先講一句：呢篇唔會叫你裝任何嘢。Google 喺 10 月 9 日開源咗一個叫 Harness² 嘅研究框架，重點唔係「又一個更強嘅 AI 模型」，而係一句更值得記住嘅話：你想個 agent 做得好，唔一定要換模型，改佢周圍嘅設定就得。
「Harness」即係咩？用一個比喻
想像你請咗個師傅。師傅本身嘅手藝就係「模型」。但佢做成點，仲取決於其他嘢：你點同佢講要求、畀咩工具佢、佢記唔記得你之前講過咩、邊啲位唔准佢自己決定、有咩事要問你。
呢一堆「師傅以外嘅東西」，就係 harness。業界叫法唔重要，你只要記住：harness 係決定 agent 行為嘅外殼，模型只係引擎。
同一個引擎，配唔同嘅變速箱同底盤，出來嘅表現可以差好遠。呢個就係 Harness² 想證明嘅事。
佢改嘅係 8 個檔案
研究團隊將 harness 拆成 8 個可以直接編輯嘅檔案：
系統提示（角色、語氣、界線）
護欄（唔准做咩）
記憶（跨對話記得咩）
工具說明（幾時用邊個工具）
子代理（分工）
技能（可重用的做法）
腳本
插件（中間件）
模型嘅權重完全凍結，一個參數都冇訓練。改嘅就係上面呢 8 樣。
佢點知改完係好咗？
呢部分係成篇論文最實際嘅位。佢用一個叫 Propose–Probe–Compose 嘅流程：
Propose：先提出兩個改法——一個針對普遍弱點，一個針對眼前呢個任務
Probe：兩個改法都真係落場跑同一個任務，同原本嘅表現比較
Compose：只保留「行為上真係有改善」嘅改動，其餘丟掉
關鍵係：唔需要標準答案。因為大部分真實工作根本冇答案表可以對。判斷標準係「改完之後行為有冇變好」，唔係「有冇答中」。
仲有第二層：每次做完，佢會將經驗寫入一個經驗庫，下個任務再參考。官方測試顯示，抽走呢個經驗庫，分數由 77.5 跌到 74.4——即係「累積經驗」呢部分真係有用，唔係裝飾。
官方數字（我未實測，以下係論文自己報嘅）
GLM-5 配 OpenCode：64.2 → 75.7（WorkBuddy-Bench，+11.5）
同一組合喺 LAB 基準：59.6 → 71.4（+11.8 個百分點）
四個「模型＋harness」組合，喺三個基準上全部有改善
代價：每個任務大約要跑 4 次 agent（基準一次、兩個測試各一次、最後一次）
即係話，唔換模型、唔重新訓練，單靠調整外殼，可以有雙位數改善。但成本係四倍運算——呢條數要記住，唔係免費升級。
對你嘅實際意思
一、你個 chatbot 好唔好，模型只佔一部分
大部分人買 AI 客服時，第一個問題係「你用邊個模型」。呢個問題唔錯，但唔夠。同一個模型，護欄設得好唔好、知識庫乾唔乾淨、有冇記憶、幾時轉真人——呢啲位嘅差距，往往大過換模型。
二、唔使追模型版本
如果你嘅流程、界線、知識庫都寫得亂，換幾次模型都唔會突然變好。反過來，一個普通模型配清楚嘅設定，往往穩定過一個強模型配亂七八糟嘅指示。
三、買嘅時候問呢三條
你點設「唔答」嘅範圍？
對話會唔會留紀錄？留幾久？邊個睇得到？
邊啲情況一定會轉真人？
答得出呢三條嘅供應商，通常真係做過落地項目。
唔好照抄落 production 嘅原因
老實講，呢個係研究 code，唔係產品：
版本 0.1.0，README 明講唔係 Google 官方支援產品
綁 Vertex AI，環境要 Linux + Python 3.12／3.13 + uv
官方自己提醒：執行環境嘅網絡權限冇限制，要自己隔離先用
部分基準（例如 JobBench 配 Codex）改善幅度只有 1 點幾，唔算顯著
所以正確用法係「借佢嘅思路」，唔係「搬佢嘅 code」。思路係：把 agent 嘅外殼當成可以版本化、可以測試、可以逐步改嘅東西——好似你改網站文案一樣。
我哋點睇
呢個方向同我哋一直做嘅事一致：AI 專案嘅成敗，多數唔在模型，而在「有冇人寫清楚規則、有冇人睇住、出事追唔追得返」。所以我哋做 chatbot，寧願花時間同你定界線，都唔會用「最新模型」做賣點。
如果你想知你而家個 chatbot（或者打算做嗰個）嘅設定夠唔夠穩，可以約 30 分鐘免費諮詢。價目表公開喺報價頁。