7 个关键问题 Q&A
Q1：什么是 Agent Harness 智能体执行框架？
A：除模型权重之外，支撑智能体运行的全部组件，包含环境、工具、上下文、记忆、权限护栏。模型只负责做决策，感知、行动、存储、管控全部属于执行框架，相当于给模型 “大脑” 赋予躯体。
Q2：2025 年末智能体能力大幅跃升的根源是什么？
A：不是单一模型升级，是模型能力与执行框架协同进化。两条能力曲线交汇，模型可靠性终于足够支撑自主运行，并非某一项独立技术带来的突变。
Q3：AutoGPT 早期为什么效果很差？
A：执行框架给模型赋予完整自主权，但模型本身能力不足。任务循环会放大错误；多步任务下，单步微小失误会复利累积，整体成功率暴跌，属于过早追求自治。
Q4：Harness‑Bench 与 OpenAI 实验说明了什么？
A：同一个大模型，更换执行框架，性能会出现巨大波动。智能体最终效果一半取决于框架，不改动模型也可以实现得分大幅提升。
Q5：模型‑执行框架的迭代闭环是什么？
A：训练 → 框架能力被模型权重吸收 → 删除已经被内化的框架代码 → 继续迭代。衡量框架进步的指标：保证能力不变前提下，可以删掉多少框架代码。案例：Claude Code 删减 80% 系统提示词。
Q6：当模型吸收绝大多数框架能力后，框架会消失吗？
A：不会消失，而是角色反转。工具调用、记忆编排等能力被内化；但权限、身份、信任、人机交互无法被吸收。框架从 “服务模型” 转变为服务人类。
Q7：什么是 Attention‑Interface 注意力交互界面？
A：下一代智能体框架形态。对标现在 AGENTS.md，配置智能体如何与人协作：何时打扰人类、哪些决策自主执行、哪些需要审批。新瓶颈不再是 Token，而是稀缺的人类同步注意力。
附录 智能体执行框架的演进
模型持续将外部执行框架的能力内化至自身权重之中 —— 终有一日，这套框架将不再服务模型，转而成为面向人类注意力的交互载体。 丹・麦卡提 2026 年 8 月 22 日
2025 年圣诞前后，AI 工程师们察觉到智能体发生了质变：它们真正开始可用了。很难确切界定背后的根因。或许是节假日的空闲，让大家得以结合最新模型测试新一代智能体；或许是模型跨过了某项能力阈值；又或许是包裹在模型外层的执行框架日趋成熟。
本文提出的核心观点是，这是后两者共同作用的结果：模型与外部执行框架同步迭代优化，二者的能力提升曲线在恰当的时机发生交汇。这一发展规律也预示着未来的走向：模型不断把执行框架的功能吸纳进自身权重，工程师随之移除这些已经被内化的组件，最终留存下来的，是一套服务于人类注意力，而非服务模型本身的执行框架。
Transformer 的核心发明人之一卢卡斯・凯泽，在 6 月的《无监督学习》播客中提到： “去年冬天、圣诞前后的那次跃进，很难厘清确切诱因。执行框架做了调整，后训练环节有小幅改动，同时新的预训练模型接连问世…… 但整体能力迎来一次大幅跃升，却很难定位究竟是哪一环带来的改变。”
想要解答 “究竟发生了什么”，答案不能只从模型权重中寻找，更藏在围绕权重搭建起的整套系统里。 这个答案，就是智能体执行框架（Agent Harness）。
回望 2022 年 11 月，ChatGPT 是当时最顶尖的 AI 工具。它仅具备下一个 token 预测能力，再辅以人类反馈强化学习（RLHF），使其可以扮演友好助手的角色。彼时它没有工具调用能力、无法联网检索，也不具备复杂推理能力。
初代 ChatGPT 完全被局限在训练数据与用户输入提示词的边界之内，不多一分，也不少一毫。如同一个被隔绝在容器中的大脑。
而智能体执行框架，正是帮助大语言模型挣脱这种禁锢，接入真实数字信息世界的一套机制。
执行框架究竟是什么
智能体执行框架，是除模型权重之外，保障智能体正常运转的全部组件：包括运行环境、工具集、上下文上下文以及安全约束护栏。脱离这套框架，模型就只是容器里孤立的大脑。它可以产生认知层面的判断，却需要依托执行框架，才能把决策落地到真实的数字空间。
执行框架相当于为模型的思维赋予一具躯体。依托这套框架，模型可以完成信息感知（上下文组装）、执行动作（工具调用）、留存信息（记忆与信息压缩），同时划定自身行为边界（权限与安全防护）。
循环链路：感知 → 决策 → 行动 → 观测 → 重复 模型只负责做出决策，其余一切功能，都归属于执行框架。
执行框架 1.0：过去，外挂集成时代
模型与执行框架的演进，由两条核心曲线驱动：执行框架对模型提出的能力要求，以及模型实际能够输出的能力上限。
两条曲线之间的差值，决定了智能体的实际效果；而两条曲线差距不断收束，正是卢卡斯・凯泽所描述的智能体能力显著提升的根源。
差距的收敛，历经数个阶段：
ReAct：纸面上的智能体循环（2022 年 10 月）
ReAct 是一套通过提示词引导模型开展推理的技术，它在模型权重之外，定义出完整的智能体运行闭环：模型推理→执行动作→观测反馈→循环往复。此时这套智能体循环仅仅依靠提示词实现。提示词是当时唯一的推理实现手段，“执行框架” 这一概念尚未诞生。
2023 年 2 月 Meta 发布的 Toolformer，预示工具调用能力未来可以通过训练内置到模型，而非单纯依靠提示词触发。这就好比图灵提出计算机构想，构想先行，实体落地在后。一个极具价值的想法，等待后续技术将它变为现实。 （ReAct 诞生于 2022 年 10 月，比 ChatGPT 早一个月）。这一阶段两条能力曲线都处在低位，差距并不大，整个领域才刚刚起步。
AutoGPT / BabyAGI：过早的自主能力（2023 年春季）
AutoGPT 与 BabyAGI 问世后，执行框架的需求曲线快速甩开模型能力曲线。二者赋予模型完全自主运行的权限，期待模型可以像一名独立员工完成任务。但彼时的模型还只是鲁棒性很差的 token 预测器。
循环机制本身并不会为模型新增能力；它只会放大模型已有的能力。当模型能力低于某个阈值时，循环放大的不是可靠性，而是错误。可以参考负向复利效应：假设单步任务完成可靠性 95%，一项 20 步的复杂任务，整体平均成功率仅约 36%。执行框架给模型布置了一个它尚且无力完成的目标。这也是两条曲线差距达到峰值的时期，此后 18 个月行业都在尝试弥合这道鸿沟。
Cursor / Copilot：回归人类介入的闭环（2023‑2024）
首批 AI 集成开发环境意识到，直接赋予模型完全自主能力会带来大量失效问题。于是它们压低执行框架的预期，让框架需求落在模型实际能力范围之内。不再让模型独立跑完整套循环，而是把循环的主导权交还人类：由人统筹整个执行流程，模型只负责加速人的工作效率。
初代 Devin 尝试重新把自主能力交还给模型，但 Answer.AI 团队的测试显示，时机依旧尚未成熟，任务成功率仅有约 15%。这也证明开发环境选择收回完全自主权，绝非保守妥协，而是正确的技术取舍。
即便行业普遍降低执行框架的预期，模型本身仍在持续迭代。2024 年末，首款强推理模型 o1 问世，曲线关系首次反转，模型能力开始出现富余。
Claude Code：两条曲线交汇（2025 年 2 月）
2024 年末的反转带来新机遇：当模型能力已经超越执行框架的上限，刻意限制模型能力的框架，就会白白浪费模型的潜力。 Claude Code 就是抓住这一机遇诞生的代码智能体。它放弃 IDE 界面，直接接入终端，赋予模型 bash 命令、文件读写权限，用权限规则替代每一步都需要人工审批的模式。模型重新拿回完整运行闭环，而这一次，它足以胜任任务。
Boris Cherny 及其团队在开发 Claude Code 时，面向下一代模型的能力做设计，而非局限于当下模型的水平。它获得巨大成功，并非因为它是首个实现模型自主运行的产品，而是它踩中了恰当的时间窗口 —— 模型的可靠性已经足够支撑自主执行。上线半年，Claude Code 实现约 10 亿美元年度经常性收入，正是 Anthropic 把握住曲线交汇节点的成果。
在此之后，两条曲线不再仅仅相交，而是相互交织、融合在一起。
执行框架 2.0：当下，联合训练时代
时至今日，执行框架的价值依旧可以被量化验证。Harness‑Bench 基准测试，在不同执行框架下运行同一个模型，完成 106 项相同任务，最终得分区间为 52.4‑76.2 分。模型本身没有任何改动，分数差距却高达 23.8 分。可以说，智能体一半的能力来自执行框架。
OpenAI 也在 ARC‑AGI‑3 基准上验证了执行框架的巨大作用：仅增加推理留存与信息压缩两项框架能力，GPT‑5.6 Sol 的 ARC‑AGI‑3 得分从 13.3% 提升至 38.3%，实现三倍增长。
底层发生的变化是，强化学习（RL）被嵌入到执行框架体系之中。OpenAI 在 2025 年 5 月 Codex‑1 发布公告中写道：“codex‑1 在多种真实环境下，基于真实编码任务完成强化学习训练。”
两条曲线融为一体，形成统一系统。Toolformer 当年的设想终于落地：工具调用不再依靠外部提示词触发，而是模型在真实运行环境中训练习得的原生能力。
当模型在执行框架的环境中训练，就会逐步把框架能力内化进模型权重。例如模型可以结合自身上下文窗口特性，自主完成信息压缩。 GPT‑5.1‑Codex‑Max 正式发布，这是首个原生训练支持多上下文窗口、可自主执行信息压缩的模型。
一旦模型内化了某部分框架能力，对应的框架组件就可以被移除。这是一种 “做减法” 的产品迭代模式。Anthropic 的 Thariq Shihipar 提到，团队近期删除了 Claude Code 中 80% 的系统提示词。
衡量智能体执行框架迭代速度的标尺，就是：在保证整体能力不变的前提下，我们可以删减掉多少框架代码。这也是 AI 工程师应当追求的发展方向。
由此形成模型与执行框架的演进闭环：训练 → 能力内化 → 删减框架组件 → 循环往复。模型不断攻克下一个尚且无法完成的任务。
凯泽所描述的那次能力跃升，之所以难以溯源，正是因为它不是某个孤立事件。预训练带来的提升一目了然，可以直接写进模型卡片；但模型‑框架协同进化带来的跃迁，缺少显性文档记录。去年冬天的能力飞跃，本质就是模型与执行框架协同运转、共同进化的结果。
由此引出一个问题：倘若执行框架的各项功能终将被模型权重吸收，最后还会剩下什么？
执行框架 3.0：未来，注意力时代
持续移除所有可以被模型内化的组件。想象当这个过程走到终点，所有可被吸收的部分全部删去，智能体最终会剩下什么？
未来模型会陆续内化多智能体编排、工具选择、记忆管理等能力。研究人员也在研发可自我迭代的执行框架，和模型一样可以通过数据持续训练优化。
经过一轮轮内化与删减之后，留存下来的，全部是围绕人类侧的能力：权限管控、身份标识、信任机制、行为可解释性等等。如果权限逻辑也被模型完全内化，那么权限管控本身就会消解。内化不会消灭执行框架，而是彻底改写它的定位。
执行框架不再是人对接模型的工具，转而成为智能体对接人类的交互层。
执行框架最初是人类访问模型的入口，产品形态从聊天框，演进到 IDE，再到终端。当模型消化掉面向计算机的全部能力，整个体系向上抽象一层：执行框架演化成面向人类注意力的交互界面。
Latent Space 播客《面向亿万 token 规模的深度执行框架工程》中，Ryan Lopopolo 谈到： “真正稀缺的，是团队成员同步投入的人类注意力。”
token 已经变得充足稳定，但稀缺的人类注意力，成为全新的性能瓶颈。
如今已经能看到雏形：Anthropic 长期迭代的智能体进度文件、智能体人工审批队列，都体现这一趋势。
模型与执行框架之间的能力差距并不会因为能力内化而消失。它越过人机边界，演变为一组全新曲线，催生新的差距：也就是智能体对人类提出的要求，和人类实际能够输出反馈之间的缺口。
注意力交互界面
预测，一年之内，所有开发智能体 AI 的企业，都会推出一套人类注意力策略配置界面，就像如今各家都提供 AGENTS.md 配置文件一样。
AGENTS.md 告诉智能体如何理解代码库；而注意力交互界面，将告诉智能体如何和人协作。它定义智能体何时可以向人发起打断、何时应当后台静默运行、哪些决策可以自主完成、哪些必须征得人类许可。和智能体系统其他模块一样，这套界面可以基于数据持续学习优化，人类每一次纠错，都会成为系统的训练素材。
模型最初只是容器中孤立的大脑；执行框架为这颗大脑赋予躯体；而后躯体的功能不断被大脑吸收消融。留给我们去构建的，是模型永远无法内化的东西：对接人类真正稀缺资源 —— 注意力的交互界面。