Penulis: Tencent Tech

Pada 7 November, Microsoft menerbitkan sebuah whitepaper teknikal mengenai sistem pelaksanaan Agent, yang memuatkan serangkaian keputusan ujian yang agak mengejutkan: dengan menggunakan Claude Opus 4.8 yang sama tetapi menggantikan Harness di belakang Copilot Studio, kadar kejayaan tugas kompleks meningkat sebanyak 22.1 peratus. Sistem baharu ini hampir menggandakan bilangan panggilan model untuk setiap tugas, tetapi penggunaan Token input yang disetarakan berkurang sebanyak 21%.
Sepuluh hari yang lalu, Microsoft mengumumkan peluasan Copilot Harness yang seragam kepada pelbagai produknya serta menjual perkhidmatan pengurusan melalui platform awan kepada pembangun.
Pada 5 November, Moonshot baru saja melancarkan Kimi Hosted Agents, secara rasmi mengusung Harness as a Service. Pada Ogos, DeepSeek membuka sumber Harness mereka; OpenAI dan Anthropic sudah lebih awal menjadikan sistem dalaman mereka sebagai perkhidmatan yang boleh dipanggil oleh pembangun.
Sistem pengendali di sebalik model besar itu mulai menjadi tokoh penting dalam pandangan syarikat model.
Serang Harness
Harness boleh difahami sebagai sistem pengendalian Agent yang dibina di sekeliling model besar. Ia membolehkan model menggunakan alat luaran, melaksanakan tugas berperingkat secara berterusan, dan menyesuaikan tindakan seterusnya berdasarkan keputusan pelaksanaan. Untuk Agent yang memerlukan masa pelaksanaan panjang, Harness juga bertanggungjawab menyimpan keadaan tugas, membolehkan kerja berterusan selepas gangguan.
Ia berada pada tahap yang berbeza dengan aplikasi AI. Contohnya, produk seperti Claude Code dan WorkBuddy secara langsung menargetkan pengguna, manakala Harness di bawahnya boleh digunakan semula oleh pelbagai aplikasi atau disediakan sebagai perkhidmatan berdiri sendiri kepada pembangun. Seiring dengan semakin kompleksnya tugas yang diemban oleh Agent, Harness perlahan-lahan menjadi faktor penting yang mempengaruhi kejayaan tugas, kecekapan pelaksanaan, dan kos operasi.
Anthropic adalah salah satu syarikat model yang awal mula terlibat dalam pembangunan Harness, pada mulanya untuk menyelesaikan masalah yang dihadapi oleh Claude Code dalam tugas pengaturcaraan jangka panjang.
Pada akhir 2025, Anthropic mendapati bahawa apabila tetingkap konteks Claude habis, perbualan baru sering kali tidak dapat menyambungkan kerja sebelumnya. Jurutera kemudian memperbaiki Harness di belakang Claude Code, membenarkan Agen menyimpan kemajuan sebelum setiap peringkat berakhir, lalu membaca rekod tersebut semula dalam perbualan seterusnya untuk meneruskan tugas yang belum selesai. Dengan cara ini, walaupun sesi model berakhir, tugas pengaturcaraan keseluruhan masih boleh diteruskan.
Pada bulan April tahun ini, Anthropic melancarkan Managed Agents, yang menyediakan kemampuan menjalankan Agent sebagai perkhidmatan awan kepada pembangun. Untuk membolehkan syarikat menjalankan Agent secara jangka panjang dan stabil, Anthropic juga menyesuaikan struktur asasnya: Harness bertanggungjawab untuk mendorong pelaksanaan tugas, rekod sejarah boleh disimpan secara berasingan, dan sandbox untuk program AI juga boleh diganti sewaktu-waktu. Walaupun sandbox mengalami kegagalan, Agent dapat memulihkan kerja sebelumnya.
Dari sistem operasi dalaman Claude Code hingga perkhidmatan pengendalian yang ditujukan kepada pembangun luar, Anthropic menjadikan kemampuan harness yang telah dikumpulkan selama bertahun-tahun sebagai produk yang berdiri sendiri.
OpenAI juga memilih untuk membuka Harness di belakang Codex kepada lebih banyak pembangun. Pada Februari tahun ini, OpenAI mengungkapkan bahawa versi web, baris arahan, dan plugin IDE Codex sebenarnya menggunakan sistem pengendalian Agen yang sama. Pada Ogos, Codex diletakkan sebagai platform Harness terbuka yang membenarkan aplikasi pihak ketiga menyambung secara langsung. API Agen yang dilancarkan pada September dikelola dan diselenggarakan oleh OpenAI, membolehkan pembangun menyambung secara langsung kepada persekitaran pengendalian Agen.
Rute ini membolehkan OpenAI menyediakan perkhidmatan langsung kepada pengguna melalui Codex, serta menyediakan kemampuan pelaksanaan asas kepada syarikat perisian lain. Pembangun boleh mengekalkan antaramuka produk dan proses perniagaan mereka sendiri, sambil membiarkan Codex menyelesaikan tugas-tugas spesifik di belakang layar.
DeepSeek membuka seluruh kod kerangka Harness pada 13 Ogos dengan lesen MIT, yang mengusulkan "Semuanya adalah Plugin", hampir memecahkan keseluruhan sistem pengendalian Agent menjadi plugin yang boleh digabungkan secara bebas. Pembangun selain boleh menggantikan model dan alat luaran, juga boleh mengubah cara Agent memanggil model dan melaksanakan tugas, bahkan membenarkan Agent menulis dan memasang plugin baru sendiri.
Arsitektur berbasis Cordis ini bertujuan membolehkan pembangun mengembangkan pelbagai jenis Agen mengikut keperluan mereka tanpa perlu membina sistem operasi dari awal.
Pada 5 November, Kimi secara rasmi mengumumkan Hosted Agents menyediakan persekitaran awan 24/7, di mana syarikat boleh meletakkan Agent ke dalam sistem dalaman mereka atau memasukkannya ke dalam produk jualan luaran, serta secara jelas menyatakan Harness as a service.
Harness berevolusi
Sebenarnya, kepopularan Harness bukan bermula daripada syarikat model.
Pada awal tahun ini, kepopuleran OpenClaw telah menunjukkan kepada industri bahawa sebuah syarikat tanpa model asas juga boleh menarik ramai pengguna melalui sistem agen. Pada Februari, OpenAI merekrut pendiri OpenClaw, Peter Steinberger, untuk terlibat dalam pembangunan agen peribadi generasi seterusnya.
Selepas itu, Nous Research melancarkan Hermes Agent, mencuba untuk menyimpan pengalaman yang dikumpulkan semasa kerja sebagai Kemahiran yang boleh digunakan semula dan terus memperbaikinya dalam tugas-tugas seterusnya.
Pada akhir Mac, universiti seperti Stanford mengusulkan Meta-Harness, yang membolehkan AI mengubah kod Harness secara langsung berdasarkan rekod kegagalan dan mengesahkan kesannya melalui ujian. Dalam satu eksperimen pengelasan teks, ketepatan meningkat sebanyak 7.7% dan penggunaan Token konteks berkurang kepada seperempat daripada asalnya.
Mengapa eksplorasi ini layak untuk dilakukan oleh syarikat model? Pada Oktober, Nanyang Technological University di Singapura menguji 66 model bersama Harness dan mendapati bahawa menukar Harness bahkan boleh mengubah peringkat prestasi antara model-model tersebut.
FrontierHarness Eval juga mendapati, untuk Kimi K3 yang sama, kadar lulus tugas menggunakan Codex ialah 66.7%, menggunakan DeepSeek Harness Creator ialah 63.3%, dan menggunakan Kimi Code ialah 56.7%.
Bagi syarikat model asas, untuk meningkatkan prestasi model, selain memperbaiki model itu sendiri, semakin bergantung kepada reka bentuk dan pengoptimuman Harness.

Rajah: Perbandingan kadar kejayaan tugas dan kos bagi Kimi K3 yang sama di bawah konfigurasi Harness yang berbeza
Para penyelidik masih cuba mengaplikasikan pengalaman yang dikumpulkan oleh Harness ke dalam latihan model. Co-Harness yang dicadangkan pada bulan Julai memperbaiki Harness melalui rekod kegagalan, kemudian menggunakan data pelaksanaan yang telah dioptimumkan untuk melatih model. HarnessFlow yang diumumkan pada bulan November pula mencuba mencari secara automatik reka bentuk Harness yang lebih baik, meningkatkan skor purata sebanyak 10.89 peratus dalam enam kategori tugas.

Rajah: Garis masa evolusi teknologi Harness (akhir 2025 hingga November 2026)
Namun, pengoptimuman automatik juga membawa risiko. Sebuah kajian pada awal November mendapati bahawa dalam eksperimen tertentu, satu Harness yang dioptimumkan untuk tugas baru mengalami penurunan prestasi dari 94% kepada 32% di SWE-bench. Peningkatan model juga boleh menjadikan reka bentuk yang sebelumnya berkesan menjadi tidak berkesan lagi.
Ini bermakna, akumulasi teknologi Harness sukar diselesaikan sekali dan untuk selamanya. Bagaimana mempertahankan kestabilan tugas yang berbeza semasa peningkatan berterusan, masih merupakan masalah yang belum diselesaikan.
Seorang pakar industri menyatakan bahawa ini juga merupakan satu cabaran utama dalam pelaksanaan model sumber terbuka. Oleh itu, syarikat model telah mula menjual perkhidmatan Harness. Kerangka sumber terbuka boleh diperoleh secara percuma, tetapi syarikat masih perlu menanggung kos pelaksanaan dan penyelenggaraan untuk menjalankan Agent secara stabil dalam jangka panjang. Syarikat seperti Kimi dan Anthropic melihat peluang untuk mengambil alih tugas-tugas ini, menjadikan Harness sebagai perniagaan yang berdiri sendiri, tetapi pendekatan setiap syarikat sangat berbeza.
Nilai tersembunyi Harness
Harness kini bermula sebagai perkhidmatan yang boleh dikenakan caj secara berasingan, tetapi jadual harga semasa menunjukkan bahawa inferens model masih menjadi sumber caj utama.
Anthropic mengecak 0.08 dolar AS setiap jam sesi aktif untuk Agen Terkelola, dengan tambahan kos Token. Berdasarkan contoh tugas pengaturan satu jam yang diumumkan rasmi, jumlah kos keseluruhan ialah 0.58 dolar AS, di mana kos pengendalian hanya menyumbang kira-kira 14%.
Kimi mengenakan caj berdasarkan token model, pemeriksaan sandbox, dan plugin berbayar. Ia mengumumkan satu tugas analisis undang-undang perbankan pelaburan, dengan anggaran kos sekitar 30 yuan, dan caj sandbox kurang daripada 0.1 yuan. OpenAI tidak mengenakan caj tambahan semasa percubaan Agents API, dan sebaliknya mengenakan caj berdasarkan penggunaan model dan alat. DeepSeek telah melepaskan Harness sebagai sumber terbuka di bawah lesen MIT, dan tidak mempunyai logik caj langsung.

Rajah: Perbandingan cara pengenaan caj dan posisi perniagaan enam syarikat model Harness
Oleh itu, pendapatan langsung yang diperoleh oleh syarikat model pada peringkat ini mungkin sangat kecil.
Jadi, mengapa masih perlu melibatkan sumber daya penyelidikan dan pembangunan yang besar?
Satu sebab utama ialah, selepas perusahaan benar-benar melaksanakan Agent, keperluan terhadap Harness mungkin lebih stabil berbanding terhadap model tertentu.
Perusahaan perkhidmatan undang-undang Amerika, ABC Legal, awalnya menghantar Agent ke komputer pekerja dan menjalankannya melalui tugas berkala. Seiring dengan perluasan penggunaan, CTO Brandon Fuller mula mencari platform yang boleh menguruskan Agent-agent ini secara terpusat. Beliau membandingkan pelbagai pilihan dan akhirnya memilih Managed Agents daripada Anthropic, kerana syarikat tidak ingin terus memelihara persekitaran operasi yang tersebar.
Menurut Anthropic, ABC Legal telah melancarkan lebih daripada 50 agen ke dalam produksi dalam sebulan, dengan kira-kira 310 pekerja menggunakan Claude secara harian. Pekerja bahkan tidak perlu memiliki pengetahuan pembangunan perisian untuk mencipta agen baru melalui konfigurasi.
Ini menunjukkan bahawa daya tarikan Harness yang dikuasakan terletak pada keperluan perniagaan sebenar. Berbanding membina dan mengekalkan sistem dari awal, syarikat mungkin lebih suka membeli perkhidmatan siap dan mengalihkan sumber kejuruteraan mereka kepada bisnes mereka sendiri.
Namun, syarikat tidak semestinya bersedia untuk mengikat diri kepada satu syarikat model.
Pada bulan Ogos tahun ini, VentureBeat mengumumkan hasil tinjauan terhadap 107 syarikat. 85% daripada syarikat yang disurvei menggunakan dua atau lebih platform pengaturan Agen secara serentak. Semasa memilih platform, 29% syarikat mengutamakan fleksibiliti model dan alat, manakala hanya 10% mengutamakan keserasian asli dengan model terkemuka tertentu. Walaupun sampel cenderung kepada syarikat teknologi besar, ia sudah menunjukkan satu kecenderungan pembelian: pelanggan ingin mengekalkan kebebasan untuk menukar model.
Ini secara tepat memberikan logik perniagaan alternatif untuk persaingan Harness. Jika syarikat bersedia menggunakan satu set sistem operasi dalam jangka panjang, penyedia boleh terus memperoleh pendapatan daripada perkhidmatan pengurusan, penyelenggaraan, dan pembangunan perniagaan, walaupun tidak monopoli panggilan model, serta membina hubungan kerjasama yang lebih stabil dengan pelanggan.
Dengan cara ini, Harness dapat mengakses proses pelaksanaan kerja sebenar perusahaan. Berbeza dengan API model semata-mata, Harness dapat merekam jejak kerja satu tugas dari mula hingga selesai, termasuk panggilan model, pelaksanaan alat, percubaan semula apabila gagal, serta hasil akhir. Rekod-rekod ini tidak hanya membantu perusahaan mengesan dan memperbaiki gangguan, tetapi juga memberikan maklum balas berharga kepada pembangunan model.

Rajah: Data pelaksanaan tugas perusahaan empat kategori yang direkodkan oleh Harness
Jika boleh terus mendapat maklum balas tugas yang sah dan benar, syarikat model mempunyai peluang untuk lebih cepat mengenal pasti masalah model dalam persekitaran pengeluaran. Namun, kelebihan ini juga akan dibatasi secara jelas oleh hak data.
Ini juga membawa persoalan baru kepada syarikat model: jika syarikat boleh menukar model asas dengan bebas dan tetap mempertahankan data mereka sendiri, sejauh manakah Harness boleh membina keunggulan jangka panjang?
Bagi syarikat model, Harness mungkin membawa nilai yang lebih jangka panjang berbanding caj terus. Apabila syarikat semakin banyak menyerahkan tugas kepada Agen, pihak yang menyediakan sistem operasi yang boleh dipercayai akan mempunyai peluang untuk mempengaruhi pilihan model dan bagaimana AI terlibat dalam perniagaan sebenar.
Sebuah perkataan yang biasa dan lama: pintu masuk.
Namun, perkataan yang telah berakar dalam era internet ini selalu memicu saraf sensitif persaingan di era AI. Kini, Harness seolah menanggung harapan dan imajinasi semacam itu.

