生成式AI中局范式：从Harness运行时到经验闭环

事件概述

生成式AI行业正在经历从“一次性推理”向“持续运行系统”的范式转移。2026年的技术收敛点并非出现全新的Transformer底座，而是形成了一套更完整的系统观：AI System = Model + Persistent Runtime + Environment + State/Memory + Verification + Learning Loop。这一转变标志着AI产品从“辅助工具”向“软件即劳动力”的交付形态演进。

核心信息

1. 认知脚手架变薄，行动基础设施变厚

随着模型能力的增强，硬编码的认知层补丁（如规划逻辑、提示词技巧、固定决策树）逐渐被模型自身能力取代（Cognitive Harness变薄）。然而，现实世界所需的Operational Runtime（行动基础设施）反而越来越厚，包括：

• 身份与权限管理：模型不能自行决定是否有资格执行某一步骤。
• 沙箱与隔离：确保操作安全。
• 长期状态与审计日志：支持任务恢复与责任追溯。
• 验证与安全治理边界：防止错误扩散。

2. Harness是当前成熟答案，但非终局

DeepSeek等实践表明，Agent = Model + Harness。Harness是一个可替换、可观察、可重放的运行环境，负责编排工具、管理会话和调度UI。它解决了模型如何真正在真实世界中行动的问题，但目前大多数Harness仍编码了针对弱模型的旧假设，随着模型变强，这些约束可能成为瓶颈。

3. 经验更新栈决定进化路径

当Agent进入环境后，产生的数据不再是预训练语料，而是行动轨迹。经验更新的层级决定了系统的进化方向：

Experience → Memory → Skill → Context Strategy → Harness → Model Weights

• 轻量级：经验进入记忆或提炼为技能。
• 中量级：改变上下文策略或重构Harness工作流。
• 重量级：直接更新模型权重。

微软的研究指出，若缺乏独立、确定的验证器，依赖模糊自我评价的系统可能出现“越优化越差”的情况。因此，自我优化最适合结果可验证的任务（如代码测试、表单填写）。

4. 环境交互时间成为新能力维度

字节Seed发布的EdgeBench基准测试显示，Agent表现随环境交互时间增长而提升，部分任务的学习速度约每三个月翻倍。这暗示未来AI的能力曲线可能新增横轴：Environment Interaction Time（环境交互时间）。世界不再仅仅是工具集合，而是AI获取反馈、积累技能的训练场。

5. 递归自我改进（RSI）的工程化落地

OpenAI组建RSI团队并非为了制造AGI，而是构建“AI研发飞轮”：让Agent参与研究流程、构建评估、处理反馈并生成数据，从而自动化高质量研究工作。关键指标是AI对研发流程的有效贡献比例是否越过临界点。

值得关注

• 短期（2026-2027）：持久化Agent Runtime普及，系统具备长任务状态、日志与可恢复能力。
• 中期（2027-2029）：外部学习机制成为标配，记忆、技能、工作流和上下文策略实现动态调整。
• 长期分歧：底层模型权重是否进入高频持续在线学习。前者工程可控性强，后者想象空间大但面临安全、遗忘和能力漂移的挑战。

未来的核心公式可能演变为：Intelligence = Model × Environment × Experience Loop。Harness是今天的答案，而能否将行动转化为经验并持续改进的Experience Loop，才是决定明天系统上限的范式。