AI Agent工程概念演进与产业价值重构 - 2022年底至2024年，行业焦点是提示词工程，通过优化指令提升模型输出[5] - 2025年6月，Shopify CEO提出上下文工程，关注为模型提供恰到好处的上下文信息[5] - 2025年11月，Anthropic提出harness概念，旨在通过上下文管理、工具调用等方法提升agent运行时间和成功率[5] - 2026年2月，HashiCorp联合创始人提出harness engineering，OpenAI和Anthropic随后发布相关研究，使其成为agent圈新共识[5] - 约一个月后，硅谷出现新观点“Harness将死，未来属于environment engineering”，认为应重构环境接口而非依赖复杂harness[6] - 这些概念快速更迭的核心，是在探讨AI Native时代新兴公司应如何构建长期价值与壁垒[6] 环境工程的杠杆价值与局限 - 底层模型正“基建化”，OpenAI等将重试机制、JSON格式约束等复杂功能简化为API参数，使仅封装基础逻辑的套壳框架被降维打击[10] - Anthropic实验证明，在高度结构化的数字环境中，agent表现远超在真实终端的混乱环境，表明重塑环境接口收益可能大于打磨驾驭工程[11] - 环境工程在代码开发、本地文件管理等天然数字化且高度结构化的场景中收益可观[17] - 在传统商业场景中，环境工程面临“隐性知识与遗留系统”的挑战，如文档不全的ERP系统、非结构化的邮件和经验知识，重构成本与难度极高[19] - 商业世界惯性大，企业难以轻易为适配agent而重构运行多年的核心业务系统，因此环境工程是局部、垂直的，难成统一标准平台[19] 驾驭工程作为控制平面与策略层的核心价值 - 大语言模型是基于概率的非确定性系统，而真实商业世界要求确定性结果，这构成了根本的工程悖论[15] - 企业需要可观测性、成本与路由网关、系统级容错等，这些商业铁律决定了harness的本质是复杂系统的“控制平面”与“策略层”，而非简单的中间件[15] - API可以包揽工具调用、记忆存储等“机制”，但无法替代“策略”，如触发降级方案、动态切分任务、解决多Agent决策冲突、保证行业合规性等[16] - 在概率与确定性的鸿沟之间，harness是agent的方向盘，更是防止AI系统在商业环境中造成灾难的“安全气囊与刹车”[16] - 一个基座模型在粗糙脚本驱动下，面对复杂任务成功率可能只有20%，但在深度优化的harness驱动下，成功率可跃升至70%以上[24] - Devin、Cursor等项目的核心壁垒正在于其harness系统，包含了精密的任务规划、代码执行与沙箱、持续学习与反思等逻辑[24] AI产业价值演进的三阶段模型 - 第一阶段：模型为王：时间约为2023-2025年，是AI的“蛮荒时代”，AI应用能力约等于模型能力，模型厂拥有最高话语权[21][22] - 第二阶段：Harness为王：时间约为2025-2028年，当前正处初期，价值公式演变为“AI应用能力 = 模型能力 × Harness效率”，竞争焦点从“谁的模型更强”转向“谁的控制层更优”[23][24][25] - 第三阶段：数据与环境为王：时间在2028年之后，当模型成为基础设施、harness系统标准化后，终极能力公式为“AI终极能力 = (模型能力 × Harness效率) (数据 × 环境)”，核心竞争力在于将模型和控制层深度嵌入真实业务场景并重构环境[26] - 环境工程是提前押注第三阶段，最强大的AI系统将能重构环境交互接口，并利用产生的闭环数据微调模型和优化Harness决策逻辑，形成自我进化闭环[26] - 微软Microsoft 365 Copilot是范例，其orchestrator是面向办公场景的标准化Harness系统，在结构化环境中调度模型，用户反馈形成闭环数据反哺系统优化[27] 对AI创业公司的战略启示 - 当下及未来2～3年，做深特定领域的Harness系统架构是有价值的创业切入点[30] - 类比云计算时代，AWS吞掉底层技术，但Datadog和Snowflake因掌握“运营控制层”而成长为千亿巨头，这同样是AI时代的财富密码[30] - 环境工程是长期目标而非短期捷径，应提前布局但不可幻想一步到位[30] - 今天构建的强大harness，是未来撬动环境改造、构建数据飞轮的唯一杠杆[30] - 公司应将注定成为基础设施的基础工作交给模型厂，不应在注定基建化的地方建名存实亡的壁垒[28] - 在新概念浪潮中形成原生世界观，并扎进去把该做的事做到最好，是当前最值得做的事情[30]