2026年：AI的关键词变了
从“会生成”到“可放心委托”
2024 年评估一个大模型，大家看榜单。2025 年看它能不能调工具、能不能多步推理。到了 2026 年，问题变得很具体：这个活儿，我敢不敢签字让它自己干完。
这个转变不是修辞。它意味着行业默认的瓶颈位置变了——不再是"模型够不够聪明"，而是"任务能不能被可靠地交付"。2026 年 AI 领域最流行的一个公式，恰好说明了这件事：Agent = Model + Harness。
一、一个公式的流行
Harness 原意是马具。不是给马更多肌肉，是控制马往哪走、走多快、什么时候停。行业里的定义已经相当一致：Agent = Model + Harness。
模型负责“思考”，Harness 是模型之外、把它包装成一个可用产品的那一整层工程——上下文管理、工具调用、记忆、状态持久化、评测、循环控制、可观测性、权限治理，以及人类审批节点。网易有道（DAO） CEO 周枫给过一个比例：一个复杂的 Agent，模型可能只完成 20% 的工作，剩下 80% 是 Harness。这话听着夸张，但有物证。Claude Code 的源码被意外曝光，据报道超过 50 万行。这里面没有一行是模型，全是模型周围的系统。
Harness 不是新词，但它成为核心范式是 2026 年的事。行业对“怎么让模型稳定交付”的认知，走过了三个阶段：Prompt Engineering、Context Engineering、Harness Engineering。前两个阶段在优化“这一次的输入”，第三个阶段在优化“这件事能不能办完”。
中信证券（HK6030）在研报里给了一个更硬的注脚：Agent 走向长任务执行和多智能体协同之后，状态维护、错误传播、Token 成本都在加速上升，模型单步能力强，并不等于能稳定交付。他们估算，Harness 把企业场景的可触达空间从约 2000 亿美元扩展到 1.5 万亿美元——因为那些没有 API 的老系统，也能被接管了。为什么是 2026 年？三个条件同时到位了：模型的长任务能力刚过可用阈值；工具调用有了相对统一的协议，接入成本降下来；企业也终于承认，买模型解决不了最后一公里。三者叠加，工程层才浮出水面。这也解释了 Harness 和传统中间件的区别。中间件解决的是系统之间的连接，Harness 解决的是“判断权怎么分配”——哪些步骤机器自己决定，哪些必须停下来问人，哪些错了可以重来。前者是技术问题，后者是责任问题。
一句话，Harness 是“底层智能”变成“稳定交付”的中间层。而中间层，从来都是工程问题。
二、聪明为什么不再是瓶颈
先承认进步是真的。METR 有一个指标叫“50% 时间视野”：一个任务，由熟练专家做需要多久，模型能在一半概率下独立完成。2020 年这个数字是 9 秒。2026 年 4 月，前沿模型的临时值到了 17 小时 25 分。翻倍周期（883436）从 2019 年以来的 6.2 个月，加快到 2023 年以来的 4.2 个月。按这条曲线，能力确实在指数级增长。但“50%”这三个字，被大多数转发忽略了。50% 的意思是抛硬币。你让一个实习生干活，他有一半概率搞砸，你敢把整个项目交给他吗？METR 自己的研究团队说得很清楚：可靠性要求高、结果又难以验证的任务，成功率要到 98% 以上才值得自动化。而 80% 可靠性的时间视野，比 50% 短得多——以 Claude Opus 4.6 为例，50% 视野约 14.5 小时，80% 视野只有 1 小时出头。差了十几倍。这就是“会生成”和“可放心委托”之间的距离。演示看 50%，生产要 80%，金融、医疗、法务这类场景要 98%。每往上一个台阶，能干活的时长就被砍掉一大截。
还有一个容易被忽略的分布问题。METR 的数据显示，不同领域的时间视野能差几十上百倍。软件任务能跑十几小时；涉及读扫描件、操作硬件、处理表格没预料到的异常这类视觉与操作任务，时间视野可能只有几分钟。同一个模型，换个场景，可靠性完全不是一回事。这也解释了为什么“某模型能自主工作 14 小时”的新闻，和你在自己业务里看到的体验，往往是两回事。
三、三道还没过去的坎
第一道：长程可靠性，成功率是乘法不是加法。三个 agent 串起来，每个90%，合起来只有 73%；而且错误会传播——上游理解错了，下游所有环节都在错误的前提上正确执行。更隐蔽的一点是：模型不会因为不确定就停下。它会自信地继续。这不是态度问题，是机制问题。它在每一步输出的是一个“最可能的下一步”，而“我不确定”本身，并不总是最可能的那个答案。Harness 能做的，是把自由发挥改成状态机，设检查点，允许回滚，对高风险动作强制确认，让循环有上限、有退出条件。但要说清楚：这是缓解，不是解决。工程能把 60% 撑到 85%，撑不到 99%。
第二道：结果可验证。能自动验证的任务，其实已经跑通了。代码跑测试，数学对答案，数据跑校验规则——这类活 2026 年确实可以大规模委托。麻烦的是不能自动验证的那一半。一份行业分析做得对不对，一个候选人合不合适，一次客户沟通处理得妥不妥——这些没有编译器。委托的前提是可验收。你没法验收，就没法真正放权，只能“人在环”地盯着。而人一旦盯着，Agent 的价值就打对折。
验证其实分三层，越往下成本越高。
第一层是可执行验证，对错分明，跑一遍就知道，成本接近于零。第二层是可统计验证，没有绝对对错但有指标，比如响应时长、一次解决率、投诉率，需要样本量，也容易被人做数字。第三层只能靠人判断，一份方案的优劣、一次沟通的分寸，这类判断依赖经验和语境，几乎无法规模化。能自动化的，永远先从第一层开始。
这也意味着，同样叫“智能体”，处理工单的团队和做战略咨询的团队，能走的深度完全不同。所以可验证性（verifiability）成了 Harness 最核心的组件之一。业界现在做的，是把任务改造成可验证的形状：拆成有客观标准的子步骤，给每一步定义明确的完成判据，用评测集代替感觉。这件事的难度不在技术，在业务本身。很多流程从来就没定义清楚过“什么叫作做完了”。
第三道：经验可迁移，最难的一道。北大邱泽奇有一个挺锋利的观察：Harness 的分工规则，是以代码形式写死的——角色定义、权限边界、审批节点都是代码。好处是机械般精确，代价是“只能处理预设情境内的分工，对预设之外的情况缺乏调适能力”。
换句话说，你精心调好的那一套，换一个客户、换一套内部系统、换一个业务口径，就要重来一遍。举个具体的例子，你在 A 客户那里调好了一个合同审核 Agent：哪些条款必须报法务、哪些金额区间可以自动放行、哪类表述算风险。这套规则搬到 B 客户，金额门槛变了，法务的审批习惯变了，连“风险”的定义都变了。你可以复制代码，复制不了那套判断。 模型可以越用越强，但“这个公司的事到底该怎么办”，目前还没有办法像人一样沉淀成职业经验。记忆可以存，检索可以做，但记忆不等于判断，检索不等于经验。
这是三道坎里最没有清晰解法的一道。因为它最终指向的不是模型，是组织知识怎么被结构化——而大部分组织，自己的知识本来就没结构化。
四、所以 2026 年比的是什么
不是比谁买了更强的模型。同样一个模型，两家公司的 Agent 可靠性可能差一个数量级，差别全在 Harness 上。
有三个可以马上做的动作：
第一，先做可验证性评估，而不是能力评估。拿你真实的任务清单，逐个问：做完了怎么判？判据能不能自动化？判不了的，就先别放权。
第二，把“任务长度”当成风险变量。一小时以内的活和跨天的活，风险不是一个量级。按人类完成时间来切分自动化路线图，比按业务模块切更靠谱。
第三，把 Harness 当资产，不当胶水。提示词、工具集、评测集、权限规则、审批节点——这些东西要长期维护和沉淀，不是一次性的接入代码。投入结构也会跟着变：过去两年预算大多压在算力和模型调用上，接下来会往评测、可观测性、权限治理这些“不出演示效果”的地方移。这部分钱很难在发布会上讲，但它决定了 Agent 能不能真的上线。
回到开头那个问题：从“会生成”到“可放心委托”，中间隔的不是一代模型，是一层工程。模型会继续变强，这条曲线不太需要担心。真正需要担心的是另一件事：当能力已经溢出来的时候，你有没有一套系统，能接住它。
