2026 年 3 月 28 日随笔
今天看完林俊旸那篇From "Reasoning" Thinking to "Agentic" Thinking，我最大的感受是:
未来训练的对象，可能不再只是模型本身，而是模型与环境构成的整个系统。
这件事很容易被理解成一场新的技术路线之争——当下火热的Harness派和底模派。所以到底是继续做更强的底模，还是继续做更复杂的 harness engineering？
我希望换一个角度来切入：
能力，到底该长在系统内部，还是接在系统外部？
为了讲清楚这个问题，我们先用一种不那么严谨、但足够直观的方式来看 Agent 系统。
在我看来，所谓 Agent 系统，可以粗暴理解成一句话:
把 AI 塞进原有系统。
这里的“原有系统”，本质上是一套按照规则构建起来的流水线: 输入、处理、输出，分支怎么走，异常怎么处理，绝大部分都提前写死。早期很多语音助手之所以常被调侃成“人工智障”，本质上就是因为它们虽然能响应，但并不真的理解，也不具备在复杂场景里做动态判断的能力。
解决方案也很“简单”，我们把人“塞进”系统不就好了？显而易见，这是不现实的，但是AI出现了。
Agent 的关键变化就在于，原本这套纯规则驱动的系统，中间被嵌进了一个可以做语义理解、局部决策、甚至调用外部工具的模型。它不是物理意义上的“塞进去”，而是作为函数、节点、策略模块，被不断调度和调用。于是，一个原本很死板的系统，开始在局部拥有了一点“像人一样处理问题”的能力。
如果继续拆下去，一个 Agent 系统大致可以分成两部分:
一部分是 模型，负责理解、推理、生成；
另一部分通常可被称为 Harness，它是模型之外的一切，包括 workflow、tool use、memory、状态管理、规则约束、反馈回路，甚至 multi-agent 里的协作结构。
如果套一个更贴近日常感受的比喻，模型 更像脑子，Harness 更像工具、流程和外部系统。
或者说，模型 更像内化能力，Harness 更像外挂能力。
这样一来，最近大家讨论 harness 派和底模派，表面看是在争技术路线，底层其实是在争一件更朴素的事:
一套系统真正的能力，究竟应该“学进来”，还是“接上去”。
个人视角来看，过去这段时间，大多数真正能落地的 Agent 系统，其实都高度依赖 harness。原因很现实: 目前的模型，还远没有强到可以把所有能力都内化进去。
所以我们才会看到 tool calling、MCP、skills、memory、各种 orchestrator 不断冒出来。它们在形式上各不相同，但本质上都在做同一件事:
把原本不属于模型本体的能力，以外挂的形式组织起来，让它看上去像是模型自己的能力。
举个最简单的例子。用户问“今天上海天气怎么样”，一个 Agent 系统表面上会给你一种“AI 自己会查天气”的感觉；但实际上，它往往只是模型先判断“这个问题需要外部信息”，再调用天气 API，然后把结果组织成自然语言返回。也就是说，能力本身并没有真的长在模型里，它只是被 Harness 包装得更像内化能力了。
如果只停留在这一步，那讨论还只是“外挂能力怎么接得更好”。但林俊旸这篇文章里真正让我在意的地方，是他其实把“训练对象”往前推了一步。
训练决定了模型真正内化了哪些能力。从 reasoning thinking 到 agentic thinking，变化不只是“让模型想得更久”，而是让模型学会在与环境交互的过程中持续行动、持续修正。用更粗糙但直观的话说，过去训练更多是在教模型学“结果”，而现在，训练开始越来越多地触碰“过程”: 如何规划、如何调用工具、如何根据外部反馈调整策略、如何在长链路任务里保持连贯。
这意味着，原本更多待在 harness 里的那部分能力，开始有机会逐步进入训练目标本身。不是说 harness 明天就会消失，也不是说 Agent 会被简单“训进模型”；更准确的说法是，模型正在尝试内化一部分原本只能外挂的过程能力和环境交互能力。
如果从这个角度看，harness 派和底模派其实不是简单对立，而更像同一条演化链上的前后两环。harness 先在外部把能力搭出来，形成流程、工具接口、状态流转和反馈机制；这些东西又在运行中产生轨迹、数据和约束，反过来成为下一轮训练可以利用的材料；而模型一旦变强，外部系统又可以继续搭得更复杂、更大胆。
我认为：模型和Harness更像是一种交替接力，甚至可以说是一种对立统一。
某种意义上，Agent 的发展，就是在不断搬运“能力边界”: 哪些能力还必须外挂，哪些能力已经值得内化。
如果再往前想一步，multi-agent、sub-agent 其实也可以放进这条链路里理解。一开始，我们让模型学会和网页、数据库、终端、API 这些环境交互；而当 Agent 自己开始成为环境的一部分时，新的问题就出现了: 一个 Agent 能不能调用另一个 Agent，能不能把另一个 Agent 当作协作节点、分工模块，甚至是自己的外部能力？
从这个意义上说，multi-agent 很像是 Agent 又学会了和“由 Agent 创造出来的新环境”继续交互。
而这个过程还会持续产生新的数据、轨迹和反馈，再反过来提升下一轮 Agent 的能力。于是它的增长方式就很像复利: 更强的 Agent 创造更复杂的环境，更复杂的环境又在加速更强 Agent 的出现。
如果文章只写到这里，它依然只是技术文章，甚至我这个技术菜鸟写下的片面，可能存在大量错误的“读后感”。
但我真正觉得更有意思的，当我把这个结构反过来，我看到的是当下的我们——即“人”。
因为当模型在努力把外挂能力内化时，人却在做一件几乎相反的事:
把自己原本可能需要内化的能力，越来越自然地外挂给模型。
写代码，先问模型；查资料，先问模型；做方案，也先问模型。
这本身当然没什么可指责的。人类一直都在发明外挂，纸笔、计算器、搜索引擎、IDE，本来就是外挂能力的延伸。问题不在于你有没有外挂，而在于:
你只是调用了它，还是最终把它变成了你自己的能力？
如果你只是会用，它就仍然只是外挂；只有当你开始理解它背后的工作方式，能迁移它、判断它、重新组织它，它才会慢慢从外挂变成你的能力。
大家在焦虑、在恐慌、在吐槽：“搞大模型的都是码奸！砸了兄弟们的饭碗！”
但我却越来越觉得，在 Agent 时代真正值得我关注的，不只是“模型会不会取代人”，而是:
当模型在把 harness 学进身体里时，人有没有把新环境下，新的工作方式内化给自己？
比如，如何拆任务，如何设计流程，如何与模型协作，如何判断什么时候该放手让模型发挥，什么时候必须加规则，如何验证结果而不是把“能输出”误当成“已完成”。这些东西，如果只是临场借力，它们还是外挂；但如果你真的掌握了，它们就会变成一种新的、跨工具的工作素养。
再回到最开始那个问题，Agent 表面上讨论的是技术路线，但在一个切面上，可以理解为“能力应该待在哪里”。而这个问题一旦成立，它就不会只指向模型，也会反过来指向我们自己。
人其实天生就具备一件模型正在努力学习的事: 与环境交互，并在交互中不断内化新的能力。
我们给模型接上工具、流程和反馈回路，让它开始改造环境；而 Agent 的出现，又反过来创造了一个新的环境。既然如此，人真正该做的，可能不是站在旁边焦虑“它会不会替代我”，而是接受这个新环境已经出现，并主动把其中新的工作方式、新的能力结构，再次内化给自己。
这可能也是为什么现在越来越多人开始谈 AI Native，企业开始大刀阔斧用AI改革。表面上看，像是在学新工具；但更深一点看，其实是在学一种新的能力组织方式。过去你也许只需要把前后端、架构、工程实现做好；现在你还要学会如何与模型协作，如何把任务分解给系统，如何设计人和 Agent 的分工，如何在新的环境里继续成长。
就像复利所产生的巨大力量一般，模型的发展速度也必将持续爆炸。至于未来到底会走到哪一步，现在的我也根本无法详细。Agent 会不会把更多流程内化进模型？人类会不会把更多思考外包给系统？岗位会怎样重组？人现在转向AI应用，可最后该向哪个方向转型？这些问题对于今天的我，其实都没有确定答案。
但我觉得或许这也没关系。
最近看到一句话：车灯只能照亮前方 50 米，但你依然可以开完全程。
真正重要的，也许不是你现在就知道终点在哪，而是每往前 50 米，你有没有把新的“路况”、新的工具、新的工作方式，慢慢内化成自己的能力。
所以在那一天真正到来之前，比起只盯着“模型会变得多强”，我会问我自己:
当能力边界不断移动时，你自己的能力，准备长在哪里？