本来想写一个26年上半年AI圈的大事盘点，harness、loop、FDE、DeepSeek融资、Claude Fable5...

但回顾完所有的新闻，我看到了一个趋势：

AI正在进入现实世界，完成真实的工作。

这个趋势将决定和AI有关的钱和机会将会流向哪里。

在正文开始之前，我想要提一下去年我看到的一个反直觉的事情：

2025 年，MIT 的报告《State of AI in Business 2025》说，约 95% 的企业引入生成式 AI，没有产生任何可见的经济回报。

同一时期，2024 年诺贝尔经济学奖得主、MIT 的阿西莫格鲁（Daron Acemoglu）测算，未来十年 AI 对全要素生产率的拉动顶多 0.5% 到 0.7%，对经济的影响小到几乎可以忽略。

一边是「AI 要取代人类」喊得震天响，许多人也开始使用AI提高自己的工作效率，可AI对于经济的影响还不太能看见。

为什么？

01跨越数字世界与现实世界的鸿沟

其实MIT那份报告已经把原因写清楚了：模型和实际工作之间有一道鸿沟。

如果你在网页中用过 AI，你肯定知道AI没有记忆、不会适应场景、也不会随业务一起成长。

对于企业来说，AI对于已有的工作流程、文档、项目背景也一无所知。

而且要改造工作流程，企业内部也会有阻力。

因此，AI只是“纸上谈兵”，根本没法在真实的工作环境里落地。

解决方案就藏在最近很火的两个概念里：Harness 和 FDE。

Harness 补全技术，FDE帮助落地。

harness engineering：驾驭AI

harness 直译挽具，是驾驭马的工具，比如缰绳、马镫。harness engineering 顾名思义，就是一整套驾驭 AI 的方法和框架，目标是让 AI 按照人们预期的要求，稳定交付有价值的工作成果。

具体而言，harness 就是给模型外面装上几样它本来没有的东西：

1.记忆，让模型记得住上次聊到哪、这个项目的来龙去脉。

2.工具调用和权限，让它能去查数据库、改文档、发邮件。

3.上下文管理，保证AI每一步都看到该看的资料。

4.可复用的技能(skill)，把「审合同」「写文档」这种活，固化成它随时能调的标准动作。

所有这些合起来形成一套系统，模型才从一个「会聊天的大脑」，成长为一个能在真实流程里干活的系统。

_{AI 工程的三个阶段}

• 2022 到 2024年，prompt engineering（提示词工程）：如何向 AI 提问。
• 2025年，context engineering（上下文工程）：如何管理 AI 该看到的信息。
• 2026年，harness engineering（挽具工程）：如何怎么驾驭 AI，让它真正变成生产力。

前两个阶段的重心都在「怎么跟模型说话」，第三阶段开始关注「模型周围那套系统怎么搭」，才能让AI少出错完成任务。

有一句总结很到位，「Agent = model + harness」。

Claude Code、Codex、WorkBuddy 这些你听过的产品，都是 harness engineering 的具体体现。

FDE：把AI带进生产环境

_{OpenAI 官网正在招聘的 Forward Deployed Engineer（前沿部署工程师）岗位}

FDE（Forward Deployed Engineer），中文叫前沿部署工程师。

如果说 harness 是让 AI 在产品里干活，FDE 就是把这一套能干活的 AI，落实到企业的真实业务场景里。

早在 2000 年，Palantir 就创造了FDE这个岗位。

众所周知，Palantir 的主要业务是用大数据给美国情报机构做咨询服务，他们的产品没法打包交付、装好走人，只能派工程师钻进客户内部，一边搞懂业务，一边在对方的系统里把方案搭出来。

AI的处境和上面说的情况比较类似。每家公司的业务流程都完全不同，想要把AI部署进生产环境，需要为每一家公司提供定制化服务。

于是， Anthropic(5 月 4 日)：联手黑石、高盛、Hellman & Friedman,约 15 亿美元，成立 AI 原生的企业服务公司，把工程师 + Claude 嵌进中型企业核心流程，公开说就是来抢麦肯锡这类咨询生意的。

OpenAI(5 月 11 日)：成立 The Deployment Company（部署公司），连麦肯锡、贝恩、凯捷这类传统咨询公司都成了投资人。

两家AI巨头都明说要把自己的工程师派进客户公司，把AI部署进真实的工作环境。

02 AI的地缘鸿沟

数字世界和现实世界之间的鸿沟相对会比较容易填上，但是另一道鸿沟已经横亘在中国和美国这两个超级AI大国之间。

美国：把最强模型锁进白名单

6 月 9 日，Anthropic 发布迄今最强的 Fable 5；6 月 12 日，美国商务部致函，要求禁止外国公民使用；6 月 13 日全面下架，前后四天，连 Anthropic 自家的外籍员工都被一并切断。6 月 26 日，OpenAI 发布最强的 GPT-5.6，干脆只发给美国政府批准的约 20 家公司。半个月内，普通用户能接触到的两个最强模型，一个被下架，一个进了白名单。最强的前沿闭源模型，正在从商业产品变成战略物资，能不能用上它，越来越是国籍和政治问题。

要把外国人挡在门外，光下架还不够，平台还要知道每个用户是谁。Anthropic 6 月更新隐私政策，7 月 8 日起可要求 Claude 消费版用户（Free / Pro / Max）提交政府证件、实时自拍和人脸扫描，交给 KYC 公司 Persona 处理，4 月中旬已经小范围试过；OpenAI 更早，2025 年 4 月就对 API 上的高级模型上了机构实名。匿名用最先进 AI 的时代即将结束。想用最强的模型，先得证明你是谁、是哪国人。

中国：叫停 Meta 收购 Manus

墙不是只有美国在砌。

2025 年 12 月底，Meta 决定以超过 20 亿美元买下 Manus（原蝴蝶效应 Butterfly Effect），这是 Manus 走红全球后第一次卖身，也是 Meta 史上第三大并购。

Manus 当时已经把总部迁到新加坡，从注册地算，已经是一家「外国公司」。

但中国监管没看它注册在哪。2026 年 1 月商务部启动评估调查，3 月发改委约谈双方高管，4 月 27 日，国家发改委外商投资安全审查办公室正式叫停交易，要求撤销已经完成的收购。

审查关心的是技术从哪来：Manus 的核心团队、研发能力、训练数据和知识产权，是怎么从境内一步步转到境外的。

到 6 月，Meta 开始解除运营、停止和 Manus 共享数据，当初的中国投资人正打算按原价把公司买回来。

这是中国《外商投资安全审查办法》2020 年实施以来，第一次在 AI 领域叫停外资收购。

美国怕最强的模型流出去，中国怕最强的 AI 团队流出去。一个不让模型出境，一个不让公司出境，两个超级大国正在互相关门。

两国在AI领域的竞争趋于白热化。

03 国产大模型正在发力，逐渐跨过可用门槛

DeepSeek 融资完成，harness 团队招兵买马

6 月 DeepSeek 完成了成立以来第一轮外部融资，规模约 500 亿元，投后估值跃升到约 4000 亿元。出钱的阵容很说明问题：创始人梁文锋个人出资约 200 亿，腾讯以 100 亿成为最大外部投资方，宁德时代约 50 亿，网易、京东、IDG、国家大基金等跟投。一家一向对外说「不缺钱、不融资」的公司，这次松了口。

融来的钱主要有两个用途。一是自建算力。为了训练万亿参数级的下一代 V4 模型，DeepSeek 跑到内蒙古乌兰察布建超大规模智算中心，规模从 MW 级一路规划到 GW 级，还专门新设了「IDC 设计规划工程师」，开出月薪 3 万招人去草原「守机房」。二是给员工的期权一个明确的定价，留住核心的研发人员。

6 月 25 日晚，DeepSeek 在官方公众号挂出成立以来规模最大的一次公开招聘。

除了常见的算法和深度学习研究员，这次招人最多的几类是：全栈开发、AI 核心系统研发、运维（含数据中心)、模型数据策略产品经理，外加一个新设的「AI 跨界技术人才」。

再往前数，3 月DS已经放过约 17 个 Agent 岗，工作描述上写明「重度用过 Claude Code、Cursor 优先」；5 月又挂出了过去根本不存在的「Agent Harness 研发工程师」和「Harness 产品经理」。把这些岗位连起来看，DeepSeek 要的已经不止是训练模型的天才，而是能把模型搭成可用产品、能让它稳定跑在自建算力上、能驾驭 agent 干活的全栈队伍。

模型本身已经不再是钱和人的唯一去处。真金白银和最好的工程师，正一起推动「让AI进入现实世界，完成真实的工作」。

GLM-5.2 发布，能力直逼最强闭源模型 Claude

6 月 13 日，智谱发布 GLM-5.2，6 月 16 到 17 日以 MIT 协议开源。这是个 7440 亿参数的模型，开源、可免费商用，价格只有 Opus 的五分之一左右。

跑分上它直接冲进前排：在第三方评测机构 Artificial Analysis 的智能指数（Intelligence Index）上拿到 51 分，是目前分数最高的开源模型，全球总榜排第四，只落后 Claude Fable 5、Claude Opus 和 GPT-5.5 这三个闭源模型。

按实验室算，智谱已经是仅次于 Anthropic 和 OpenAI 的世界第三。单项里它也很硬，Terminal-Bench 拿下 81.0，是第一个突破 80 的开源模型，前端设计的 Design Arena 一度反超 Fable 5。

在实际使用中，GLM展现出来较好的审美，以及较强的Coding能力。

_{Artificial Analysis 智能指数：GLM-5.2 是分数最高的开源模型，全球总榜第四}

这波跑分还引出一场隔空交锋。6 月 18 日，有人在 X 上问马斯克，中国什么时候能拿出对标 Fable 5 的模型，马斯克说「大概要到 2027 年第一季度」。

智谱联合创始人、首席科学家唐杰当场回了一句「用不了那么久」，底气正是刚开源的 GLM-5.2。这条回复让智谱港股当天盘中一度涨了 42%。

然而马斯克回复也令人深思：中国模型在跑分上追上来不难，难的是让模型完成真实的工作，并真正转化成商业收入。

四、几点总结

1. AI 落地会是今年的主题

回头看这半年，最确定的一件事，是行业的重心正从「把模型做得更强」，转移到到「让模型真正干活」。harness 给模型补上记忆、工具和权限，FDE 把它送进一家家公司的真实流程，OpenAI 和 Anthropic 在同一个月先后成立专做落地的公司，把工程师连同模型一起派进客户的业务里。模型还会继续变强，但今年真正的战场，在落地这一侧。MIT 那份报告里 95% 没见到回报的企业，模型早就够强了，差的只是有人把它接进现实。

2. 国产模型值得关注

国产模型这半年真的跨过了「可用」这条线。GLM-5.2 开源、免费商用、价格只有 Opus 的五分之一，跑分冲到全球第四；DeepSeek 第一次对外融资 500 亿，转身就去内蒙古自建算力、成倍扩招。结合上一节看，这一点格外要紧：当最强的闭源模型被锁进白名单、按国籍发放，一个够用、开源、用得起的国产模型，就成了普通人和中小公司实实在在的退路。你不一定用得上全世界最强的那个，但你大概率能用上一个「够干活」的。

3. AI 对人提出了更高的要求

最近很火的loop engineering本来不想写，因为这个概念炒作远远大于实质，但这个概念对人提出了更高的要求。

loop engineering 实质上就是1.设定清晰的目标。2.设定明确的验收的标准。3.利用Claude Code、Codex这样的Agent平台的一些功能，比如loop、goal、定时任务、skill、记忆等 4.让AI自检、优化逐步达成最初设定的目标。

其中没有任何东西是新的。

但与此同时，loop engineering 实际上暴露了于AI协作最重要的要求：

1.能够针对你的工作任务设定清晰的目标。

2.能够知道做成什么样才算是好的。

这两个要求反映出来的是，要想最有效的使用AI，必须成为你所在领域的专家。

只有你足够了解你的专业领域，你才能设定清晰的标准和明确的验收标准，否则只会浪费token。

把这半年发生的事放到一起看，结论其实很简单。

在整个 AI 链条上，训练基础模型的门槛高的可怕，而且正在成为国家竞争的主战场，绝大多数人无法染指。

但模型以外的每一层都是敞开的：怎么驾驭 AI，怎么把它搭进自己的工作流，怎么让它真正落到生产里干活。

这些才是大多数人都能抓住的机会。

🌟感谢你看我的文章。

👏欢迎点赞关注。