00
引言
过去几年，AI 行业最吸睛的问题一直是：谁的模型最强？参数多大？榜单又领先了多少？
但到了真正落地的阶段，企业很快会发现，模型只决定能力上限，系统才决定交付下限。相同的模型，接入不同的数据、工具、权限、评测和业务流程，最终效果可以天差地别。
最近AI圈有 3 个未来预测判断：价值将从模型转向 Harness；模型会逐渐商品化；未来系统不会只依赖一个 LLM，而是由多种能力共同组成。
这不是已经发生完毕的事实，更像是一张未来 12 个月的路线图。值得关注的不是每个预测能否按时兑现，而是它指向了同一个变化：AI 正从“展示模型能力”进入“经营系统能力”的阶段。
01
第一迁移：价值从模型转向 Harness
Harness 可以理解为包裹在模型外部的“运行系统”。它负责准备上下文、选择工具、控制权限、执行流程、记录轨迹，并用评测结果推动下一轮改进。
模型像发动机，Harness 则是整辆车。只有发动机，没有方向盘、刹车、仪表盘和底盘，再强的动力也无法稳定上路。Anthropic 在《Building Effective Agents》中也建议：先使用简单、可组合的模式，只有当复杂度能够被评测证明有效时，再升级为更复杂的 Agent 系统。换句话说，生产级 AI 的重点不是堆叠框架，而是让每一步可观察、可测试、可恢复。
一个真正有壁垒的 Harness，通常包含五层能力：
- Context：把正确的信息在正确的时机交给模型；
- Tools：让模型读取数据并执行动作；
- Workflow：将开放式推理约束在可靠流程中；
- Evals：持续测量质量、成本和失败模式；
- Guardrails：管理权限、数据边界与高风险操作。
因此，企业未来的差异化未必是“接入了哪一家模型”，而是是否把自己的业务知识、质量标准和安全边界沉淀进这套系统。
02
文档会成为 Agent 协作的低成本接口
我们可以进一步预测，文档驱动的工作流将大量出现。这个判断听起来不够性感，却很符合企业现实。
大多数组织本来就依赖需求文档、审批表、知识库、共享目录和工单协作。对 Agent 来说，这些文档既是输入，也是状态记录和交接结果。它们天然可读、容易审计，还能让人随时介入。
例如，一条市场研究流程可以被拆成：研究 Agent 生成资料卡，分析 Agent 补充竞品比较，编辑 Agent 形成初稿，人工负责人完成最终审核。每一步都以文档作为交付物，而不是让多个 Agent 在不可见的内部状态里自由对话。
不过，文档不是万能协议。高并发交易、实时控制和强一致性业务仍需要数据库、消息队列与正式 API。更准确的结论是：对于大量知识工作，文档会成为人和 Agent 之间最容易落地的协作层，而不是替代所有软件基础设施。
03
第二迁移：模型从“唯一押注”变成可替换组件
过去一年模型商品化越来越流行，事实上这个方向成立，但“商品化”并不等于所有模型能力相同，也不意味着前沿模型竞赛会立刻结束。
更可能出现的局面是模型分层：高难度推理、复杂编码和长链路任务继续使用前沿模型；分类、抽取、格式转换等稳定任务，则更多交给小模型、开放权重模型或专用模型。系统根据质量、延迟、隐私和成本动态路由。
这会带来一个重要变化：团队不再围绕单一模型设计产品，而是先定义能力接口和评测标准，再决定每个任务调用哪一个模型。模型升级时，业务流程不必整体推倒重来。
开放权重模型也会获得更多机会，尤其适合数据不能离开内网、调用量大且任务边界明确的场景。但自托管并非免费午餐：推理基础设施、扩缩容、监控、安全更新和模型评测都会形成长期成本。
因此，真正值得追求的不是“全部自建”或“全部使用 API”，而是模型可替换性。能够在托管模型、开放权重模型和专用模型之间切换，才是对抗供应商锁定与价格波动的现实方法。
04
第三迁移：LLM 回到智能系统中的正确位置
LLM 很通用，但通用不等于每个任务都最高效。
精确检索可以交给搜索引擎；稳定规则可以交给普通代码；数值预测可能更适合传统机器学习；结构化事实应由数据库提供；只有涉及语言理解、模糊判断、规划和跨工具协调时，LLM 才真正发挥优势。
未来成熟的 AI 应用更像一个团队：LLM 负责理解意图和编排任务，搜索系统负责找资料，规则引擎守住硬约束，专业模型完成识别或预测，数据库提供可信状态，人类处理高风险决策。
这种架构并不是削弱 LLM，而是避免让它承担不擅长的工作。确定性组件越可靠，模型需要“猜”的地方越少，整个系统才越便宜、越稳定、越容易解释。
05
MCP 没有“死”，但今天的协议也不是终点
网上流传“MCP 已经是一种死亡协议”。公开事实并不支持这个定论。
截至 2026 年，Linux Foundation 旗下 Agentic AI Foundation 仍将 MCP、AGENTS.md 和 goose 列为核心开放技术，并举办面向生产实践的 MCPCon；OpenAI 的 Agents SDK 也继续把 MCP 作为工具连接的标准能力之一。至少从生态采用情况看，MCP 仍在扩展，而不是退出历史舞台。
但当 Agent 跨越组织边界协作时，仅仅“能连接工具”还不够。身份、授权、审计、数据最小化、撤销机制和责任边界，都必须进入协议和平台设计。
所以更稳妥的判断是：MCP 会继续存在，A2A 等协议也会发展，不同协议将分别解决工具连接、Agent 协作和身份治理问题。今天的协议栈远未定型，但“尚未定型”不等于“已经死亡”。
06
企业现在最该做的，不是再等一个更强模型
如果把三次迁移放在一起，未来 12 个月最值得投入的工作会非常具体。
第一，建立自己的评测集。选择 30 到 100 个真实任务，记录正确率、完成时间、人工返工和单次成本。没有评测，就无法判断更换模型或增加 Agent 是否真的有收益。
第二，把业务流程显式化。将输入、判断、工具、权限、输出和人工检查点写清楚，再决定哪些步骤适合交给 AI。
第三，为模型替换预留接口。避免把提示词、模型名称和供应商特性散落在业务代码中，用统一网关和回归测试控制迁移风险。
第四，坚持确定性优先。能用规则、数据库查询或传统程序可靠解决的问题，不必强行调用 LLM。
第五，把安全放进 Harness。工具调用默认最小权限，高风险动作要求确认，敏感数据进入模型前完成分类和脱敏，所有外部动作保留审计记录。
07
写在最后
模型仍会快速进步，榜单也仍然值得关注。但决定 AI 项目能否进入生产的，正在从单次回答有多惊艳，转向系统是否稳定、可控、经济并且真正嵌入业务。
未来的护城河可能不是某个神秘 Prompt，也不是对某一家模型的长期押注，而是企业对业务流程的理解、对数据的治理、对工具的封装以及持续评测的能力。
模型会变，协议会变，热门框架也会变。能够把这些变化吸收进一套可靠 Harness 的团队，才更有机会把 AI 从演示变成生产力。
添加个人微信，进专属粉丝群！
