Agent 下半場的隱秘戰(zhàn)爭發(fā)生在 Harness 調(diào)度層

國產(chǎn)模型的價(jià)值，正在從單點(diǎn)能力轉(zhuǎn)向組合能力

文 | 王熠

在 DRACO 最近做的一項(xiàng)評測中，一組數(shù)據(jù)引起了行業(yè)注意。

這是一個(gè)公開基準(zhǔn)測試，包含 100 道高難度的研究與分析任務(wù)。開源 Agent 框架 OpenSquilla 0.5.0 把 DeepSeek、GLM、Kimi、Qwen 四個(gè)國產(chǎn)模型組織成并行提案架構(gòu)，再由一個(gè)模型聚合輸出。

結(jié)果顯示，這套全國產(chǎn)陣容取得了 60.85 的質(zhì)量分，略高于最新旗艦?zāi)Ｐ?Fable5 的 59.80。單任務(wù)平均成本約為后者的1/3，分別為 0.39 美元和 1.21 美元。

在另一組對比中，這套多模型集成方案相較單跑的 Claude Opus 4.8 和 GPT-5.5，質(zhì)量分更高，成本降低約 86%~92%。

這組數(shù)據(jù)真正提出的問題是，復(fù)雜任務(wù)是否還需要默認(rèn)交給單一最強(qiáng)模型。

過去兩年，大模型競爭主要圍繞基礎(chǔ)模型展開，模型能力、上下文長度和榜單表現(xiàn)最受關(guān)注。進(jìn)入應(yīng)用層，一項(xiàng)任務(wù)往往要經(jīng)過多輪執(zhí)行，模型怎么選、如何協(xié)作、結(jié)果怎么驗(yàn)證、失敗后怎么恢復(fù)，都會(huì)影響最終質(zhì)量和成本。

模型本身當(dāng)然重要，模型如何被組織起來，也開始變得同樣重要。

01. 被忽視的 Harness

要理解這個(gè)變化，需要先拆開 Agent 的基本結(jié)構(gòu)。行業(yè)常用這個(gè)公式來表達(dá)Agent和Harness的關(guān)系——Agent = Base Models + Harness。

也就是基礎(chǔ)模型提供語言理解、推理、代碼生成、工具使用等能力，Harness 負(fù)責(zé)把這些能力接入具體流程，讓輸出可執(zhí)行、可觀察、可驗(yàn)證。

如果說模型提供能力，Harness 負(fù)責(zé)的是使用能力的方式。它包括上下文管理、執(zhí)行控制、工具調(diào)用、輸出驗(yàn)證、失敗恢復(fù)，也包括多個(gè)模型之間的協(xié)作安排。一個(gè)模型單獨(dú)調(diào)用時(shí)，只是在回答問題；進(jìn)入 Harness 之后，它才被放進(jìn)一套完整的工作流。

Harness 的價(jià)值并不只是工程包裝。

基元律動(dòng)團(tuán)隊(duì)此前在 Claw-SWE-Bench 研究中提到，同一個(gè)模型在不同 Harness 配置下，任務(wù)完成率最多可以相差 27.4 個(gè)百分點(diǎn)。也就是說，不換模型，只調(diào)整外圍執(zhí)行框架，最終結(jié)果就可能出現(xiàn)接近三成的差異。

放到日常場景里，這個(gè)差異會(huì)被放大。

在很多任務(wù)中，模型調(diào)用很少停留在一次問答。系統(tǒng)需要理解任務(wù)、拆解步驟、檢索資料、調(diào)用工具，再完成驗(yàn)證和修正。中間任何一個(gè)環(huán)節(jié)不穩(wěn)，最終交付都會(huì)受到影響。

單純把所有任務(wù)交給最貴模型，曾經(jīng)是一個(gè)省心選擇。復(fù)雜任務(wù)怕失敗，就默認(rèn)調(diào)用旗艦?zāi)Ｐ停缓唵稳蝿?wù)也混在里面，一樣消耗高價(jià)算力。賬單越來越高，結(jié)果仍然不完全可控。

模型數(shù)量增加之后，選擇標(biāo)準(zhǔn)也變了。不同模型開始形成各自側(cè)重，要解決的不只是選最強(qiáng)模型，還要在具體步驟里匹配合適的模型。

這正是 Harness 所要做的事情。它不參與基礎(chǔ)模型競爭，卻決定模型如何被調(diào)度、互補(bǔ)和驗(yàn)證，最后能否形成穩(wěn)定交付。

02. OpenSquilla 0.5.0，把模型組織成一支隊(duì)伍

OpenSquilla 0.5.0 Preview 和同步發(fā)布的《Agentic Routing》技術(shù)報(bào)告，把這套思路應(yīng)用到了具體產(chǎn)品上。

OpenSquilla 不是新的大模型，而是一套開源、可本地托管的 Agent 運(yùn)行框架。它不訓(xùn)練基礎(chǔ)模型，主要做模型之上的調(diào)度和組織。

Agentic Routing 可以理解為步驟級模型路由。傳統(tǒng)路由通常只在請求進(jìn)入時(shí)做一次判斷，系統(tǒng)根據(jù)用戶問題選擇一個(gè)模型。Agentic Routing 的判斷發(fā)生在 Agent 執(zhí)行過程中，每一步都會(huì)根據(jù)當(dāng)前狀態(tài)重新選擇模型。

簡單工具調(diào)用，輕量模型就能處理；復(fù)雜推理、長上下文歸納或代碼生成，則可能需要更強(qiáng)模型參與。有些步驟還會(huì)同時(shí)調(diào)用多個(gè)模型，讓它們并行給出方案，再由系統(tǒng)聚合。

0.5.0 的核心能力是多模型集成協(xié)作。

在這套機(jī)制里，四個(gè)國產(chǎn)模型被放在并行提案位置上，各自獨(dú)立完成搜索、推理和答案生成。第五個(gè)模型負(fù)責(zé)聚合，綜合多個(gè)候選答案后形成最終輸出。

這套方法并不神秘，它處理的是單模型執(zhí)行時(shí)常見的信息盲區(qū)。

單個(gè)模型查資料，容易漏掉關(guān)鍵信息源；處理復(fù)雜約束時(shí)，也可能顧此失彼。多模型并行探索，相當(dāng)于讓幾個(gè)能力結(jié)構(gòu)不同的模型從不同角度做補(bǔ)位，再通過聚合降低單一模型失誤帶來的影響。

OpenSquilla 團(tuán)隊(duì)在 DRACO 評測中列了幾組對比。

在跨文化電商結(jié)賬流程任務(wù)里，單模型漏掉了 Rakuten 平臺的確認(rèn)機(jī)制和 30 分鐘取消窗口，多模型集成方案把這些平臺細(xì)節(jié)補(bǔ)了進(jìn)來。

在 AI 代碼補(bǔ)全的用戶體驗(yàn)分析中，單模型把調(diào)試和功能開發(fā)的觸發(fā)策略說反了，多模型方案給出的交互策略和時(shí)延預(yù)算更準(zhǔn)確。

在澳洲熱泵烘干機(jī)比較任務(wù)里，單模型沒有完整覆蓋各機(jī)型的容量參數(shù)，多模型方案給出的比較維度更完整。

這幾組對比說明，單模型在復(fù)雜任務(wù)中容易留下盲區(qū)。多模型并行提案再聚合，可以補(bǔ)足部分細(xì)節(jié)，也讓結(jié)果更穩(wěn)。

值得一提的是，OpenSquilla 0.5.0 并非突然轉(zhuǎn)向多模型集成。往前看，它前面幾個(gè)版本一直在圍繞模型調(diào)度、工作流編排和結(jié)果驗(yàn)證做迭代：

v0.1.0 做智能路由，把簡單任務(wù)交給更低成本的模型；v0.3.0 做 MetaSkill 自組織工作流，讓 Agent 按任務(wù)目標(biāo)編排子任務(wù)；v0.4.0 引入可驗(yàn)證編碼和簽名桌面版，把代碼生成放進(jìn)可執(zhí)行驗(yàn)證流程。到了 v0.5.0，多模型集成被放進(jìn) Harness 層。

幾次更新一路延續(xù)下來，目標(biāo)都很清楚，就是讓模型調(diào)用更可控、成本更低、結(jié)果更穩(wěn)定。

03. 國產(chǎn)模型的價(jià)值，正在從單點(diǎn)能力轉(zhuǎn)向組合能力

OpenSquilla 0.5.0 的 DRACO 結(jié)果，本身只是一個(gè)階段性觀察。它的意義在于提供了一個(gè)切口，讓人看到兩件事正在同時(shí)發(fā)生。國產(chǎn)模型能力在分化，模型組織方法也在成熟。

先看模型。

在 DRACO 單模型評測中，DeepSeek V4 Pro 得分 50.32，Qwen 3.7 得分 49.34，GLM-5.2 得分 48.28，和 Fable5 的 59.80 仍有差距。單模型層面，它們還談不上追平旗艦?zāi)Ｐ汀?/p>

但國產(chǎn)模型的角色已經(jīng)變了。它們不再只是低價(jià)替代品，開始在不同任務(wù)類型中形成各自側(cè)重。單個(gè)模型未必全面勝出，放進(jìn)一套合理的組織框架里，組合價(jià)值會(huì)被放大。

再看組織方法。

以 Agentic Routing 為代表的路由機(jī)制，已經(jīng)從“按問題選模型”，推進(jìn)到“按執(zhí)行狀態(tài)調(diào)度模型”。在 Agent 場景里，系統(tǒng)要看任務(wù)走到了哪一步、風(fēng)險(xiǎn)是否升高、是否需要驗(yàn)證或恢復(fù)，再?zèng)Q定下一步該調(diào)用哪個(gè)模型。

OpenSquilla 的路由設(shè)計(jì)包含四層，從復(fù)雜度過濾、任務(wù)類型分類，到上下文狀態(tài)識別，再到最終模型排序。關(guān)鍵不在于某個(gè)具體算法，而在于路由開始理解任務(wù)所處的執(zhí)行狀態(tài)。

同一個(gè)任務(wù)，在不同階段需要的模型可能不同。前期拆解可以用低成本模型，遇到復(fù)雜證據(jù)恢復(fù)時(shí)再切換到更合適的模型；驗(yàn)證失敗后，也可以讓更強(qiáng)模型介入修正。路由判斷的對象不再只是用戶問題本身，是任務(wù)執(zhí)行到當(dāng)前階段之后的狀態(tài)。

每一次路由決策還會(huì)留下執(zhí)行數(shù)據(jù)，包括模型選擇、結(jié)果和成本。這些數(shù)據(jù)會(huì)繼續(xù)反哺路由器，也可能訓(xùn)練更適合在 Harness 中運(yùn)行的本地模型。路由越準(zhǔn)，同樣預(yù)算下能執(zhí)行的任務(wù)越多，系統(tǒng)后續(xù)優(yōu)化的空間也越大。

OpenSquilla 0.5.0 的表現(xiàn)說明，當(dāng)模型池足夠豐富、調(diào)度系統(tǒng)足夠精細(xì)，復(fù)雜任務(wù)就不一定要默認(rèn)交給最貴模型。

04. Agent 最終要回到交付

使用 AI，最終衡量的是交付結(jié)果。

一個(gè) Agent 能否進(jìn)入真實(shí)工作流，取決于任務(wù)能否完成、結(jié)果能否驗(yàn)證和成本能否覆蓋這幾個(gè)基本條件。過去很多項(xiàng)目不是模型做不了，是規(guī)模化之后成本算不過來。

OpenSquilla 0.5.0 代表的思路，是把成本控制從簡單降配，推進(jìn)到能力匹配。

簡單降配只是把貴的模型換成便宜模型，結(jié)果往往不穩(wěn)定。能力匹配要解決的是，哪些步驟必須調(diào)用強(qiáng)模型，哪些步驟可以交給輕量模型，哪些場景需要多模型協(xié)作。它追求在成本和質(zhì)量之間找到平衡點(diǎn)。

在這套邏輯里，降本就是減少不必要的高價(jià)調(diào)用。復(fù)雜任務(wù)也不必始終依賴單個(gè)旗艦?zāi)Ｐ停灰Ｐ徒M合、執(zhí)行狀態(tài)和驗(yàn)證機(jī)制設(shè)計(jì)得當(dāng)，一組成本更低的模型，也可能在部分任務(wù)中取得接近甚至更好的結(jié)果。

當(dāng)模型使用成本可以通過系統(tǒng)工程壓縮，一些原本“ROI 算不過來”的項(xiàng)目，才有重新評估的空間。使用者未必關(guān)心系統(tǒng)背后調(diào)用了多少模型，也未必關(guān)心某個(gè)單模型的榜單排名。它們更關(guān)心同樣預(yù)算下，系統(tǒng)能穩(wěn)定完成多少任務(wù)，出錯(cuò)后能否恢復(fù)，最終結(jié)果能否交付。

因此，AI 行業(yè)的效率紅利，正在從基礎(chǔ)模型一側(cè)，延伸到模型組織和執(zhí)行框架一側(cè)。

DRACO 上的 100 道任務(wù)只是一個(gè)切片，不能替代真實(shí)生產(chǎn)環(huán)境，也不能替代長期驗(yàn)證。但它提醒行業(yè)，復(fù)雜任務(wù)不一定只有等待更強(qiáng)模型這一條路徑。把現(xiàn)有模型組織得更細(xì)致、更穩(wěn)、更便宜，同樣是一條值得投入的路徑。