同样用一个模型，为什么有的厂商的 agent 更好用？
同一个模型、同样的预算，半年后两家厂商的 agent 差距却越拉越大。文章借 LangChain 创始人 Harrison 的分享拆开 harness 这一层：工具、治理、上下文与基础设施，解释为什么管得住比选对模型更决定成败。
假设有两家企业，用的是同一个大模型，同一天接入，花的钱也差不多。半年以后，一家的 agent（能自己调用工具、自己完成任务的 AI）每天在生产环境里干活，另一家的还停在演示阶段，一碰到真实用户就出错。
差别出在哪里，LangChain 的联合创始人兼 CEO Harrison Chase 在伦敦的 Interrupt 大会开场时，用一整场的Time回答了这个难题。他的答案很直接：模型只是中间那一块，让 agent 真正管用的，是围在它外面的整个操作系统。这个系统里装的是你自己的行业知识，所以他觉得每家厂商都应该把它握在自己手里，也就是他反复强调的 own your intelligence。
下面我顺着这topics线，把他讲的信息重新理了一遍：为什么要拥有，拥有的到底是什么，怎样才算拥有，以及 LangChain 为此做了哪些东西。
同一个模型，agent 有的能上线有的不能，差别在模型外面
先看这几年是怎么走过来的。2023 年 LangChain 刚起步，大家做的是 agent 原型，什么都新，什么都在试。2024 年，应用开始上线，但都比较简单，一次模型调用，几次调用串起来，或者一个聊天机器人。2025 年，人们才第一次认真探索 agent。到了今年，agent 在App层真正活了过来，各个垂直行业都有人在做。
这些 agent 有一个共同点。中间当然是大模型（LLM），可让它们能用的，是模型周围的那一圈东西，包括技能、工具、上下文、各种控制和治理。Harrison 举了三家企业。monday.com 搭了一套靠测评（eval，用来衡量 agent 答得好不好）不断反馈的循环，一点点把 agent 改好。Harvey 针对专门的任务微调模型，所以它靠的也不只是模型，还有一整套微调的体系。Orange 做了一个专用的 harness（包在模型外面的运行框架，决定模型能用什么工具、按什么规则干活），里面带着治理。
这三个例子放在一起，我看到的是同一件事：换成哪个模型，在它们的故事里都不是重点。每家机构都在模型外面加了自己才有的东西，有的是评测标准，有的是微调数据，有的是Scopes规则。这些东西别人拿不走，也抄不来，因为它们来自公司对自己业务的了解。既然差别出在这一层，接下来的问题就是，这一层应该归谁。
拥有自己的智能化，是把General模型变成自己行业的专家
Harrison 对 own your intelligence 的解释很具体。你拿到一个General的模型，围着它搭一套系统，让它在你熟悉的领域里真的好用。这个从General变成专用的过程，就是专业化，发生在三个地方：模型层、harness 层、上下文层。把这三层的专业化握在自己手里，在他看来就是拥有自己的智能。
他看到三个风向在推着大家往这个方向走。第一是开销。AI 工具被用得越来越多，费用跟着涨，如果整个 agent 系统不在自己的控制之下，费用很容易GA控。第二是开放模型越来越多，NVIDIA、Kimi、DeepSeek 都放出了性能不错的开放权重模型，用起来更便宜，还可以在上面继续训练，让它更专。第三是数字的作用，他看来这是最大的推动力：你带来的统计结果、上下文和知识，决定了一个垂直商品和直接去用 ChatGPT 或 Claude 有什么不同。
我看来这里最容易被误会的，是“拥有”两个字。听上去像是每家企业都要自己训练一个模型，其实不是。Harrison 讲的拥有，是你能决定用哪个模型、规则怎么执行、哪些知识放GF去，而且这些决定不会被某一家供应商限制住。训练模型只是其中一种做法，More厂商真正拥有的，是自己那一套实测标准和工作方式。这样想，门槛就没有那么高了，也更接近他的判断：每家厂商都应该做到。
那具体怎样才算拥有，他给了三topics标准。
怎样才算真正拥有，要同时做到开放、会积累、管得住
第一topics是开放，对象有三样：模型、harness 和上下文。模型开放，指的不只是用开放权重的模型，更是可以自由选择，哪个最好、最快、最便宜、最适合你的领域，就用哪个。harness 要开放，也要能控制，因为让General模型按你的方式做事，靠的就是在 harness 里设规则，如果它调不动，这些规则就设不GF去，开源是做到可控的一个好办法。上下文可以来自任何地方，已有的数字源、各种Endpoint、慢慢攒下来的记忆，harness 要能接得上所有这些Source。
第二topics是会积累。第一版 agent 做出来不难，但它几乎不可能直接面对几百万客户。所以 agent 的能力要随着时段越变越强，可以靠人用观测工具发现状况再去改，也可以靠记忆让它自己攒经验。第三topics是管得住，这对厂商内部的 agent 尤其关键：它代表谁在做事，每跑一次花多少钱，现在到底发生了什么，这些都得有答案。Harrison 认为 agent 会大幅改变企业的运转方式，正因为如此，治理必须跟上。
这三topics里，我觉得最容易被低估的是第二topics。开放和治理，都是搭好一次就能立住的结构，会积累却是一个持续的过程，需要有人每天去看、去改。至于这个过程要怎么组织，他接下来讲到了人、流程和技术三件事。
做这件事要人、流程和技术手段一起动，最关键的是转得快的循环
想让公司往这个方向走，没有哪一件事能单独做成。先说人，他认为需要三圈人。最里面是核心的生成式 AI Draw台团队，他们是 agent 专家，Loss责把工艺搭起来，也常常定好流程给其他人用。中间是各个业务部门的 agent 工程师，把这些技术手段手段落到具体的场景里。最外面是不写代码的人。Harrison 特别强调这一圈，因为在一个领域里什么叫做得好，什么叫做得不好，往往是他们最清楚。
流程的核心是迭代。班底做出一个版本，很快测试，很快发给一小批用户，盯着它的表现，再把学到的东西带回去改。他把这个反复转起来的循环叫 flywheel（飞轮），并且觉得交付 agent 做得最好的队伍，都是把这个循环转得最快的。技术则分成三层：运行时，也就是怎么搭建、怎么部署 agent; 观测与评测，让你看见 agent 在做什么、做得好不好; 以及最近新加的一层，智能化，让 agent 帮着做一部分原本要人来做的改GF工作。
这个分法有一个好处，它把“谁来做”和“做什么”对上了。领域专家定义好坏，工程师把好坏写成代码，Draw台团队保证底下稳。LangChain 在这三层技术上各做了什么，我先从最底下的运行时说起。
agent 要从自己的电脑搬到云端，运行这一层得有人替你搭好
Harrison 把一个 agent 看成三层叠起来：最上面是业务逻辑，中间是 harness，最下面是基础设施。业务逻辑包括指令、工具、技能，还有用来修改 harness 的钩子，这是 LangChain 永远给不了的，只有懂行的人才写得出来。harness 则是模型周围所有把它接到外部统计结果、计算、上下文和业务逻辑上的东西。
Generate poster / share QR code
