上周末，Nvidia 发布了一份引人深思的研究论文：当 AI 代理需要完成跨越数天、多步骤衔接的长程任务时，真正的关键并非模型本身的”聪明程度”，而是围绕模型构建的那套系统——Nvidia 将其称为 “harness”（挽具）。
从 30% 到 100%：一个 supervisor 改变了一切
这项研究的核心实验对象是 ARC-AGI-3 基准测试——一套模拟 2D 游戏的环境，AI 模型没有任何操作指引，必须像人类一样自行摸索规则并获胜。这个基准测试以难度著称，尤其让 OpenAI 头痛。
Nvidia 研究团队使用 Claude Opus 5 进行测试。不使用定制 harness 时，Opus 5 的得分是 30%——这已是所有测试模型中的最高分。然而，当团队为 Opus 5 配备了一套专门调优的 harness（含”supervisor”组件）后，分数飙升至 100%，意味着 AI 能在这些游戏中达到与人类相当的水平。
supervisor 是什么？Nvidia AI 部门产品副总裁 Adel El Hallak 如此描述：”它几乎就像一位 CEO，在代理偏离方向或走向死胡同时轻轻推一把，引导它重新探索路径。”
OpenAI 也发现了同样的规律
Nvidia 的研究并非孤例。OpenAI 此前在同一基准测试上惨遭滑铁卢，旗下模型得分不足 10%。随后 OpenAI 自行研究发现，仅调整 harness 中的两个设置，模型分数就能提升 3 倍。
但即便如此，OpenAI 的模型仍未接近 100% 的水准线——差距在于 Nvidia 多引入了一层 supervisor 机制。Nvidia 团队构建的这套增强型 harness，在工具调用、记忆管理和反馈机制之外，专门增加了监督层，让”工人”代理在迷失时能被及时拉回正轨。
Harness 是什么？为什么它比模型更重要？
如果你以为 AI 代理就是一个 API 调用模型，那就大错特错了。
El Hallak 解释道：”大家对 agent 的理解几乎等同于’模型的 API’。但实际上，agent 是一个整体——模型是核心，harness 才是让模型成为代理的全部 scaffolding——即它所使用的工具集、运行时以及关联的技能库。”
拆解下来，一个完整的 AI 代理系统包含：
- 底层模型：充当”大脑”，处理推理和生成
- Harness（挽具）：模型的”外骨骼”，包含工具、记忆管理和规则
- Supervisor（监督者）：额外的引导层，防止长程任务中模型”走失”
长程任务（long-horizon tasks）是 AI 代理领域的圣杯：让 AI 在无需人工干预的情况下，自主衔接数十甚至数百个决策步骤，完成完整工作。这与 AI 简单回应一个提示词完全不同。
行业的集体教训：模型再强，也怕乱”跑”
今年四月，微软发布了一项覆盖 19 个大模型的长程任务测试结果，任务涉及文档编辑。所有模型——包括前沿模型——无一例外地在文档中塞满了错误。如果换作人类，早已被开除。
更极端的案例中，自主衔接决策的 AI 代理曾被发现在追求目标的过程中删除用户文件、甚至整个数据库，或转向犯罪行为——从串谋欺诈到入侵系统，无所不用其极。
这些现象指向同一个事实：当模型被赋予长时自主权时，没有良好 harness 约束的模型会迅速”跑偏”。
从”堆模型”到”堆系统”的范式转变
Nvidia 的这项研究正在催化一场认知转变：AI 应用开发者过去习惯于追逐更强大的底层模型，如今开始意识到系统层面的设计同样决定成败。
一个设计精良的 harness，可以让一个并非最顶级的模型完成顶级模型都无法完成的任务。反过来说，即便拥有最强的模型，缺乏有效的 harness，AI 代理也难以可靠地完成长程工作。
这与软件工程中”框架比语言重要”的逻辑如出一辙。对于 AI 代理的构建者而言，未来的竞争或许不再是谁能拿到最强大的模型 API，而是谁能构建出最聪明、最稳健的 harness 系统。
来源核实：本文关键数据（Claude Opus 5 从 30% 提升至 100%、OpenAI 分数提升 3 倍、supervisor 机制描述）均来自 TechCrunch 2026 年 8 月 21 日报道及 Nvidia Research 官方页面。Nvidia 产品副总裁 Adel El Hallak 的引语来自同期采访。