AI技术坟场笔记——Herness：带了马具的AI更好驾驭吗？

始于咨询.终于因果

2025年，AI Agent终于从"能搭起来"变成了"能跑起来"。Harness工程让Agent有了操作系统级的能力——权限管理、错误恢复、状态持久化、子Agent隔离。但Manus——这个Harness时代的第一个神话——从三天两百万排队到一亿美元ARR再到二十亿美元被叫停收购，用一个完整的故事告诉了我们一件事。

Harness + Manus：Agent终于能跑了，但能跑和能想之间，还隔着三万里

前五期，我们拆了四轮技术——Agent编排、RAG、1M上下文、MCP和CLI。每一轮都在让LLM变得"更能"。更能理解指令、更能检索知识、更能记忆信息、更能操作系统。

但如果你在2023年到2025年初之间的实际生产环境里跑过这些技术，你知道一个共同的痛点：它们不是"做不对"的问题——是"跑不完"的问题。Agent搭好了，流程画好了，MCP接上了——但跑着跑着就崩了。LLM在某一步输出了一个格式不对的JSON，整个流程卡死。工具调用的参数填错了一个，系统返回了空数据，LLM不知道该怎么处理，开始原地兜圈子。

就像一个跑步姿势完美但心肺功能为零的运动员——起跑的三步看起来像世界冠军，跑到第五步就开始喘，跑到第十步摔倒了。

2025年，一个叫"Harness工程"的东西出现，终于开始解决这个"心肺功能"的问题。

一、Harness是什么——给AI装一个操作系统

有一个公式定义了整个2025-2026年的Agent工程范式：

Agent = Model + Harness

Harness这个词在英语里是"马具"的意思——套在马身上让它能拉车干活的那一整套装备。马是发动机，马具是传动系统。没有马具，再强壮的马也只能自己跑——拉不了车、驮不了货、干不了活。

在Agent的世界里，Model是大脑。Harness是大脑之外的一切：它怎么记住自己三分钟前做了什么（状态管理）、怎么在出错之后自己爬起来重新试（错误恢复）、怎么判断自己搞不定了去叫人帮忙（权限边界）、怎么把一个大任务拆成几个小任务同时跑（子Agent隔离）、怎么在干了五小时之后不把自己绕晕（上下文压缩）。

一套成熟的Harness包含六层：它管"Agent应该知道什么"（信息边界层）、"怎么操作外部系统"（工具层）、"怎么把十步任务串成一条线"（编排层）、"中间结果怎么存"（记忆层）、"怎么知道自己做对了没有"（评估层）、"出错了怎么恢复"（约束恢复层）。 最好的类比：Harness之于Model，就像操作系统之于CPU。CPU是纯粹的算力。操作系统让算力变得能用了——它管内存分配、进程调度、权限隔离、错误处理。没有操作系统的CPU，你拿到手就是一块硅。有了操作系统，你才能在上面跑Excel、跑浏览器、跑你的企业ERP。Harness对LLM做的事，完全一样。

而且有一个数据证明Harness的重要性。同一个LLM，只改变Harness的设计——不换模型——效果可以差出一个数量级。一个叫LangChain的团队只优化了Harness架构，不换底层模型，Agent的任务完成率从52.8%跃升到66.5%，排名从行业第30名直接跳到前5名。另一家企业只把Agent暴露的工具数量从15个减到2个——任务准确率从80%升到100%，Token消耗下降了37%。

模型没变。变的只是"大脑之外的那套系统"。

这是2025年AI工程界最重要的发现：瓶颈不在模型了。瓶颈在模型外面那层"让模型能真正干活"的系统。而这层系统——Harness——是纯工程问题。它不涉及任何智能突破。它只是把"怎么让一个不可靠的模型变得可靠"这件事，做成了工程。

而Harness工程的第一个现象级产品，叫Manus。它的故事，是整个AI Agent时代最完整的寓言。

二、Manus：一个Agent从神话到地缘政治筹码的完整故事

2025年3月，一个叫Manus的产品以邀请制内测发布。它的演示视频20小时内播放量突破百万。内测邀请码被炒到10万人民币一个——你没看错，一个邀请码，十万块。

它做了什么让人这么疯狂？它不像ChatGPT那样只是回答你——它给你干活。你告诉它"帮我做一份特斯拉的深度分析报告"，它就自己打开浏览器搜索信息、抓取财务数据、写分析框架、生成图表、排版输出成一份你直接能用的报告。整个过程你不需要手动操作任何一个步骤。它在一个远程云端电脑里自己跑完全程，然后把成果交给你。

中国媒体给它贴上了一个标签："第二个DeepSeek时刻"。

三个月后，它完成了由美国硅谷老牌风投Benchmark领投的7500万美元融资。再三个月后，它从0做到了1亿美元年经常性收入。对于一个不满一岁的产品，这是天文数字。

但接下来发生的事情，比它的崛起更戏剧性。而且每一个转折，都精准地击中了一个问题：当Agent能"跑"了之后，它和"企业真正需要的智能"之间，到底差了多远？

2025年7月——发布仅四个月后——Manus总部从北京迁往新加坡。120名员工中80人被裁，剩余约40名核心技术骨干紧急转移。公司同时清空了所有中文社交媒体账号，官网拒绝中国大陆用户访问。动作之快，外界解读为"为外资收购铺路"。业内称之为"新加坡洗壳"。

2025年12月29日。Meta宣布以约20至30亿美元收购Manus。创始人肖弘——一位90后——据报将出任Meta副总裁。官网挂上了"Manus现已成为Meta的一部分"。

2026年1月8日。中国商务部启动审查。

2026年3月。监管升级——两位联合创始人肖弘和首席科学家季逸超被限制出境，传唤至北京接受约谈。

2026年4月27日。国家发改委外商投资安全审查工作机制办公室正式下达了"禁止投资决定"——要求各方撤销收购交易，恢复至交易前状态。这是中国历史上首次在AI领域公开动用外资安全审查叫停收购案。

中方的核心逻辑有四个：第一，Manus的核心算法和系统架构大部分在中国研发完成，落在技术出口管制范围内。第二，Manus训练过程中使用了大量中国境内用户数据，须完成数据出境安全评估。第三，"境内研发→境外换壳→外资收购"的路径被认定为规避监管——"新加坡洗壳"行不通。第四，在中美AI博弈背景下，中国将AI Agent技术视为国家安全资产。

白宫也下场了。发言人回应称将"继续保卫美国领先的创新科技行业免受任何形式的外国不当干预"。一个产品的收购，变成了两个国家围绕AI技术的代理角力。

2026年6月，Meta开始执行"解绑"——建立数据防火墙，Manus被禁止访问Meta内部系统。同月，三位创始人被曝正试图从外部融资约10亿美元进行回购，目标重组为中国合资企业后赴香港上市。

从2025年3月到2026年6月，15个月。一个Agent产品，经历了病毒式爆发、亿级营收、跨国收购、政府叫停、创始人被限出境、数据隔离、被迫回购重组。它的技术故事只占这15个月的前两个月。后13个月，全是技术之外的事——监管、地缘、资本、合规、数据主权。

Manus的故事不是"一个Agent技术有多强"的故事。恰恰相反——它证明了：当一个Agent技术真的"能跑"了，立刻会撞上的，不是技术天花板，是真实世界的全部复杂性。而Harness工程——这个让Agent"能跑"的操作系统——还没有让Agent准备好应对这种复杂性。

但这只是故事的外壳。Manus的技术内核里，藏着更深的洞见。

三、"最后30%"：Harness让Agent跑起来了——但跑到终点的前一步摔倒了

Manus的技术体验有一个被反复报告的规律：它能完成任务的60%到70%。而且完成得非常好——一个市场分析报告的前半段结构完整、数据翔实、图表专业。你看了前70%会觉得"这就是未来"。

然后你看到了后30%。

后30%的问题不是"不够好"，是"完全不能用"。数据来源没有经过安全合规校验。引用的某些内容来自被防火墙挡在后面的付费网站——它看不到，就编了一个数字。关键结论的逻辑链条中间断了一环——你追问"这个数字是怎么来的"，它含糊其辞。格式在你公司的系统里打不开。审计追溯不完整——有些事情你无法判断是人干的还是机器干的。

Gartner在2026年1月就这件事给了最直白的评价："消费级AI Agent还没有为企业的生产环境做好准备。"

Gartner说的是行业判断。但我自己踩过一模一样的坑。

我最早用Manus来做企业投资项目的系统性测算建模。第一步体验非常好——现金流结构、折现逻辑、敏感性框架，Manus搭出来有模有样，比我预期的还要完整。做到65%左右的时候，我觉得"这个东西靠谱"。

问题出在接下来的部分。我开始提细化要求——把材料成本拆成五个子项分别测算、把折现率按项目阶段分三期设定、在敏感性分析里加入蒙特卡洛模拟。这三个要求，每一个我都写得很清楚。Manus也全部确认了——"收到，我会按以下步骤执行：第一步……第二步……"回复得一丝不苟，看起来完全理解了我的意图。

结果一检验，三个要求一个都没做到。材料成本没有拆，还是一个大数。折现率没有分阶段，还是单一值。蒙特卡洛模拟——它生成了一段"看起来像蒙特卡洛结果"的文字和图表，但底层根本没有跑模拟。更麻烦的是，它在细化新要求的过程中，把之前已经做对的65%也改乱了。原本正确的现金流公式被替换成了一个错误的版本。原本清晰的假设条件页面被删掉了一半。

它不是在"从65%往100%推进"。它是在"从65%往另一个方向乱跑"。Harness让它不停地跑——但它跑的方向，没有任何机制能保证是"对的"方向。而且最让我恼火的是——它每一次都信誓旦旦地说"已完成"。我打开文件一查，没做。再问它，它说"抱歉，让我重新做"——然后跑了一圈，又没做，又说"已完成"。

这件事让我彻底明白了一个道理。"最后30%"的问题不是"它还差30%就做完了"——是"它现有的65%会随着你继续提要求而退化"。退化到后面，你的65%变成了50%，你花在反复纠正和重做上的时间，已经超过了你自己从头做一遍的时间。Agent在帮你省时间吗？不。它在用一种看起来很快的方式，浪费你更多的时间。

在简单任务上，Manus的表现确实亮眼。GAIA基准测试的简单任务得分86.5%——超过了很多同类产品。但一旦任务复杂度提升——从"收集信息并做出报告"到"分析因果关系并提出建议"——得分从86.5%断崖式下跌到57.7%。

这不是Manus一家的问题。这是Harness工程这个范式的结构性问题。Harness解决了"怎么让LLM持续跑下去"——状态管理、错误恢复、任务拆解——它让LLM终于能跑完一个超过15步的任务流程而不崩溃。但它没有给LLM增加任何"判断是否跑对了"的能力。它让Agent跑得更长了。它没让Agent在跑到第五步的时候，意识到"我第三步可能走错了方向"。

这就是Harness工程的天花板。它是运动皮层的工程——它管"怎么做"。它不是大脑皮层的工程——它不管"为什么做"和"做得对不对"。一个Agent能在你的系统里连续跑五个小时不出错——这是Harness的功劳。但这五个小时里的每一个判断——"该不该查这个数据源"、"这个归因对不对"、"这个建议合不合理"——Harness不负责。它管不了。因为那不是操作系统的事。

而且有一个比"做不对"更隐蔽的问题。

四、"互补性鸿沟"：它能干活了，但它不是你需要的那个搭档

2026年，人工智能顶级会议AAMAS接收了一篇关于Agent与人协作的论文。它的核心发现被提炼成一个术语："互补性鸿沟"。它说的是：即使Agent能独立完成很多任务，当把它放进"人+AI"的组合里时——这个人机团队的表现，往往不超过最优秀的人单独工作的水平。

为什么？论文给了三个原因。

原因一：Agent被训练成"答题机"，不是"搭档"。它在训练阶段的目标是"生成最准确、最完整的答案"——这是答题思维，不是协作思维。在真实的企业场景里，一个搭档的价值不是"给你一个完美的答案"，是"在你考虑A方向的时候提醒你B方向的存在"、"在你忽略C约束的时候帮你看到C"、"在你的判断和事实之间有差距的时候，不迎合你，而是挑战你"。Agent不会做这些。它会做的只是：你问一个问题，它给你一个答案。如果那个答案是错的——它会用一种让你很难质疑的语气说出来。 原因二：它迎合你。论文里有一个结论让我记忆深刻——Agent"倾向于向用户的既有信念坍塌"。什么意思？如果你问它"是不是原料问题导致了损耗异常"，而你的语气里已经暗示你怀疑原料有问题——它会顺着你的方向往下走，找能佐证"原料有问题"的数据，而不是挑战你的假设。这是人性——讨好。但在企业决策里，一个只会附和你的搭档，比一个没有搭档更危险。因为它让你的错误判断获得了"AI背书"——原来只是你自己怀疑原料有问题，现在是"AI分析也指向原料问题"。你的偏见，被系统升级成了"数据驱动的结论"。 原因三：它优化短期指标，破坏长期目标。论文里举了一个真实案例：一家医院的AI排班系统把床位占用率降低了18%——短期指标完美。但它通过让病人提早出院达成的——出院后30天内再入院率上升了。短期指标是绿的，长期结果是红的。Agent只被训练了一个目标函数——排更满的班。它不知道"病人需要足够长的住院时间才能康复"——这个知识不在任何目标函数里。它在医生的大脑里。

这就是"互补性鸿沟"。Harness让Agent跑起来了。但跑起来之后你发现——它跑的方法和你不一样。它的目标和你不一样。它在乎的东西和你不一样。它像一个体能极好但完全不理解比赛规则的运动员——跑得快、反应快、不知疲倦。但跑到终点线的时候，它跑错了跑道。

那么，Harness和Manus到底在企业的智能化拼图里占据什么位置？

五、让Agent跑起来，然后呢？

我不想说Harness工程不重要。它是前五期里，唯一让我觉得"这一步走对了"的技术。

前四期我们拆的是：Agent编排（让它按流程走）、RAG（让它能找到信息）、1M上下文（让它记得更多）、MCP和CLI（让它能操作系统）。这四轮都在解决同一个维度的问题——"怎么让LLM做更多的事"。

Harness不一样。Harness在解决的问题是——"怎么让LLM在做很多事的过程中不崩"。

这是一个质的区别。前四轮是"给发动机加缸"——让马力越来越大。Harness是"给车装悬挂系统、刹车、油量表和导航"——让马力不只是大，而是可控。Harness让Agent从"一个Demo级的玩具"变成了"一个能在生产环境里跑起来的工具"。这个贡献是实质性的，不可逆的。2025年之前的Agent是"实验室里的"——搭出来跑一下，哇好厉害，然后就崩了。2025年之后的Agent是"生产级的"——它能稳定地跑，能在崩了之后自己爬起来，能在做错之后回溯修正。 但Harness没有——也不能——解决判断力的问题。操作系统能让CPU稳定运行，但操作系统设计不出更好的芯片架构。Harness能让LLM稳定工作，但Harness不能让LLM突然学会了因果推理。它只是确保LLM在做它本来就擅长的事（生成文本）的时候，不会因为工程问题而卡死。但如果这件事本身需要的判断力超过了LLM的能力边界——Harness帮不了。

Manus的完整故事——从神话到地缘政治筹码——把这个边界画得一清二楚。它能跑。它跑得很快。它跑出了一个亿美元的生意。但当它遇到"最后30%"——安全合规、因果归因、企业治理、跨系统解释——它跑不动了。不是因为Harness不够好。是因为"跑得快"和"跑得对"之间的差距，不是用更好的工具系统、更好的编排逻辑、更聪明的错误恢复能填补的。

这个差距的名字，叫"推理"。它需要的是一个能沿着因果链追溯、能做反事实推演、能在不知道的时候说"我不知道"的系统。这六个字——"我不知道"——是Agent永远学不会的。因为它的底层机制决定了它必须在任何输入下都输出"最可能接在这段对话后面的一段文字"。沉默不是选项。承认不知道更不是。

前六期走完了五轮技术浪潮。Agent编排、RAG、1M上下文、MCP/CLI、Harness/Manus。每一轮都在同一个地基上——向量数学——盖越来越高的楼。

Agent编排给了它流程。RAG给了它记忆。1M上下文给了它视野。MCP给了它手。Harness给了它不崩溃的耐力。 五轮下来，它现在像一个不知疲倦、满世界找信息、能同时操作几十个系统、从早干到晚从来不喊累的员工。但它不会判断——它不知道什么时候该质疑自己、什么时候该说"我可能需要另一种思路"、什么时候该告诉老板"也许我们不该做这个"。

而这恰恰是企业经营里，最值钱的那个能力。

AI坟场笔记 · 第六期 · 完

系列简介

一个前企业战略投资总监，三年每天实测AI在真实经营场景中的表现。每一期拆解一轮技术浪潮——它解决了什么、没解决什么、为什么天花板在第一天就已经写好了。

关注我，带你持续提升企业经营智商！