AI 用不出效果,八成不是模型不行

9 分模型乘 5 分工程，等于不及格

刘润说 AI 进了中国人的舒适区，这笔账我想算细一点

包装部落2018 · 纸浆模塑行业观察

适合人群：正在给工厂或品牌上 AI 的老板、IT 负责人、包装与采购主管，以及被「AI 转型」这四个字搞得有点焦虑的人。

一、麦当劳那三年：不是听不懂，是听不懂之后没人接

先把时间线摆清楚，因为这件事被传得很乱。

2019 年 3 月，麦当劳收购了一家叫 Apprente 的语音技术公司，做的是能听懂点餐的对话系统。2021 年，麦当劳和 IBM 签了合作，把 AI 语音点餐推进到来得速车道，在美国一百多家门店做测试。2024 年 6 月 17 日，麦当劳发内部通知：这项合作暂停，7 月 26 日之前，所有测试门店的 AI 点餐全部下线。

官方的说法很克制：语音识别准确率大约 85%，在一些场景下不够稳定，需要重新评估。

85% 这个数字，放在很多行业里算能交差。可放在得来速车道上，它是灾难。

算一笔小账。一家得来速门店，高峰时段一小时过一百辆车。85% 的准确率意味着每小时有十五单出错。出错不是重说一遍这么简单——顾客在车里等，后面的车在按喇叭，店员在窗口探头，一份订单要重新确认，平均多花四十秒。十五单乘四十秒，十分钟。一条车道一小时的有效通行时间，就这么没了。

所以问题从来不是「AI 听不听得懂」。问题是：AI 没听懂的那一刻，系统做了什么。

这类系统最常见的失效点，通常是这么几个环节。顾客口音重，或者车里坐着小孩在闹，识别就开始飘。顾客中途改单——再加一个中杯可乐、不要冰——系统接不住这种增量指令。顾客点了菜单上没有的组合，系统要么硬凑一个最像的，要么直接卡住。最要命的是转人工：AI 判断自己搞不定，需要把订单和上下文交给店员，但交过去的信息是残缺的，店员得从头再问一遍。

你看，这四件事，没有一件是「模型不够聪明」。

识别飘，是麦克风阵列和降噪的工程问题；接不住增量指令，是对话状态管理的设计问题；硬凑一个最像的，是不确定时该不该猜的策略问题；转人工丢上下文，是系统集成的接口问题。这四件事加起来，才是那 15% 的真实成本。

换句话说：麦当劳不是输给了模型，是输给了模型外面那一圈东西。那一圈东西，现在有个专门的名字，叫 Harness。

这个词不好翻译。有人译成外壳，有人译成脚手架，有人直接说工程化。我更愿意把它理解成给模型配的一整套作业环境——包括它能看见什么、能动手做什么、做错了怎么发现、发现了怎么退回来。

刘润那句话，说的就是这个。只是他把这层东西压缩成了「工程化程度」五个字。五个字背后，是麦当劳三年和几千万美元。

图 1　得来速取餐窗口：店员戴着耳麦，一手递餐，一手还要应付车道上的下一辆车

图片来源：公开新闻图片，仅作场景示意

我把这张图放在这里，是想让你注意一个细节：店员头上那副耳麦。在 AI 试点门店，这副耳麦连着的是语音识别系统；试点结束后，它连回的是一百多年前就有的东西——人。

这不是技术倒退。这是一次很诚实的止损：当你还没能力把 85% 补到 99.5%，把 15% 的窟窿交给一个真人，比硬撑着一个聪明的半成品更划算。

接下来要问的是：那 15%，到底能不能补？怎么补？补它的难度，比把模型从 8 分做到 9 分，是高还是低？

二、那个公式为什么是乘法：模型贵在算力，Harness 贵在耐心

刘润给的公式是这样的：智能体 = 基础模型能力 × Harness（工程化程度）。

他后面跟了一句解释：9 分的基础模型，配 5 分的工程化，最终不及格；8 分的基础模型，配 9 分的工程化，最终能拿高分。

这句话很多人读过去了，觉得是在给中国公司打气。其实它是一句很硬的话。硬的地方在于那个乘号。

换成加法，9 加 5 是 14，8 加 9 是 17，差距三成。换成乘法，9 乘 5 是 45，8 乘 9 是 72，差距六成。同一个输入，换个运算符，结论从差一点变成差一倍。

乘法有三个性质，值得一条一条掰开。

第一个性质：任何一项接近零，整体就接近零

模型再强，Harness 是零，产出就是零。这不是比喻。你把一个顶尖模型接到一个没有权限控制、没有错误处理、没有结果校验的系统上，它最可能的产出是：一份看起来很专业、但里面有三处编造数据的报告。

反过来，Harness 再完善，模型是零，也是零。这个方向没什么好说的。

真正要警惕的是第一种。因为第一种不会立刻暴露——它会先给你几份漂亮的产出，让你以为跑通了，然后在某个关键节点上，给你一个查不出源头的错误。

第二个性质：短板决定上限，而且是狠狠地决定

10 分制里，8 乘 9 是 72，9 乘 5 是 45。差距不在模型那一项，在 Harness 那一项。

这句话对很多老板是不舒服的。因为买模型是花钱，做 Harness 是花人。花钱能开会决定，花人要动组织。

我见过太多这样的项目：预算批了，模型接了，Demo 演示得很漂亮，然后卡在「谁来保证它每天都对」这个问题上，三个月后悄悄停掉。停掉的时候，对外说的是模型能力还不够。

不是模型不够。是没有人为那 15% 的窟窿负责。

第三个性质，也是最容易被忽略的：两项的提升成本完全不对称

模型从 8 分做到 9 分，要什么？几千张 GPU 卡、几个月的训练、一支能改底层架构的团队、还有一笔没人敢承诺能回本的算力预算。全世界能做到的公司，两只手数得过来。

Harness 从 5 分做到 9 分，要什么？一个懂业务又愿意写代码的人，一台能跑起来的机器，加上三到六个月的反复试错。

这就是那个乘号真正的含义：它不是在说中国模型够用了，它是在说，在这个乘法里，谁更容易把分数提上去。

答案是 Harness。而且不是容易一点，是容易一个数量级。

这里要说清楚一件事，免得被误读：Harness 便宜，不代表它简单。它不烧算力，但它烧人的经验。一个把报价单做到 95% 准确率的 Agent，背后可能是三千行代码、两百条失败案例、和一个把公司报价规则摸透的老师傅。这些钱不进 GPU 账单，进的是工资单和试错的时间。

所以「中国公司的舒适区」这个说法，我认同，但要加一个注解：舒适不是因为这件事容易，是因为这件事的难点，正好长在中国公司的肌肉上——离业务近、能改流程、愿意为一个不性感的细节反复磨。

三、Harness 不是工程化三个字，是六件具体的事

说工程化太虚。虚的词会让人以为多找几个程序员就能解决。

OpenAI 在 2026 年 2 月的一篇工程博客里，把这件事拆成了 Model + Harness 的结构。顺着这个思路，再对照一批真实落地的项目，我把它整理成六件事。这六件事，你拿去做自查表，比看十篇趋势文有用。

第一件：循环——什么时候继续，什么时候停，什么时候问人

Agent 和聊天框最大的区别，是它会自己往下走。这就带来一个问题：走到哪一步该停。

举个包装厂的例子。你让它查一下这个客户的最近三次报价、给个新报价。它会去查历史订单、查原料现价、算加工费、套折扣规则。中间任何一步，都可能卡住：客户名字在两个系统里写法不一样；原料现价表三天没更新；折扣规则有个例外条款。

循环设计要回答的就是：卡住的时候，是重试、是换个方法、还是停下来问你。这三条路的判断标准，必须写死在代码里，不能交给模型临场发挥。

我见过最糟的设计，是让它自己想办法。听起来很智能，实际是让它在错误的方向上连走二十步，最后给你一份格式完美、数据全错的报价单。

第二件：工具——能调什么，参数怎么描述，调不通怎么报错

模型本身不会查数据库、不会读文件、不会发邮件。它只能说要做什么，真正动手的是工具。所以工具设计的好坏，直接决定它能不能干活。

这里有个特别容易被忽略的点：工具的描述是写给模型看的，不是写给人看的。

查询订单这四个字，人一看就懂。模型不懂——它会问：按订单号查还是按客户查？时间范围默认多久？返回哪些字段？如果查不到，是返回空还是报错？这些不写清楚，它就会瞎猜。猜错了，你还以为是模型笨。

报错信息也是同一个道理。你写操作失败，模型只能重试。你写订单号格式应为 PO 加八位数字、当前输入缺少年份位，它就能自己改。这一条改完，很多项目的成功率会跳一个台阶。

第三件：上下文——塞什么进去，什么时候丢，怎么压缩

大模型的上下文窗口这几年涨得很快，于是很多人产生了一个误解：能塞就都塞进去。

实际相反。塞得越多，越容易失焦。一份五十页的产品手册全塞进去，模型回答一个「这个产品的壁厚公差是多少」的问题时，准确率反而不如只给它那两页。

上下文管理要做的，是决定这一步只需要知道什么。包装行业尤其明显：一个订单涉及的参数有几十项，但判断这个单能不能接，真正起作用的可能只有模具尺寸、压机吨位、交期、和客户的付款记录这四项。

把不该给的拿掉，比把该给的塞进去，更难，也更有价值。

第四件：权限与沙箱——能碰什么，碰坏了怎么回滚

这一条在企业里最容易被跳过，也最容易出事。

一个能改 ERP 数据的 Agent，和一个只能读 ERP 数据的 Agent，风险差着两个量级。一个能直接发邮件给客户的 Agent，和一个只能生成草稿的 Agent，风险差着一次公关危机。

我的建议很土：先只给读权限，跑顺了再给写权限；写权限先给生成草稿，再给提交待审，最后才给直接执行。每一步都要留回滚。

这不是保守，这是让项目能活到第二年的前提。我见过一个把客户对账单自动发出去的 Agent，因为一个小数点位置错了，三十多个客户收到错误金额，后面两个月都在解释。技术上它做对了，业务上它死了。

第五件：检查器——怎么知道自己错了

人做错事会心虚，模型不会。它错的时候，语气和它对的时候一模一样。

所以必须有独立的检查环节。检查可以是规则的——金额加起来对不对、日期有没有超过今天、客户名在系统里存不存在；也可以是另一个模型来复核——让一个模型检查另一个模型的输出。两种都要有，因为规则查不出语义错误，模型查不出算术错误。

这一步最不性感，也最容易被砍预算。但它是那 15% 窟窿的主要填充物。

第六件：引导——错了之后怎么改

检查器发现问题之后，得有办法让它改。这就是引导。

最低级的是打回重做，成本高、成功率低。好一点的是把错误点指出来、让它只改那一处。最好的是把这类错误的规则沉淀下来、下次不再犯——也就是让它越用越准。

这一层做不做，决定了你的 Agent 是一年后还在原地打转，还是一年后能接更难的活。

六件事之外，还有一件隐形的第七件：谁负责

上面六件都是技术活。但项目做不成，八成不是因为技术。

我见过一个做得很好的报价 Agent，六件事做到了五件，唯独缺了最后一件：没有人对它每天的输出负责。

上线第一个月，业务员觉得好用。第二个月，有一次它把客户的折扣规则套错了，业务员没核对就发出去了。第三个月，业务员开始每次都手动核一遍——既然要核，那还不如自己算。第四个月，没人打开了。

技术上是成功的，业务上是失败的。中间差的不是代码，是一个岗位。

这个岗位要做三件事：定义什么叫对、每周抽查一次输出、出错的时候决定改规则还是改代码。

关键是：这个人必须是业务岗，不能是 IT 岗。

因为只有业务能判断这个结果对不对。IT 能看出系统报错，看不出报价低了 8%。

国外把这个角色叫产品负责人。国内很多项目没有这个角色，或者挂了名字但不管事。

如果你现在正在推一个 AI 项目，先问一句：这个系统每天出的东西，谁看？答不上来，就先别急着写代码。

如果只能做三件，先做哪三件

六件事全做，成本不低。如果预算有限，我建议先做这三件：检查器、权限、循环。

理由很简单：这三件决定会不会出大事，另外三件决定好不好用。

先保命，再优化。顺序反了，项目会在出第一次大事的时候死掉，而那时候你还没享受到好用带来的收益。

图 2　工程师的工作台：左边屏幕上那片红色，就是 Harness 要处理的东西

图片来源：公开素材图，仅作场景示意

这六件事，没有一件在模型里面。它们全在模型外面那一圈。

而这六件事的完成度，直接体现在分数上。

Terminal-Bench 2.1 这个测试集上，同一个模型，换不同的 harness，最终得分能差 8.1 分。满分是 100 分。8.1 分是什么概念？大致相当于把一个中游模型换成头部模型带来的提升。

也就是说：你花大价钱换模型换来的那点提升，可能还不如把外壳重写一遍。

这句话，是这篇文章里我最想让你记住的一句。

四、同一模型换个外壳差 8 分，这不是玄学，是概率

上一章那个 8.1 分，很多人第一反应是不信。同一个模型，权重一模一样，换个外壳就能差这么多？

能。而且原因很朴素：长链条上的错误会累积。

假设一个任务要走十步，每一步的正确率是 95%——这个水平已经相当高了，大部分模型在单步任务上都能做到。十步连乘下来，整体成功率是 59.9%。

把单步做到 99%，十步连乘是 90.4%。

把单步降到 90%，十步连乘只剩 34.9%。

三个数字摆在一起，结论很清楚：决定成败的不是单步有多聪明，是链条有多长、以及中间有没有人纠错。

这就是 Harness 的第一原理：缩短单次推理的链条，用外部校验替代内部推理。

同一件事，两种做法

拿包装行业最常见的一个活举例：给老客户报一个新品的价。

差的 Harness 是这样：把客户名、产品描述、数量、交期打包成一段话，丢给模型，让它直接给报价。

模型会给你一个数。这个数看起来合理，因为它是从训练数据里学来的行业均值。但它不知道这个客户去年因为交期问题扣过款、不知道这个产品的模具是三年前开的、不知道上周浆价涨了 6%。它给的是行业均价，不是你能签的价。

好的 Harness 会把这件事拆成六步。

第一步，查客户档案：这个客户的历史成交价、付款记录、有没有特殊折扣条款。第二步，查同类产品最近三次报价，看价格带。第三步，查原料现价——浆、电、蒸汽、人工，这四项占成本的大头。第四步，按工艺路线算加工成本：成型、烘干、整形、印刷、包装。第五步，套折扣规则，生成报价单。

第六步，交叉校验：毛利率是否在合理区间、总价和单价是否对得上、和上次报价的差异有没有超过 15%。超过就停下来问人。

六步里，模型只在第四步和第五步真正出力——把工艺参数翻译成成本、把规则翻译成人话。前三步是查数据库，第六步是算术校验。

这就是 Harness 的本质：让模型干它擅长的，让代码干代码擅长的，中间用明确的接口接起来。

一个反例，很多人正在踩

有人会想：那我直接把报价单 PDF 丢给模型，让它告诉我哪里算错了，不更省事？

不省事，而且危险。模型读 PDF 里的表格，本来就容易串行错位；再加上它要同时做「读数据」和「算数」两件事，两件事的错误会叠加。它最后给你的那个「这里算错了」，很可能是它自己读错了行。

正确做法是三步分开：先把 PDF 转成结构化数据，用代码核对；再把差异列出来，让模型解释可能的原因；最后人来判断。模型负责解释，不负责计算。

这条界线，很多项目一开始就划错了。划错的代价是：前三个月效果惊艳，第四个月开始出错，第六个月没人敢用。

五、中国公司的优势，到底在哪三件事上

刘润说中国公司有优势，但他没细说优势是什么。这一段我试着补上。

我的判断是三个，按重要性排：场景密度、迭代速度、把微知识写进流程的能力。

第一件：场景密度

中国是全球唯一拥有联合国产业分类全部工业门类的国家——41 个工业大类、207 个中类、666 个小类。

这句话听起来像宣传口径，但对 AI 落地有非常实际的意义：模型要变聪明，需要大量真实的、带反馈的现场。而中国最不缺的就是现场。

具体到包装行业。你在珠三角找一个镇，方圆二十公里内能凑齐模具厂、纸浆厂、成型设备厂、印刷厂、物流车队、和一堆做同类产品的同行。这种密度意味着：一个新工艺从想法到试产，可能只要两周；一个新问题从出现到有人解决过，可能只要打三个电话。

AI 项目最怕的不是技术难，是「没人知道这个场景到底怎么运转」。场景密度高，这个信息差就小。

第二件：迭代速度

海外的企业软件，一个大版本按季度甚至按年算。中国的产品团队，很多是按周算。

这个差别在 AI 项目上被放大了。因为 AI 项目的前六个月，本质上是在做一件事：收集失败案例。你上线第一天不知道它会怎么错，第二周知道了三十种错法，第三周修掉二十种，第四周又冒出十种新的。

这个循环越快，项目活下来的概率越高。慢一个季度，团队就散了。

第三件：把微知识写进流程的能力

这是三件事里最难说清、也最值钱的一件。

刘润举了洁柔的例子。中顺洁柔的副总裁兼首席数字官杨森林讲过他们的做法：公司有两百多万个终端网点，过去靠业务员跑，跑不过来。他们用地图平台的脱敏数据，给每个店打了两百多个标签，然后用 AI 把这两百多个标签收敛成四个指标——客流量大、业态丰富度高、宝妈人群浓度高、本品份额低。四个指标同时满足的店，才是值得重点投的店。

这个案例里，最厉害的不是「用了 AI」，是「把两百个标签收敛成四个指标」这一步。

收敛靠的是业务判断：为什么是这四个，不是五个、不是六个？为什么宝妈浓度比客流量更重要？这是洁柔对纸品消费的理解，模型不知道，数据也不会自己长出来。

这就是我说的微知识——老师傅脑子里那些说不清、但一问就知道对不对的东西。把它挖出来、变成可执行的规则、再交给 AI 去跑，这件事中国公司确实更擅长。因为我们的企业里，还留着大量这样的人。

把这三件事放在一起看，你会发现它们有个共同点：都不在模型里。

它们分别在现场、在节奏、在人身上。这三样东西，买不到，只能长出来。

所以「舒适区」这个说法，准确的意思是：这场比赛的计分方式，正好偏向我们已经有的东西。不是我们已经赢了。

六、但「体验好」是 to C 的本事，to B 是另一套

刘润那段话里，有一句我信，有一句我要打个折。

信的是：国外那些类微信、类美团、类携程的 App，体验确实糙。页面老、广告多、流程绕，用起来像回到 2015 年。这个我认。

打折的是：把这种「体验优势」直接搬到企业软件上。因为 to C 的体验和 to B 的体验，根本不是同一种能力。

to C 为什么能做好：因为有即时反馈

中国消费互联网的体验之所以能磨到极致，靠的不是天赋，是三个条件凑齐了。

一是竞争密度。一个赛道同时有几十家在打，谁的产品差一点，用户第二天就走。二是反馈速度。日活、留存、点击率、下单转化，当天就能看到数字，第二天就能改一版。三是试错成本。灰度发布、A/B 测试，改错了回滚就行。

这三条加起来，形成一个高频的、低成本的、有明确信号的循环。在这种循环里磨十年，产品体验想不好都难。

to B 为什么难做好：三个条件全反了

企业软件的三个条件，正好是反的。

反馈慢。一个采购流程改造完，要跑三个月才知道有没有效。中间出了偏差，你甚至分不清是软件的问题还是人的问题。

决策链长。买软件的是老板，用软件的是车间主任，两个人的诉求经常是冲突的。老板要报表，主任要少填单子。你把界面做得再顺滑，主任该抵触还是抵触。

错误代价高。消费 App 的一个按钮点错了，大不了退回去。企业系统的一个字段错了，可能是发错一批货、算错一笔账、漏掉一次报关。这种场景下，用户对「智能」的容忍度极低，对「可控」的要求极高。

所以中国 SaaS 这十年，一直没真正做起来。不是不会写代码，是这套循环没跑通。

麦当劳那个例子，恰恰证明的是这一点

回到第一章。麦当劳不会做 App 吗？它的 App 在全球几十个国家跑着，体验不差。它缺的是把「点餐流程」这件事拆到能交给 AI 的程度。

得来速点餐这件事，藏着一堆没人写下来的微知识：老顾客的固定搭配、哪个时段哪些品会临时缺、遇到带小孩的家庭该怎么推荐、顾客说「老样子」的时候到底指哪一份。这些知识在店员的脑子里，不在系统里。

把 AI 塞进去，第一步不是接模型，是先把这些微知识挖出来。这一步做不完，模型再强也没用——它不知道「老样子」是什么。

这就是 to B 的真实门槛：不是界面好不好看，是业务流程能不能被完整地描述出来。

洁柔那个案例也一样。真正让项目成立的，不是 WorkBuddy 的界面，是把两百个标签收敛成四个指标的那次业务判断。如果那一步错了，工具再好，跑出来的也是一堆没人敢用的名单。

我判断：中国公司在 to C 上积累的体验能力，能迁移到 to B 的，大概只有三成。剩下的七成，得重新学——学怎么跟流程打交道，学怎么跟老师傅打交道，学怎么接受「三个月才见效」这件事。

这不是坏消息。因为这三成是真优势，而且海外同行连这三成都没有。但要认清它是三成，不是十成。

图 3　无尘车间里的协作机械臂：真正的难点不在机械臂，在它旁边那个人愿不愿意配合改流程

图片来源：公开素材图，仅作场景示意

七、模型真的接近极限了吗：把「通用」和「可靠」分开看

刘润说模型能力的提升已经接近极限。这句话我同意一半，不同意的另一半很重要。

先看数据。

公开榜单上，中文场景的分数确实挤在一起了

据 SuperCLUE 2026 年 9 月发布的中文大模型基准测试结果，Qwen3.8-Max-0902 综合得分 72.62，DeepSeek-V4.1-Flash 71.81，GLM-5.3 71.29，Kimi-K3 70.68。前四名挤在 2 分之内。

这个榜单有个必须说明的边界：国际模型没有参与统一排名，只作参考。所以它不能用来证明「中国模型已经追平」，只能说明「在中文任务上，国产模型之间的差距已经很小」。

但即使是这个有限的结论，也支持刘润的判断：在写文案、答问题、做总结这类通用任务上，头部模型之间的差别，普通用户已经感知不到。

再看用户规模。据 QuestMobile 2026 年第三季度数据，豆包月活 4.19 亿，通义千问 1.58 亿，DeepSeek 1.23 亿。办公类 Agent 整体月活 1.42 亿，同比增长 50.6%，其中 WorkBuddy 以 3235 万月活排第一。

四亿人用过，说明这东西确实跨过了「能用」这条线。

但「可靠」这条线，还在爬

通用能力进入平台期，不等于所有能力都进入平台期。

有一条线还在陡峭地往上走：长任务的可靠性。也就是「连续做三十步，中途不出错」的能力。

这两件事的难度完全不一样。回答一个问题，是一次推理。做完一件事，是三十次推理加上二十次工具调用，任何一次出错，全盘重来。

按前面那个概率算：单步 95%，三十步连乘是 21.5%。单步 99%，三十步是 74%。从 95% 到 99%，单步只提了 4 个点，长任务的成功率翻了三点五倍。

这就是为什么企业级应用和个人应用，感受到的「模型进步」完全不是一回事。

你在手机上让 AI 写个朋友圈，8 分模型和 9 分模型，你觉得差不多。你让 AI 跑完一个完整的报关流程，8 分和 9 分，是「能用」和「不敢用」的区别。

所以我的判断是：

消费级场景，模型能力确实接近极限了。企业级场景，还差得远。

这个区分很重要，因为它决定了中国公司的「舒适区」到底有多大。如果战场在消费级，那确实该松一口气。如果战场在企业级，那真正决定胜负的还是 Harness——而 Harness 这块，我们也才刚起步。

八、Claude 封号这件事，反过来证明了什么

刘润提到一个现象：Claude 对中国用户不友好，账号活不过一周，但依然有无数中国公司绕过限制去送钱。

这个现象值得往下挖一层，因为它能帮我们判断：那笔钱到底该不该花。

先说清楚封号这件事的规模

据公开披露，Anthropic 在 2026 年 1 月到 6 月，全球封禁了约 1140 万个账号，收到 39.8 万份申诉，其中只有 4.2 万份申诉成功。

更值得看的是它招股书里的一个数字：2026 年前九个月，有 5% 到 7% 的营收来自被公司认定为违规使用的客户，金额大约 16.5 亿到 23.1 亿美元。同期总营收约 330 亿美元。

5% 到 7%，这个比例说明一件事：违规使用不是个别现象，是结构性的。如果只是一小撮人钻空子，这个数字应该是 0.5%，不可能是 5%。

一家公司愿意主动放弃二三十亿美元的收入去封号，说明它把这件事看得比钱重。你可以不认同它的做法，但要承认它是认真的。

为什么明知被封还要用

因为 Claude Code 在长任务上确实稳。

稳在哪？不是它更聪明。写一段代码、解释一个概念，几个头部模型差别不大。稳在它能连续干四十分钟，中间不跑偏、不丢上下文、不瞎改文件。

这四十分钟，就是前面说的「长任务可靠性」。它恰好是企业级应用最在意的那条线。

但「稳」里面，有多少是模型，有多少是外壳

这是我最想让读者自己回答的一个问题。

Claude Code 有几个设计，跟模型本身没关系：

执行前先给你看要改哪些文件，等你确认。改的时候保留原文件，随时能回退。每一步操作都显示出来，不闷头跑。出错的时候，把完整的错误信息喂回去让它自己修。上下文快满了，自动压缩成摘要再继续。

这五件事，全是 Harness。

我的判断是：Claude Code 让人愿意付钱的那部分能力里，至少一半来自外壳，不是来自权重。

这个判断如果成立，那结论就很有意思了：

如果你缺的是模型能力，买它有用。如果你缺的是适配自己业务的外壳，买它没用。

因为它的外壳是为写代码设计的。你的业务是报价、排产、质检、报关，它的循环逻辑、工具集、校验规则，一条都用不上。

很多人花了钱，用得很爽，然后发现回到自己公司，什么也落不了地。原因就在这里：他买的是一把很好的螺丝刀，但他的活是拧螺母。

这笔钱不是白花——它至少让你知道了「好的 Agent 用起来是什么感觉」。这个体感很值钱，因为它给了你一个标准：知道自己做的东西差在哪。

但别把它当成解决方案。它是样品，不是产线。

九、落到包装行业：三个已经跑通的场景

前面八章讲的是判断。这一章讲能抄的作业。

我把公开报道里制造业 AI 落地的案例翻了一遍，挑出三个和包装最接近的场景。每个场景我都会说清楚：谁做的、数字是多少、你能不能抄。

场景一：排产——把「老师傅的直觉」变成可计算的约束

排产是包装厂最痛的一环。订单碎、交期急、模具要换、压机吨位要匹配，排得好坏全看计划员那几年经验。

公开报道里，联想把自己的智能体用在供应链排产上，订单交付周期从 38.4 天压到 7 天左右。海康威视桐庐工厂用 AI 优化换线，换线时间缩短约 50%。

这两个数字都是企业口径，不是第三方审计，看的时候要打个折。但它们指向的方向是对的：排产的瓶颈不是算力，是约束条件有没有被写清楚。

你能抄的部分：先把「这个单能不能接」的判断拆成五到八个硬条件——模具尺寸、压机吨位、干燥能力、交期余量、原料库存、客户信用。这六条写清楚，哪怕不用 AI，排产准确率也会立刻提升。写不清楚，上了 AI 也是把混乱自动化。

场景二：质检——AI 最容易被验证的地方

质检的好处是：对错立刻知道。这一批判错了，下一批就能发现。反馈快，就能迭代。

公开报道里，美的荆州工厂用 AI 做首件检验，时间从 15 分钟压到 30 秒。海康的包装工位用大模型做外观检测，准确率做到 99% 以上。

纸浆模塑的质检难点很具体：色差、毛边、厚度不均、湿变形、表面杂质。这些过去靠人眼看、手摸，现在用工业相机加视觉模型，在成型机出口装一套，成本已经降到中小厂能承受的区间。

你能抄的部分：别一上来就做全检。先挑一个缺陷类型——比如毛边——把这一类做到 95%，再扩到第二类。一次做五类，最后哪类都不准。

场景三：报价与打样——包装行业特有，也最被低估

前两个场景是通用制造业都有的。这一个只有包装有。

包装的特点是：SKU 极多、非标极多、一个客户一年能下几百个不同规格的单。每来一个新规格，业务员要问工艺、问模具、问成本、问交期，一圈下来两三天。

这个流程里，真正需要人的只有两处：判断这个规格工不工艺上做得出来，以及决定这个客户给什么价。剩下的全是查表、套公式、算成本。

这正是 Harness 最擅长的场景：把查表交给代码，把判断留给人，中间用模型做翻译——把客户那句「我要一个装六瓶酒、能进冷柜、要能堆五层」翻译成工艺参数。

我判断这个场景的投入产出比，比排产和质检都高。因为它不涉及生产安全，错了只是报价不准，可以人工复核；而且它直接省的是业务员的时间，老板能立刻看到效果。

这三个场景的共同点，和哪些场景先别碰

把三个场景放在一起看，会发现它们有四个共同点。

一，都有一个明确的对错标准。报价算错了就是错了，质检漏了就是漏了，不靠感觉。

二，都高频。每天都发生，做一次省一次，投入产出比算得出来。

三，都能人工兜底。AI 出错的时候，有人能补上，不至于造成不可挽回的损失。

四，都不直接对外承诺。报价单发出前有人看，检验报告出之前有人签。

反过来，有四类场景我建议先别碰。

第一类，涉及人身安全的。比如承重结构件的强度判定，AI 说合格，你敢签字吗？

第二类，直接对外承诺的。比如自动回复客户的交期承诺，一旦错了就是违约。

第三类，涉及资金支付的。自动付款、自动开票，出错就是真金白银。

第四类，规则本身还在变的。如果一个流程每三个月改一次规则，你刚把 AI 调准，规则又变了，投入全打水漂。

这四类不是永远不能做，是现在做性价比最低。等前面三类场景跑顺了，有了信任基础，再动它们。

图 4　车间里的生产数据看板：数据能上墙，是 AI 能进场的前提

图片来源：公开新闻图片，仅作场景示意

十、中小厂的现实路径：三步，别跳步

前面讲的都是别人的事。这一章讲你自己的事。

如果你是一家年产值几千万到几个亿的包装厂，没有 AI 团队，也没有几百万的预算，我给你一条三步的路。这三步不能跳，跳了就是白花钱。

第一步：让 AI 能读懂你的数据

这一步听起来最不像 AI，但它决定后面两步能不能走。

先做一个测试。你找一个车间主任，问他：这个产品的成本由哪几项构成？每一项大概多少钱？

如果他能在五分钟内说清楚，并且每一项都有据可查——恭喜，你的数据基础够了。

如果他说大概就是浆、电、人工，具体得问财务，那说明你的成本还在一团雾里。这种情况下上任何 AI，它给你的都是雾里的答案。

大部分包装厂卡在这一步，具体卡在三个地方：BOM 在某个人的 Excel 里，工艺参数在老师傅脑子里，客诉记录在业务员的微信里。

这三个地方的东西，得先搬到能查的地方。不用多高级，一个共享表格都行。这一步花的是时间，不是钱。

第二步：做一个单点闭环

数据能查了，挑一件事做透。选的标准有三条：

高频——每天都发生，做一次省一次。规则明确——对错能判断，不靠感觉。错了能兜底——出问题有人能补，不至于造成实际损失。

按这三条筛，包装厂最合适的起点是报价，其次是客诉归因，第三是模具寿命预测。

做的时候只有一个要求：连续两周，不用人改。

做不到连续两周，说明还没到可用，只是到了能演示。这两个状态的差距，比从零到演示还大。

第三步：才谈智能体

一个单点跑顺了，做第二个、第三个。攒够三个，再谈把它们串起来。

为什么不能反过来？因为串联的难度不是相加，是相乘。三个单点各 95%，串起来是 85.7%；三个各 80%，串起来只有 51.2%。单点都没做透就串联，最后得到的是一个看起来很唬人、但没人敢用的系统。

最常见的错误：直接买一套 AI 排产系统

这是我在行业里见得最多的死法。

逻辑很顺：排产最痛，市面上有现成的系统，买了就能用。

实际过程是：实施三个月，发现你的工艺路线和系统里的模型对不上；再改两个月，发现数据接口通不了；最后系统上线，计划员用了一周，退回 Excel，说还不如我自己排。

钱花了，人得罪了，项目黄了。然后老板得出一个结论：AI 都是骗人的。

不是 AI 骗人，是顺序错了。排产需要的数据，比报价多十倍。报价都跑不通，排产更不可能。

顺便给你五个问题，用来筛供应商

如果你正在被各种 AI 解决方案围着，这五个问题可以帮你筛掉一大半。

第一问：如果模型明天开始全错，你们怎么发现？

答不上来的，说明没有检查器。没有检查器的系统，等于没有刹车。

第二问：我的数据放在哪、谁能看、我要撤的时候怎么删？

答得含糊的，后面会有一堆麻烦。这一条不是技术问题，是责任问题。

第三问：出错的时候，谁负责，怎么回滚？

只会说我们准确率很高的，基本没想过出错。

第四问：三个月后，我用什么指标判断它有没有用？

说不出具体指标的，说明他自己也没想清楚要解决什么。

第五问：你们上一个客户，现在还在用吗？能不能给我联系方式？

这一问最狠。愿意给的，通常是真的做成了；绕开不答的，你心里就有数了。

十一、给你一把尺子：你在第几层

讲了这么多判断，你需要一把能量自己的尺子。

我按模型之外那一圈东西的完成度，把企业 AI 应用分成四层。这个分法不是学术分类，是项目里总结出来的，用来判断一个项目到底做到哪一步了。

第一层：提示词——把话说清楚

最低的一层。一个聊天框，一个模板，一段写好的提示词。

典型形态：客服话术生成、合同条款摘要、周报润色。

判断标准：关掉这个工具，你的工作方式有没有变化？如果没有，你就在第一层。

这一层的价值是真的，但天花板也很低。它省的是打字时间，不省流程时间。

第二层：工作流——固定路线，人在关键节点确认

把一件事拆成固定的几步，每一步要么是代码，要么是模型，中间有明确的交接和校验。

典型形态：报价单生成、客诉自动分类、来料检验报告。

判断标准：这件事是不是每天或每周固定发生，步骤是不是基本不变？如果是，第二层就够了，不需要往上走。

我要说一句可能得罪人的话：大部分包装厂需要的，就是第二层。

市面上卖给你的智能体，很多其实是第二层套了个壳。这不一定是坏事——第二层稳定、可控、好维护，出错能查。坏的是你按第三层的价格，买了第二层的东西。

第三层：智能体——自己决定下一步做什么

给它一个目标，它自己规划路径、调用工具、遇到问题自己换方法。

典型形态：一个能自己查资料、自己算、自己写、自己校验的分析助手。

判断标准：任务的路径是不是每次都不同？如果每次都一样，用第二层更省钱。

这一层的成本，通常是第二层的三到五倍。因为你要处理它可能走错路的所有情况。

第四层：多智能体——几个角色分工协作

一个负责查、一个负责算、一个负责审、一个负责写。互相校验，最后由人拍板。

典型形态：复杂项目的投标文件生成、跨部门的数据核对。

判断标准：这件事是不是需要三种以上不同专业视角？如果不是，多智能体只会增加出错面。

这一层我建议大部分企业先别碰。它的问题不是技术，是出了错算谁的这件事说不清。

十二、判断：接下来两年，谁会被淘汰

最后说结论。

我的判断是：接下来两年，被淘汰的不是不用 AI 的企业，是用了 AI、但只用了聊天框的企业。

因为聊天框解决的是我知道点什么，解决不了我少干点什么。前者不改变成本结构，后者才改。

有三个信号，你可以拿来对照自己。

信号一：你的 AI 只在老板来的时候打开

这是最典型的症状。项目上线了，有账号，有界面，但日常没人用。只在汇报、参观、评审的时候打开演示一遍。

原因通常是：它解决的问题不是日常最痛的那个。它解决的是老板关心的问题，不是干活的人关心的问题。

信号二：你的 AI 出错之后，没人说得清是谁的责任

AI 给了一个错的报价，业务员照着发出去了，客户投诉。谁的责任？

如果答案是业务员没核对，那你的 Harness 缺检查器。如果答案是不知道，那你的项目还没有真正的负责人。

一个没有明确责任人的 AI 项目，活不过一年。因为出错是必然的，没人负责就意味着每次出错都在消耗信任，直到信任耗尽。

信号三：你说不清它帮谁省了多少时间

这是最硬的一条。

不要说提升了效率、优化了流程。要说：报价岗原来一天出三个价，现在出十个；质检原来三个人看，现在一个人加一套设备；客诉归因原来两天，现在两小时。

说不出来，说明这个项目还没有产生可测量的价值。没有可测量的价值，下一个预算周期就会被砍掉。

回到刘润那句话

他说不必焦虑，我认同。模型能力的差距确实在缩小，而且缩小的速度比很多人想的快。

但不必焦虑不等于可以等。

舒适区的意思是：这场比赛的计分方式，偏向我们已经有的东西——离业务近、能改流程、愿意磨细节。

舒适区不是躺平区。舒适区是你在这个区里干活，比在别的区里干活更容易出结果，不是你在这个区里不干活也能赢。

那 15% 的窟窿，麦当劳用了三年没补上，最后选择退回人工。它退回得对——因为它算清了补窟窿的成本。

你现在要算的，是同一笔账。

算清楚了，就知道该从哪一步开始。算不清楚，花多少钱都是试错费。

常见问题

问：我们厂规模不大，是不是先等等，等 AI 成熟了再上？

答：等不划算。成熟的是模型，不成熟的是你的数据和流程。模型可以等，数据和流程只能自己长。等三年，模型又进步一代，你的数据还在一团雾里，差距只会更大。

问：Harness 听起来很贵，中小厂怎么算这笔账？

答：别按上系统算，按省一个人的时间算。一个业务员一天报三个价，做到一天报十个，一年省下来的是两百多个工作日。按这个口径算，很多项目一年内就能回本。反过来，如果算不出这个数，说明选错了场景。

问：买大厂的 AI 产品，还是自己找人搭？

答：看你的流程是不是标准的。财务、人事、通用质检，这些流程全行业差不多，买产品。报价、排产、打样，这些流程每家有每家的规矩，买来的产品一定不合身，得自己搭外壳。判断标准很简单：如果换个厂也能用同一套流程，就是标准的；如果只有你们厂这么干，就是非标的。

问：刘润说不用焦虑，那我现在到底该做什么？

答：三件事。把成本结构数字化，让每一项都能查；挑一个高频低风险的场景做透，做到连续两周不用人改；给这个项目配一个能拍板的人，别让它挂在 IT 部门下面自生自灭。这三件事做完，再谈智能体。

信息来源

1. 刘润公众号 2026 年 11 月 5 日发布的关于 AI 进入中国人舒适区的观点，本文多处引用其公式与判断。

2. 麦当劳与 IBM 合作终止：麦当劳 2024 年 6 月内部通知及 CNBC、Restaurant Business 等媒体报道，语音识别准确率约 85% 为其公开表述。

3. Anthropic 账号封禁与营收结构：Anthropic 2026 年公开披露及招股书文件，2026 年 1 至 6 月封禁约 1140 万账号，39.8 万份申诉中 4.2 万份成功。

4. 中文大模型评测：SuperCLUE 2026 年 9 月中文大模型基准测试结果，国际模型未参与统一排名，仅作参考。

5. 用户规模：QuestMobile 2026 年第三季度 AI 应用数据。

6. Agent 与 Harness 的工程定义：OpenAI 2026 年 2 月工程博客。

7. 同一模型不同 harness 的分数差异：Terminal-Bench 2.1 评测结果。

8. 制造业 AI 案例：联想、海康威视、美的相关公开报道，数据为企业口径，未经第三方审计。

9. 洁柔终端网点案例：中顺洁柔副总裁兼首席数字官杨森林公开演讲，经刘润引用；刘润 2026 年度演讲由腾讯 WorkBuddy 冠名。

几点说明

一、本文引用的所有企业数字，均为企业公开口径，未经独立审计。看的时候请当作方向参考，不要当作精确值。

二、刘润的观点在本文中有引用、有认同、也有补充和保留。保留的部分集中在第六章和第七章，那是我的判断，不是他的原意，请不要把两者混在一起引用。

三、文中提到的一些失败案例做了匿名化处理，不指向具体企业。行业里这类事很常见，写成具体名字对谁都没好处。

四、配图均来自公开渠道，仅作场景示意，不代表文中提到的具体企业或门店。

#AI落地 #智能体 #Harness #工程化 #刘润 #大模型 #中国AI #纸浆模塑 #包装行业 #制造业数字化 #麦当劳 #Claude #数字化转型 #中小企业

广州华工环源绿色包装技术股份有限公司，近三十载专注于纸浆模塑成套技术及生产线的研发、制造，为行业提供全方位的整体解决方案。凭借着专业的工艺技术、强大的产品开发能力、配套的模具技术和制造支持，健全的设备制造、安装、培训、售前和售后服务组织架构体系，以及近三十年的行业经验积累，确保华工环源为客户提供高性价比的优良产品和全方位的满意服务。赢得了越来越多客户的认可与信赖，成为了全球纸浆模塑行业重要的设备和制品供应商之一。 华工环源为全球有志于投身环保事业的朋友提供一流的产品和服务。 官网：www.pulpmoldingchina.cn

设计可持续包装不单只是使用环保或回收材料而已，还须具备能让使用者立即停下来思考的创意美学。在消费者选购产品的过程中，商品包装必须在几秒钟内赢得其青睐并引发省思，因此整体包装得让消费者一眼就觉得它美观、安全且对环境友善。若设计师能成功将这些讯息整合到包装设计中，商品自然会在竞争激烈的超市卖场与电商中脱颖而出。

图文来自网络，不代表包装部落立场，如有侵权，通知删除。

欢迎大家关注IPFM植物纤维模塑展会，一起交流植物纤维模塑在奢侈品、电商缓冲、外卖包装、家具用品、家具和通用护角、以及电子类、化妆品类、医用类的前景，以及其他纸浆模塑制品的市场潜力、前景和发力点。

欢迎大家加入纸浆模塑万人群，交流、探讨、研究、学习植物纤维模塑新技术、新工艺、新装备、新材料、新设计，结交植物纤维模塑领域的老前辈、新朋友。您的分享转发，让更多人了解、使用、推荐纸浆模塑或者植物纤维模塑，为孩子留下一片绿！

微信推送规则改变，需点赞和在看建立深度阅读关系，谢谢！