ARTICLE · 1307525
AI骨架论-原来我一直搞错了
AI骨架论-原来我一直搞错了
你有没有干过这件事：AI 不好用，下意识就去"换个模型试试"。 这周有个实验结果，把这个动作判了死刑。同一个模型，同一套考题，只换了外面那层东西，分数从 62.7 涨到 98.6，钱还少花了三成。 
同一个大脑，两张成绩单 01 2026 年 9 月 3 日，ARC Prize 公布了 ARC-AGI-3 的最新成绩。 数据有点不礼貌：同一个模型，GPT-6 Astra，同样的推理强度，变量只有一个——外面套的那层框架。这不是两个模型打架，是同一个模型的两次考试。 对比项 标准骨架 适配层骨架 得分 62.7% 98.6% 总花费 2.61 万美元 1.73 万美元 分差 35.9 个百分点。更反直觉的是钱：得分 98.6 的那一组，总花费比 62.7 的那一组还低了三成。 几天后，YC 专门办了一场 Paper Club，主题就叫《Why the Harness Matters More Than the Model》——为什么骨架比模型更重要。主持人 François Chaubard 请来的三组人研究方向各不相同，最后指向了同一句话： 模型的能力，正在变成一种"给定条件"。 
模型是大脑，骨架是手 02 一句话公式：Agent = Model + Harness。 Harness 就是"Agent 减去模型"剩下的全部东西——执行循环、工具调用、上下文管理、记忆、沙箱与权限、错误恢复。 模型是大脑。Harness 是手、是眼睛、是记事本，也是刹车。 你抱怨 AI 笨的时候，抱怨的通常是大脑。但绝大多数时候，坏掉的是手。 这门手艺在 2026 年 2 月被 OpenAI 正式命名，文章叫《Harness engineering》。里面那个例子到今天还硌人：不到十个人的团队，五个月时间，让 Codex 写完了超过一百万行代码，全程没有手敲过一行。 请注意这十个人在干什么。他们不是在写代码，是在搭骨架。 
它开始自己找活干了 03 11 月 2 日，DeepSeek 的 Harness 团队发了一篇技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，把一套新架构公开了。 他们的问题很具体：模型变强之后，个人助手开始集中涌现，但现有主流 Agent 扛不住多任务和多人协作——多任务的上限，实际上取决于人的注意力。 解法是三个词：双层架构、事件驱动、存算分离。系统在底层接管了会话管理和上下文同步，人往上走一层，只管决策和验收。 架构图不如一个细节有说服力。文章里写：团队成员在群聊里反馈软件问题，没有人 @ AI，系统自己认出这是个缺陷，在后台复现问题，然后去找修复方案。 模型没变。变的是它终于被允许一直醒着。 一件事如果只能在你叫它的时候发生，它就只是个工具。能自己发现问题的，才配叫同事。 
翻车之后，还剩什么 04 Prime Intellect 做过一个长周期的实验：让 Agent 连续七天玩《异星工厂》。结果是调用 633 个子 Agent，产出超过 2300 万 Token，196 项技术里做完了 24 项，把下一项"高级电路"的研究推到 71%。 中间翻过一次车——进度从已完成 5 项，倒退到只剩 1 项。 但状态没有被清空。之前写的程序、攒下的资源、任务记录全都还在，它接着往下推。 翻车不是失败，归零才是 这就是"把流程写死"和"少写流程、多备资源"的区别。流程写死的骨架，翻车就归零；信息分层的骨架，翻车只是回退。 具体做法叫信息分层：历史信息太长就先压缩；程序、计算结果、任务进度放在一个持续运行的 REPL 里；长期记忆、技能、提示词放外部存储。子 Agent 干完一次活，上下文留着，下次唤醒时直接接着干。 长周期任务里，绝大多数情况是你没法提前预设的。真正决定成败的，不是你能不能穷举所有分支，而是翻车之后，还剩多少能接着用的东西。 
骨架能替模型还债 05 斯坦福的 OpenJarvis 把个人 AI 拆成五层：用哪个模型、模型怎么跑、Agent 怎么工作、能调哪些工具和记忆、系统怎么继续学。每一层都可以单独调，调完再重新组合。 重点在结果：模型用的是 Qwen3.5-9B 这个量级，一层层优化完，追回了 56%—77% 的性能损失，整体准确率跟 Claude Opus 4.6 只差 3.2 个百分点，而边际 API 成本大约是后者的八百分之一。 一个开源小模型，配上一套认真搭的骨架，站到了旗舰模型身后三点二个百分点的地方。 你缺的可能不是预算，是耐心。 
今天就能做的三件事 06 
能甩锅的时代结束了 07 10 月 22 日，Google 提了个新规矩：只看最终成功率已经不够，要拆开看执行轨迹。 他们把 Harness 拆成十二个组件——系统提示词、上下文、记忆、工具、MCP、技能、子 Agent、重试、规划、会话、沙箱、执行循环。 为什么这件事比任何跑分榜都重要？因为以前"AI 不好用"是一句没法追责的抱怨。模型没换、业务没换，你只改了一版系统提示词，benchmark 从 86% 掉到 79%，然后全组人一起猜是哪儿坏了。 现在可以查了。 能定位，就意味着能改；能改，就意味着它不再是玄学。 
模型决定上限，骨架决定你有没有摸到那个上限。 三年了，你一直在换大脑。 手还是那双断的。
别再"换模型"了，先"查骨架"。查四个地方——系统提示词、工具描述、上下文取舍、验证回路。注意是"查"，不是"换"。换模型是最省事、也最没用的下意识动作。 去项目根目录建一个 AGENTS.md。用 Claude Code 就建 CLAUDE.md。不到一百行，只写三块：项目说明、禁止操作、完成定义。这是这一波里，少数不会因为换模型、换产品而清零的资产。 选 AI 产品时，换一个问题问。以前问"你家模型多强"。现在问"你这套循环、工具、权限、恢复机制，跟我这个场景配不配"。按模型选产品，等于按发动机选车，却不问底盘。
