科技Bestblogs·硅基观察Pro··AI 生成
YC 最新判断：Harness 比模型更重要
YC 最新判断认为，AI 竞争的胜负手正从模型能力转向 Harness（运行框架）。文章通过 ARC-AGI-3 测试、Prime Agent 和 OpenJarvis 实验等具体案例，论证了 Harness 通过优化提示词、工具调用、记忆管理和权限运维，能显著提升模型实际表现，甚至弥补不同模型间的能力差距。对于关注 AI 工程化、Agent 落地和模型应用的技术决策者，本文提供了一个重要的认知框架：模型决定上限，但 Harness 决定谁能摸到上限。原文 ↗原文 ↗
核心观点
- ▍AI 竞争的胜负手正从模型能力转向 Harness（运行框架），模型决定能力上限，而 Harness 决定能否触达该上限。
- 01ARC-AGI-3 测试证明，同样的模型在不同 Harness 下得分可差出 35.9 个百分点。
- 02Prime Agent 采用“信息分层”设计，将信息分布于上下文、REPL 编程环境和外部存储中，实现长周期任务的连续状态保持。
- 03OpenJarvis 实验显示，通过系统层面的 Harness 优化，本地小模型能显著追回与云端大模型之间的性能损失，且运行成本极低。
- 04YC 内部开发的 QM（Queue Manager）系统负责 Agent 的规模化部署、状态集中管理与资源调度。
- 05企业级场景下，Harness 的重心转向运维与权限管理，以解决“主角综合征”（多个 Agent 争夺单一服务）和信息泄露风险。
反方 / 局限
- — 文章主要聚焦于 Harness 的优势，对 Harness 自身可能带来的复杂性和运维开销（如信息分层与状态管理的工程成本）着墨不多，也未深入探讨当模型能力跃迁（如达到 AGI）后，Harness 是否会重新成为次要角色。
前置背景
应用场景
平行视角
延伸追问