多智能體賽道爆發，Harness成為破局關鍵，資本加速佈局。剛剛，成立僅四個多月的AI初創公司明日新程（Nextie），宣佈連續完成兩輪融資。其中，天使輪由創新工場、Atypical Ventures聯合領投，奇績創壇繼續跟投。原微軟全球副總裁David Ku等個人投資者，以及公司獨家財務顧問安可資本等，也紛紛看好入局。公司表示，當前資金儲備已夠未來三到五年持續創新所需。幕後掌舵人，正是“小冰之父”、微軟亞洲互聯網工程院原副院長李笛，以及與他並肩多年的微軟小冰創始核心班底。△李笛在奇績創壇路演日上壓軸登場在一級市場整體降溫、機構出手愈發審慎的當下，一家成立不到半年的公司卻能連融兩輪，更迎來陸奇、李開復兩大AI圈頂級“風向標投資人”罕見同框、同步押注，這本身就是一種訊號，體現了資本對其團隊、技術、賽道的多重認可。所以這筆資金將投向何方？團隊給出的答案很明確，大方向只有一個——Harness群體多智能體。當下，無論是持續霸屏的OpenClaw，還是近期風頭正盛的Hermes Agent，AI Agent正以前所未有的熱度席捲整個行業。隨著實踐的不斷深入，Harness的價值逐漸清晰。包括OpenAI、Anthropic在內，越來越多頂尖團隊已意識到，Harness是智能體落地的核心支撐。有意思的是，這個判斷，明日新程團隊負責人李笛早在去年就已給出。去年12月7日，奇績創壇Demo Day上，李笛壓軸登場，系統性拋出群體智能理論，並對Harness趨勢有了準確預判和率先佈局。雖然他本人很低調：我們現在其實都比較羞於說我們早就看到了什麼，這個是沒有用的。這個世界上永遠都是，你做它比你看到它要難得多。就像《駭客帝國》裡有句話，知道路與走路，二者截然不同。如今，該賽道已成為投資人佈局AI下半場的核心標的。而明日新程，也已在這一領域形成了領跑態勢。Harness為何會成為行業共識？明日新程又憑什麼能夠殺出重圍？團隊下一步又將如何落地？量子位與李笛聊了聊。糧草已備，重倉佈局Harness群體多智能體OpenClaw火遍全網，無疑為智能體賽道按下了加速鍵，讓行業第一次真切看到了智能體主動幹活的潛力。但當人們開始把它當“正式員工”用時，問題來了。這事兒要說還得Meta最有發言權……Meta安全對齊總監Summer Yue的信箱，曾一夜之間被OpenClaw清空所有郵件。此事過去沒多久，OpenClaw未經授權擅自行動，將敏感的公司和使用者資料，洩露給無權限員工長達近倆小時。究其原因，該框架在工程實現上，尚處於早期階段，缺乏Harness等級的技術注入。在處理24小時以上的長程複雜任務時，其Token消耗量巨大，效果卻常常不盡如人意，穩定性與安全性仍有很大提升空間。用李笛的話來說，任何一個超級智能個體，無論它的智能水平達到什麼程度，都一定有盲區，沒有辦法自我糾偏。而當超級智能個體處理長程任務時，錯誤會隨著時間累積被指數級放大。隨著行業實踐的深入，AI廠商逐漸關注到這一問題。Harness，如今已成為AI工程領域的新共識。所以，Harness到底是什麼？從本質來看，Harness意為“馬具”，類比到AI領域，就是連接“模型（馬匹）”與“人類需求（騎手）”的核心框架。它不直接參與任務執行，卻能通過明確的約束、規範與協同機制，引導多智能體高效協作，避免失控，實現“約束換自主”的核心價值，這也是其區別於Prompt Engineering、Context Engineering的核心所在。今年2月，OpenAI發佈官方Blog《Harness Engineering: Leveraging Codex in an Agent-First World》，通過實驗證明AI是可以獨立完成全流程開發的執行主體，但必須有一套框架來駕馭它。通過Harness Engineering，3人工程師小組在5個月時間裡，可以利用Agent建構百萬行程式碼的產品。Anthropic最近也發佈了新Agent架構Managed Agents，技術文件中也有反覆強調“Agent Harness”。而明日新程在這條路上，堅持得比別人更專注一些。不同於行業內對Harness的單一架構解讀，明日新程所佈局的“Harness群體多智能體”，是將Harness工程化理念與群體智能深度融合的全新體系。它並非簡單的“多智能體+約束規則”，而是以原生群體智能與認知模型為核心，讓眾多具備不同認知能力、不同功能定位的Agent，按照明確的規則協同工作、互相校驗、迭代最佳化。李笛進一步解釋，Nextie的Harness核心包含三個關鍵元件：上下文管理、參與其中的多智能體、多智能體協同方法。其中，多智能體協同方法最為關鍵，團隊內部將其稱為“認知碰撞”，即通過辯論、挑戰、反思、同行評審、投票等方式，讓多智能體真正實現思辨與互補，而非“表演式一致”。上下文管理，則確保多智能體在協同過程中獲取的資訊精準、全面且適度，避免因資訊過載或偏差導致荒謬結果；Agent池最佳化，指的是根據任務需求動態搭配不同角度、不同功能的Agent，實現協同效率最大化。這種體系既能解決OpenClaw等框架的長程協同痛點，讓多智能體在長周期任務中保持穩定高效；又能通過群體思辨、共識機制，打破單一Agent的認知盲區，輸出經過權衡的最優解，真正實現“群體智能大於個體智能之和”。這也是明日新程對多智能體賽道未來的核心判斷。這其中的種種思考，繞不開一個詞——協同。“協同”這道題，他們在小冰時代就思考了李笛團隊的佈局並非一時興起。“自2022年以來，我們一直在準備這個時刻”，李笛把這段蟄伏期拆成了幾個關鍵節點。第一個節點，是在2022年底。彼時，Transformer架構的合理性已被徹底驗證，其顛覆性潛力讓行業看到了全新可能。在當時，團隊受到了決策體系的限制，但李笛最終還是帶著團隊自籌算力，把這條線先跑了起來：我們手裡有一套基於上一代技術的框架。我們能清晰感知到框架本身的潛力，但它被上一代技術拖累了。當看到新技術出現時，我們眼前一亮，很多過去棘手的難題，終於有了破解的可能。但興奮之餘，一個更為根本的問題浮現出來：有些障礙，不是靠模型能力變強就能繞過去的。這個問題，種子早在小冰時代就已埋下。團隊最初的目標就不止於打造一個“小冰”，而是建構千千萬萬個能精準匹配使用者需求、且彼此配合的AI。但實踐中他們發現，單個Agent再聰明，一旦放進多智能體場景，局面就失控了。要麼是“表演式一致”，表面上一團和氣，實則誰都沒往深裡想；要麼互相衝突內耗，整體效率還不如單干。完全依賴模型自身驅動協同，遠遠不夠。於是，一條新的研究方向被李笛團隊單獨闢出來：多智能體之間，到底應該怎麼協作？在他們看來，唯一的參考藍本，就是人類社會。畢竟，人類是迄今所知的、唯一實現了大規模高級認知協同，並持續產出價值的群體。為此，團隊還專門梳理了1800-2020年整整220年的人類文獻，只為拆解“群體智慧”的演進脈絡。時間來到2023年年初，團隊提出CoT是關鍵。他們自研了“小冰鏈”（X-CoTA），驗證了思考過程透明化的核心價值。小冰鏈僅使用了GPT-3約2%的參數量，便實現了可觀測、可追溯的思維鏈建構，並能夠在推理過程中即時獲取外部資訊、做出行動決策。實際上，CoT也是多智能體協同大計畫中的一塊關鍵拼圖。在團隊的構想裡，真正高效的協同，不能只共享結論，更要同步思考過程。就像人與人協作，只有知道對方的推導邏輯，而非僅僅拿到一個結果，才能實現超越表層的深度配合。到了2023年年底，團隊做的開源大模型性能超越了Meta同期產品。他們欲乘勢而上，提出研發推理模型的新計畫，但在當時的決策框架下，這個方向再次被擱置。2025年12月9日，李笛帶領微軟小冰創始核心團隊成立新公司明日新程（Nextie）。如今，技術條件、市場環境、團隊狀態終於迎來同頻共振的時刻。團隊現在手握完全的決策權，可以心無旁騖地深耕Harness群體多智能體賽道。延續對“多智能體協同”的長期思考，明日新程團隊組建之初，便將核心方向鎖定為原生群體智能與認知模型。今年2月份，團隊打造的首個原生群體智能平台——“糰子（tuanzi.ai）”發佈內測版。量子位在產品剛發佈時，就上手實測過：使用者提出問題後，幾十個Agent成團“圍坐一桌”，各抒己見、互相補充、辯論交鋒，甚至還有投票表決、同行評審這樣的專業環節。它不追求單一智能體的能力極致，而是聚焦“群體協同價值”，既能勝任高認知複雜度的深度研究任務（通過多智能體思辨、碰撞，破解單一模型的認知侷限），也能適配以OpenClaw為代表的長程多智能體協同、大規模群體模擬等核心場景，真正將Harness理念落地到了產品層面。在團隊設計的視角完備性、辯證深度、落地實操性、隱含訴求滿足度、決策五維度評測指標中，Nextie綜合表現顯著優於競品。不僅超過了包括ChatGPT-5.2 Thinking在內的單一大模型；同時，在達到同等思考深度的情況下，整體計算消耗（Token）可降低約50%。此外，前段時間引發關注的“衛士蝦”TuanziGuardianClaw，則是群體智能能力的又一次實戰驗證。這只專門堵OpenClaw安全漏洞的Agent，完全由糰子群體智能體自主協同設計而成。量子位還打探到，目前明日新程內部大量使用Agent作為“人機共生的同事”，採用“常駐Agent+臨時Agent”的協作模式——常駐Agent負責常規開發與產品設計，臨時Agent根據具體任務需求動態補充。“衛士蝦”就是安全領域的臨時Agent與常駐Agent協同完成的。“小冰島”將以新形態重現談到近期產品規劃，李笛向我們透露了團隊醞釀已久的全新動作。他們正在全力打造一款形態接近“小冰島”的全新產品。它不再侷限於簡單陪伴，而是能夠協同完成各類複雜、長期任務，讓一群Agent真正做到幫使用者幹活、陪使用者成長，並在持續互動中與使用者建立深度繫結關係。李笛表示，新產品最大的延續，在於小冰島最初的設計理念：觀察圍繞每一個人，究竟配備一群怎樣的Agent才是最適配的。每個人的需求不同，有人需要工作支援與情感陪伴兼顧，有人更需要理性、專業的決策輔助。我們要做的，就是讓Agent群體真正貼合使用者本身。而產品最核心的升級，則是技術層面的全面迭代，深度融入糰子的Harness群體智能能力。李笛解釋，當年做小冰時，受限於技術水平，很多複雜的協同邏輯只能靠工程抹平，無法實現真正的智能協同；如今有了大模型與Harness，終於能實現當初的設想。以前在小冰島上，你告訴一個AI“我失戀了”，這個AI無法判斷是否要把這個私密資訊傳遞給其它AI，要麼所有人都來安慰你，讓你尷尬；要麼只有這一個AI知道，無法形成真正的情感支援。但現在，Agent會通過智能判斷，做出最合理的反應，你的每一次互動，都會在Agent群體中產生智能、合理的漣漪。未來，使用者可以擁有一組像OpenClaw一樣的自主Agent，他們能夠根據你的自身需求靈活調整。換句話說，這群Agent，從來都只是為你而存在。由此，這也將打開多智能體全新的應用場景。By the way，新版“小冰島”預計本月底推出～ (量子位)

Harness開始自主進化越來越薄薄成鎧甲。在AI從聊天機器人邁向真正自主Agent的當下，最棘手的不是模型本身有多聰明，而是如何讓它在漫長的任務中不跑偏、不崩潰、不半途而廢。2026年3月，Anthropic在其工程部落格上發表了一篇重量級文章《Harness design for long-running application development》，系統拆解了他們為Claude設計的“Harness”（馬具/韁繩）架構。這不是一次簡單的提示詞最佳化，而是對Agentic Coding（代理式編碼）底層工程的深刻反思——模型越強，Harness反而需要越精簡，但絕不能消失。什麼是Harness？為什麼它突然成了前沿關鍵詞？簡單來說，Harness就是包裹在LLM周圍的完整軟體基礎設施：它包括編排循環、工具呼叫、記憶管理、上下文壓縮、錯誤處理、守衛欄（guardrails）和多Agent協作機制。Anthropic把Claude Agent SDK本身就稱為“a powerful, general-purpose agent harness”。它不是給模型加一層prompt那麼簡單，而是把模型變成一個可控、可持久、可迭代的“系統”。上篇深度扒光Anthropic Claude Code 8大新功能+6級安全架構中，詳解了三層“Self-Healing Memory”自癒永久記憶架構和聲明式可組合權限。今天再看看Harness是怎麼做到的？早期Agent在長時任務中常遇兩大頑疾：上下文焦慮（context anxiety）：模型在超長上下文裡突然“慌了”，開始胡亂結束任務或重複工作。漂移與崩潰：單Agent長時間運行後，規劃與執行混在一起，自我評估能力不足，導致輸出質量雪崩。Anthropic的解決方案不是一味堆模型參數，而是借鑑人類工程師和GAN（生成對抗網路）的思路，建構結構化的“環境”來引導模型行為。這就是Harness Engineering——一門新興的AI工程學科。從兩Agent到三Agent：演進路徑清晰可見Anthropic的Harness設計經歷了清晰的三階段演化：2025年11月：基礎版兩Agent Harness引入Initializer Agent（初始化器）負責一次性搭建項目環境、分解規格成JSON特徵列表、初始化git倉庫；Coding Agent（編碼器）則每次只推進一個特性，留下清晰artifact（產物）供下次接力。通過上下文重設和artifact手off，解決了多會話連續性問題。2026年Opus 4.5時期：三Agent GAN式架構（核心創新）針對前端設計和全端開發，升級為Planner（規劃器） + Generator（生成器） + Evaluator（評估器）。-- Generator專注創造程式碼或UI設計；-- Evaluator像對抗網路裡的判別器，提供批判性反饋（前端用審美+創意等多維度打分）；--規劃與評估分離，避免Generator自我陶醉。實驗顯示，經過5-15輪迭代，生成的介面明顯更美觀、獨特，全端應用也更完整可靠。靈感直接來自GAN：生成器與評估器的對立統一，極大提升了模型的自洽能力。Opus 4.6及以後：精簡與去複雜化隨著模型自身長上下文理解、自我偵錯和規劃能力的躍升，許多腳手架可以移除。上下文重設不再必要，自動壓縮機制（Claude Agent SDK）足以處理增長；微觀詳細的sprint規劃反而成了累贅。Anthropic的結論耐人尋味：Harness必須隨模型能力動態演化，過度複雜的Harness反而會拖累新一代模型的表現。他們甚至公開對比了Harness版與單Agent版的成本、時長和質量，資料清晰表明：高品質輸出需要付出更多token和時間，但性價比在複雜項目中顯著更高。更進一步：Claude Managed Agents——把Harness變成產品幾乎與工程部落格同時，Anthropic推出了Claude Managed Agents，本質上是“元Harness”——一個託管服務，為企業提供開箱即用的Agent基礎設施，包括沙盒環境、持久會話、工具鏈和可擴展介面。它解耦了“大腦”（模型）和“手”（執行環境），讓開發者無需自己從零搭建複雜Harness，就能部署可靠的長時程Agent艦隊。這一步，直接把Harness Engineering從實驗室技巧推向了企業級生產力工具。科技評論：Harness是AI Agent時代的真正基礎設施Anthropic的這一系列工作，揭示了當前AI發展的一個核心悖論：模型能力越強，工程約束反而越重要。單純追求參數規模或上下文長度並不能解決自主性問題；真正決定上限的是“環境設計”——如何讓模型在不確定、長時間的任務中保持方向感、自我糾正能力和輸出一致性。優點顯而易見：顯著提升可靠性：多Agent分離職責，減少幻覺和漂移，尤其適合前端美學、全端開發這類主觀+客觀結合的任務。可演化性強：Harness隨模型迭代而簡化，避免了“框架鎖死”。安全與可控：內建沙盒、評估循環，天然契合Anthropic一貫的AI安全哲學。開源精神：相關quickstart和最佳實踐已在GitHub公開，社區已快速跟進復現。潛在挑戰也不能忽視：成本與複雜度：多輪迭代必然帶來更高token消耗，對中小團隊仍是門檻。演進速度過快：今天有效的Harness，明天模型升級後可能變成“死重”（dead weight）。開發者需要持續跟進Anthropic的工程部落格。標準化缺口：雖然Managed Agents在降低門檻，但整個行業仍缺乏統一Harness規範，碎片化風險猶存。從更廣視角看，Harness Engineering標誌著AI開發範式的轉變：從“提示工程”（Prompt Engineering）到“環境工程”（Environment/Harness Engineering）。未來，頂級AI工程師不再只是會寫prompt的人，而是擅長設計Agent“馬具”、建構反饋閉環、平衡模型自由度與系統約束的系統架構師。Anthropic再次用行動證明：在通往AGI的路上，安全、可靠、可解釋不是空洞口號，而是必須通過精密工程落地的硬實力。Claude的Harness不是給模型套上枷鎖，而是為它披上戰甲，讓它能在現實世界的長征中，穩穩地跑完全程。當其他實驗室還在比拚誰的模型上下文更長、誰的benchmark分數更高時，Anthropic已經把目光投向了“如何讓Agent真正可用”。Harness不是終點，而是AI Agent從實驗室玩具走向生產力的必經之橋。 (AI頓悟湧現時)