这两年 AI Agent 领域有一条默认的叙事主线：模型决定一切。上下文窗口多长、推理步数几步、基准榜上几分，构成了一块不断刷新的军备竞赛记分牌。Agent 产品不好用？“等下一代模型就好了”——这句话几乎成了工程投入不足时最顺手的挡箭牌。
英伟达最近的一项研究，在这条叙事线上撕开了一道口子。据 TechCrunch 报道，英伟达的研究表明：即便基础模型本身并不擅长某项任务，只要配合得当的微调与外围工程，Agent 依然可以把任务做得有声有色，而且不会“跑偏失控”。报道的标题说得更直白——如今真正的英雄是 harness，而不是 AI 模型。
harness：既是马具，也是脚手架
harness 的本义是马具：一套皮带与挽具，负责把马的原始力量转化为可控、可用的拉力。在软件工程语境里，它指围绕模型搭建的整套执行框架——工具调用与重试逻辑、上下文的压缩与检索、权限边界与沙箱隔离、错误恢复机制，以及最容易被忽视的一环：评估与回归测试体系。
模型负责“能不能”，马具负责“稳不稳、敢不敢放出去跑”。这层区分并不新鲜，但长期以来，业界注意力几乎全押在前者身上。
微调做了什么
这项研究里最值得咀嚼的细节，是“不失控”这一点。
Agent 落地时最让工程师头疼的，往往不是任务做不出来，而是做着做着就跑偏：陷入死循环、幻觉出不存在的工具、对文件系统做越权操作。传统解法是加提示词、加护栏、换更强的模型。而英伟达的结论指出一条更经济的路径：通过针对性微调，把“任务边界在哪里、出错时如何收场”这些约定，从提示词层面的临时叮嘱固化到权重层面的肌肉记忆里。模型不必是最聪明的，但可以是训练有素的。
换句话说，马具与马之间的界线本身就是流动的——一部分“马具”可以通过微调内化进模型。这也是为什么研究的功劳簿上，主角的位置发生了移动。
业界早有伏笔
平心而论，这个结论并非凭空出现。Anthropic 的 Claude Code 团队在多次公开分享中都提过，Agent 可靠性的大头藏在模型之外的工程细节里；开源社区里各类 Agent 框架的快速迭代——工具编排、会话状态管理、失败恢复——本质上都是在打磨越来越精细的马具。英伟达这项工作的价值，在于用更系统的方式把这套散落的行业经验验证了一遍，并且给出了一个不太好听但很重要的推论：模型能力的边际差距，正在被工程层的差距迅速抹平。
对开发者意味着什么
其一，不必 all in 最强模型。 在任务明确、边界清晰的场景里，“中等模型 + 好马具”的组合，很可能比“顶级模型 + 裸奔”更便宜也更稳。这对预算有限的中型团队是个实打实的利好。
其二，Agent 工程师的价值被重新定价。 过去被视为“给模型打杂”的外围工程——沙箱、重试、状态机、评估集——正式从配套角色升为主战场。会写提示词不算本事，会搭一套让平庸模型稳定交付的马具才算。
其三，评测的意义发生位移。 当工程层可以显著改写最终表现，通用基准分数与产品体验之间的相关性就会持续走低。真正值钱的评估，是围绕自己业务场景构建的私有测试集：你的马具好不好，只有你自己的赛道说了算。
一点保留
当然，结论不宜推向另一个极端。模型能力依然是地基——马具再精良，也造不出一匹马；前沿模型在长程推理与复杂泛化上的优势，仍是工程手段难以完全替代的。这项研究真正的启示在于：当主流模型的能力普遍跨过“够用”门槛之后，竞争的重心正在从模型层移向工程层。
对做产品的团队来说，这或许是个久违的好消息——你不必每次都守着模型厂商的发布会过日子。你的手艺，就长在自己的代码库里。