：换掉 Harness，同样的 Claude 表现差出一截

文｜晓静

编辑｜徐青阳

11月7日，微软发布了一份关于Agent执行系统的技术白皮书，包含一组有点出人意料的测试结果：同样使用Claude Opus 4.8，只换掉Copilot Studio背后的Harness，复杂任务通过率就提高了22.1个百分点。新系统每项任务调用模型的次数几乎翻倍，折算后的输入Token消耗却可以减少21%。

就在十天前，微软刚宣布将统一的Copilot Harness推广到旗下多个产品，并通过云平台向开发者出售托管服务。

11月5日，月之暗面刚刚发布Kimi Hosted Agents（托管智能体），正式提出Harness as a Service。8月，DeepSeek开源了自己的Harness；OpenAI、Anthropic更早就已经把内部运行系统变成开发者可以调用的服务。

那个大模型背后的“运行系统”，开始成为模型公司眼中的关键先生。

图片由AI生成

01 抢滩Harness

Harness可以理解为围绕大模型搭建的一套Agent运行系统。它让模型能够使用外部工具、持续执行多步骤任务，并根据执行结果调整后续行动。对于需要长时间运行的Agent，Harness还负责保存任务状态，使工作能够在中断后继续。

它与AI应用处于不同的层次。比如Claude Code、WorkBuddy等产品直接面向用户，而底层Harness可以被不同应用复用，也可以作为独立服务提供给开发者。随着Agent承担的工作越来越复杂，Harness逐渐成为影响任务成功率、执行效率和运行成本的重要因素。

Anthropic是较早投入Harness研发的模型公司之一，最初是为了解决Claude Code在长时间编程任务中遇到的问题。

2025年底，Anthropic发现，当Claude的上下文窗口耗尽，新一轮对话往往无法接续此前的工作。工程师于是改进了Claude Code背后的Harness，让Agent在每个阶段结束前保存进度，下一轮再读取这些记录，继续完成尚未结束的任务。这样，即使一次模型会话结束，整个编程任务仍然可以持续推进。

今年4月，Anthropic进一步推出Managed Agents，将这套Agent运行能力作为云端服务提供给开发者。为了让企业能够长期、稳定地运行Agent，Anthropic还调整了底层架构：Harness负责推动任务执行，历史记录可以单独保存下来，AI运行程序的沙箱也可以随时替换。即使沙箱发生故障，Agent也能恢复此前的工作。

从Claude Code内部的运行系统，到面向外部开发者的托管服务，Anthropic将多年积累的harness能力变成独立产品。

OpenAI也选择把Codex背后的Harness开放给更多开发者。今年2月，OpenAI披露，Codex网页版、命令行和IDE插件实际上共用同一套Agent运行系统。8月，进一步将Codex定位为开放的Harness平台，允许第三方应用直接接入。9月推出的Agents API，由OpenAI负责托管和维护这套系统，开发者可以直接接入Agent的运行环境。

这条路线让OpenAI既能通过Codex直接服务用户，也能把底层执行能力提供给其他软件公司。开发者可以保留自己的产品界面和业务流程，让Codex在背后完成具体任务。

DeepSeek在8月13日以MIT协议开放了Harness全部框架代码，它提出“Everything is a Plugin”，几乎将整个Agent运行系统拆成可以自由组合的插件。开发者除了替换模型和外部工具，还能修改Agent调用模型、执行任务的方式，甚至让Agent自己编写并安装新的插件。

这套基于Cordis的架构，希望让开发者不必从头搭建运行系统，就能按照自己的需要开发不同类型的Agent。

11月5日，Kimi官宣Hosted Agents提供全天候云端环境，企业可以把Agent放进内部系统，也可以嵌入对外销售的产品，并明确提出Harness as a service。

02 Harness进化

实际上，Harness的热度并不是由模型公司开始。

今年初，OpenClaw的走红已经让行业看到，一家没有基础模型的公司，也可能凭借Agent运行系统吸引大量用户。2月，OpenAI招募了OpenClaw创始人Peter Steinberger，参与下一代个人Agent的研发。

随后，Nous Research推出Hermes Agent，尝试让Agent把工作中积累的经验保存为可复用的Skills，并在后续任务中持续改进。

3月底，斯坦福大学等机构提出Meta-Harness，让AI根据失败记录直接修改Harness代码，并通过测试验证效果。在一项文本分类实验中，准确率提高7.7%，上下文Token消耗降至原来的四分之一。

这些探索为什么值得模型公司投入？10月，新加坡南洋理工大学测试了66种模型与Harness组合，发现更换Harness甚至可能改变模型之间的性能排名。

FrontierHarness Eval也发现，同一个Kimi K3，使用Codex的任务通过率为66.7%，使用DeepSeek Harness Creator为63.3%，使用Kimi Code则为56.7%。

对基础模型公司来说，提升模型表现，除了改进模型本身，也越来越依赖Harness的设计与优化。

研究者还在尝试把Harness积累的经验用于模型训练。7月提出的Co-Harness，先通过失败记录改进Harness，再利用优化后的执行数据训练模型。11月公布的HarnessFlow则尝试自动搜索更好的Harness设计，在六类任务中将平均成绩提高10.89个百分点。

不过，自动优化也有风险。11月初的一项研究发现，在特定实验中，一个Harness经过新任务优化后，原先在SWE-bench上的成绩从94%跌至32%。模型升级也可能让此前有效的设计失去作用。

这意味着，Harness的技术积累很难一劳永逸。如何在持续改进中保持不同任务的稳定性，仍然是还没有被解决的难题。

有行业人士表示，这也是部署开源模型的一大痛点。所以，模型公司已经开始出售Harness服务。开源框架可以免费获得，但企业若要长期稳定地运行Agent，仍然需承担部署和维护成本。Kimi、Anthropic等公司看到了接手这些工作的机会，将Harness变成一门独立生意，但不同公司的做法差异很大。

03 Harness的隐藏价值

Harness开始成为一项可以单独收费的服务，但目前的价格表显示，模型推理依然是主要的收费来源。

Anthropic的Managed Agents每活跃会话小时收取0.08美元，Token另计，按照官方公布的一小时编程任务示例，总费用0.58美元，其中托管运行费只占约14%。

Kimi的收费分为模型Token、沙箱运行和付费插件。它公布的一次投行法律分析任务，估算成本约30元，沙箱费用不足0.1元。OpenAI在Agents API公测期间免收额外服务费，主要按照模型和工具使用量计费。DeepSeek将Harness以MIT协议开源，并没有直接的收费逻辑。

所以说，模型公司现阶段靠harness取得的直接收入可能微乎其微。

那么，为什么还要投入大量研发资源？

一个重要原因是，企业真正部署Agent之后，对Harness的需求可能比对某个特定模型更稳定。

美国法律服务公司ABC Legal原本将Agent部署在员工电脑上，通过定时任务运行。随着使用范围扩大，CTO Brandon Fuller开始寻找能够统一管理这些Agent的平台。他比较了多个方案，最终选择Anthropic的Managed Agents，因为企业不想继续维护分散的运行环境。

据Anthropic披露，ABC Legal在一个月内就将50多个Agent投入生产，约310名员工日常使用Claude。员工甚至不需要掌握软件开发知识，就可以通过配置创建新的Agent。

这说明，托管Harness的吸引力来自实际的企业需求。比起从头开发部署和长期维护运行系统，企业可能更愿意购买现成服务，将工程资源倾斜给自己的业务。

但企业不一定愿意因此绑定一家模型公司。

今年8月，VentureBeat公布了对107家企业的调查。85%的受访企业同时使用两套或更多Agent编排平台。选择平台时，29%的企业最看重模型与工具的灵活性，只有10%优先考虑与某个领先模型的原生适配。虽然样本偏向大型科技企业，但已经反映出一种采购倾向：客户希望保留更换模型的自由。

这恰好提供了Harness竞争的另一种商业逻辑。如果企业愿意长期使用一套运行系统，提供商即便不能独占模型调用，也可能持续获得托管、维护和企业开发服务收入，并与客户建立更稳定的合作关系。

这样一来，Harness就可以接触企业实际工作的执行过程。与单纯的模型API相比，Harness可以记录一项任务从开始到完成的工作轨迹，包括模型调用、工具执行、失败重试以及最终结果。这些记录既能帮助企业排查故障，也能为模型研发提供有价值的反馈。

如果能够持续获得经过验证的真实任务反馈，模型公司就有机会更快发现模型在生产环境中的问题。不过，这一优势也会受到数据权利的明确限制。

这也给模型公司提出了一个新问题：如果企业能够自由更换底层模型，又坚持掌握自己的数据，Harness还能建立多大的长期优势？

对模型公司而言，Harness可能带来比直接收费更长远的价值。当企业把越来越多的工作交给Agent，谁能提供可靠的运行系统，谁就有机会影响模型的选择，以及AI如何参与真实业务。

一个熟悉又老套的词：入口。

但是，这个在互联网时代根深蒂固的词语，总会牵动 AI时代竞争的敏感神经。现在，Harness从某种程度上承担了这种期待，以及想象力。