作者：vivo 互联网项目团队- Jiang Zuohan
本文以"大模型不是马，而是大脑"为核心视角，重新定义 AI 系统结构，指出当前问题不在模型能力，而在 Agent 作为"身体"的不成熟，分析感知、行动、反馈与调度等工程缺陷，并将 Harness 类系统比作 ICU 的生命维持机制，强调当下混乱源于最佳实践尚未收敛，认为当前阶段本质是"不会用工具"的早期，人类正在通过实践逐步定义 AI 的正确使用方式。
大模型不是马，是大脑，而且是一颗刚刚觉醒的大脑。
1分钟看图掌握核心要点👇
一、先扔掉"大模型是马，Harness 是马鞍"这个比喻
最近 Harness Engineering 很火，随之而来的一个比喻也开始流传，即"大模型是马，Harness 是马鞍"。
这个比喻并不准确。
马的特点是有独立意志，需要驯服、约束、引导，骑手与马之间本质上是对抗与协商的关系。但 AI 系统并不是这样构建的。我们不会通过"驯服"模型来获得能力，也不会通过"抽一鞭子"让模型更听话。
更关键的是，这个比喻隐含了一个前提，即大模型是原始、笨重、需要约束的对象。但事实恰恰相反。大模型是这几年出现过最复杂的智能器官之一，它更像大脑，而不是牲畜。
如果必须给出一个更接近现实的比喻，那么大模型更像大脑，而 Agent 更像身体。
这个比喻的好处在于，它能更好地解释当前 AI 系统真正的问题：问题不在于"大脑不够聪明"，而在于"身体还没有发育完整"。
二、AI 的发展，更像一次大脑先于身体的超速进化
从更大的时间尺度来看，生命并不是先有大脑，再有身体，而是二者长期协同进化。
从最初的应激反应，到神经节，到更复杂的感知系统，再到真正支持推理与规划的大脑皮层，生命用了极长时间才完成这条演化路径。与此同时，眼睛、耳朵、四肢、神经系统也在同步演进。
身体并不是大脑的容器，而是大脑感知世界、作用世界的基础设施。
人类技术的发展也具有类似特征。
农业社会的演进以千年计，工业革命以百年计，信息时代以几十年计。直到最近十几年，技术演进的速度突然发生了变化。
城市让信息密度上升，网络让信息流动突破地理限制，导航、推荐、即时通讯等系统，则将大量"高频认知动作"沉淀为可直接调用的最佳实践。
从这个角度看，AI 并不是简单的工具升级，而是一次更大规模的认知能力爆炸。
从 2012 年 AlexNet 到今天，短短十几年，AI 已经完成了从识别、理解、生成，到多模态处理、代码生成、工具调用的一整轮跨越。2016 年 AlphaGo 击败李世石，2017 年击败柯洁，就是一个非常清晰的分水岭：这意味着"脑子已经亮了"。
此后的模型演进则更加剧烈。ChatGPT、GPT-4、Claude、Gemini 等模型快速迭代，聊天对话框、代码解释器、API 调用、工作流、多 Agent 协作等生态也同步出现。
从表面看，AI 好像已经拥有了眼睛、耳朵、手和脚。
但问题在于，这些器官虽然存在，却远未形成成熟、稳定、协调的身体系统。
三、当前 Agent 系统的核心问题，是身体没有长好
如果说大模型是大脑，那么当前很多 Agent 系统最真实的状态，就是"大脑发育过快，但身体还处于早产儿阶段"。
这个问题主要体现在四个方面。
3.1 感官系统不成熟
多模态模型、语音识别、文档理解、网页解析，这些能力解决的是"看得见、听得见"的问题，但并不自动等于"看得清、听得懂"。
例如：
- PDF 解析可能出现目录错位、表格断裂、图文顺序混乱
- 网页抓取可能带入大量噪声，正文识别不完整
- 图像识别可能遗漏关键元素
- 语音转写虽然准确，但场景上下文缺失，导致语义理解偏差
这些问题都说明一件事：当前 AI 系统具备输入能力，但输入质量并不稳定，缺少可靠的前处理与上下文定位机制。
换句话说，眼睛已经有了，但视网膜还没有长好。
3.2 运动系统不协调
工具调用是 Agent 最核心的行动能力之一。它可以调用 API、访问网页、执行代码、操作应用，看起来已经具备"手脚"。
但现实情况是，这套运动系统远不稳定。
常见问题包括：
- 参数填写错误，导致 API 调用失败
- UI 操作偏移，点击目标错误
- 执行环境不一致，代码运行失败
- 操作完成后缺少反馈确认，无法形成闭环
这类问题并不是"不会动"，而是"动作不协调"。其本质类似于神经肌肉接头尚未建立稳定连接，导致系统虽然能发出动作指令，但动作质量和反馈闭环都不可靠。
3.3 资源调度系统粗糙
大模型是高耗能系统。上下文窗口、Token、推理成本、延迟，本质上都属于资源调度问题。
当前很多 Agent 系统在资源使用上仍然比较原始，主要表现为两个极端：
- 信息给少了，上下文不足，推理链条断裂
- 信息给多了，提示词过载，重点被淹没，系统性能下降
这类问题与其说是"模型能力不够"，不如说是"供血系统不成熟"。
3.4 自主神经系统缺失
这是最关键的一点。
人体有大量后台自动调节机制，例如心跳、呼吸、体温控制、消化等，这些并不需要人显式下达指令。
而当前很多 Agent 系统恰恰缺少这种后台维持能力。
例如：
- 错误恢复机制不完善
- 任务重试依赖人工规则堆叠
- 上下文清理与压缩缺乏稳定策略
- 降级与兜底方案不系统
- 健康检查与异常监控不完整
这些能力本应成为系统级基础设施，但在当前阶段，很多地方仍然依赖硬编码 if-else 维持运行。
因此，当前 Agent 的问题，不是大脑不够强，而是身体系统还远未形成完整的生理结构。
四、AI 领域当前最大的真空，是最佳实践的真空
技术快速爆炸之后，往往都会出现一个共同问题，即能力增长快于方法沉淀。
城市的发展不是一开始就有交通规则、建筑规范和成熟基础设施。互联网的发展也不是一开始就有导航、搜索、推荐这些稳定形态。
AI 同样如此。
从 AlphaGo 到现在不过十年，从 ChatGPT 真正进入大众视野到现在不过数年。这个阶段仍然属于方法尚未收敛、实践仍在分化的时期。
当前很多常见方法，都带有明显的过渡特征。
4.1 提示工程更像"口头问路"
Prompt Engineering 的特点是依赖经验、依赖表达技巧、依赖具体模型版本。
同一个任务，提示词稍有变化，或者更换模型、上下文、温度参数，输出质量就会明显不同。
这说明提示工程更像临时性的沟通技巧，而不是稳定的系统方法。
4.2 RAG 更像"静态地图"
RAG 解决的是"如何把外部知识接入模型"的问题，但它并不天然解决知识是否最新、检索是否精准、路径是否动态优化的问题。
地图当然重要，但地图不等于实时路况。
因此 RAG 虽然是重要组成部分，但仍然不能等同于完整认知系统。
4.3 Agent 框架更像"拼装义肢"
当前各类 Agent 框架普遍存在接口标准不统一、工具接入方式不一致、状态管理能力分散的问题。
它们都在尝试解决"如何让感知、认知、行动形成闭环"这个问题，但目前大多数仍处于拼装阶段，距离真正统一、稳定、低心智负担的工程体系还有距离。
因此，当前 AI 工程真正缺的，不是又一个新概念，而是以下几类更基础的东西：
- Agent 的系统解剖学：感知、认知、行动如何协同
- Agent 的诊断方法论：系统故障时，应先查脑子还是先查身体
- Agent 的康复机制：如何让系统从失败中形成稳定经验，而不是每次重新推理
这些问题本质上都不是纯算法问题，而是工程体系问题。
而工程体系问题从来无法靠一次设计完成，它只能在真实场景中被反复验证、修正和沉淀。
五、Harness 的真正角色，不是马鞍，而是 ICU
如果继续沿用"大脑 + 身体"这个模型，那么 Harness Engineering 的角色就比较清晰了。
Harness 不是马鞍。
马鞍服务的是已经能够奔跑的健康马匹，而当前很多 Agent 系统并不处于这个阶段。它们更像一个脑部能力超前成熟、但身体发育不稳定的早产儿。
在这种情况下，系统首先需要的不是缰绳，而是监护。
因此，Harness 更像 ICU。
它真正提供的能力包括：
- **生命周期监测：**观测 Token 消耗、延迟、错误率、上下文压力
- **资源维持：**在上下文不足时补充信息，在信息过载时做清理与压缩
- **信号调控：**过滤噪声输入，约束输出动作的风险
- **故障抢救：**当某一模块失效时，快速切换备用路径，维持整体系统继续运行
这些能力并不华丽，但非常关键。
因为这不是在"控制大脑"，而是在维持身体的基本生命体征。
只有先让系统稳定活着，后续才谈得上持续成长与自我优化。
六、AI 当前的状态，不是失败，而是早期常态
当 AlphaGo 击败柯洁时，很多人看到的是 AI 的智力突破。
而从系统角度看，这意味着另一件事：大脑已经超前成熟，但身体仍处在婴儿期。
这并不是坏事，而是技术革命早期非常典型的状态。
城市不是一天形成的，导航系统不是第一版就稳定的，推荐系统也经历了很长时间的试错与收敛。AI 的 Agent 系统同样要经历这个过程，只不过它的迭代速度比过去任何基础设施都更快。
以前很多工程体系以年为单位进化，现在很多体系以周为单位迭代。
因此我们会感受到一种非常强烈的矛盾感：
- 一方面，模型能力已经强到超出预期
- 另一方面，系统工程仍然脆弱、易碎、缺乏稳定性
这两个判断并不冲突，它们同时成立。
所以当前最重要的，不是假装这套体系已经成熟，而是承认现实：我们确实拥有一颗极其聪明的大脑，但它仍然被绑在一副尚未发育成熟的身体上。
Harness 这类系统，就是轮椅、拐杖、监护仪的集合。它并不完美，但在今天是必要条件。
因为在身体能够稳定奔跑之前，系统首先需要被维持、被保护、被监护。
而所谓最佳实践，也不会在理论层面被一次性设计出来。它只会在大量真实任务、真实故障、真实交付中慢慢浮现。
七、AI 生成 PPT，是观察这个问题的一个典型场景
如果希望找一个最能体现 Agent 工程问题的场景，那么 AI 生成 PPT 是非常典型的样本。
表面上看，这好像只是"让模型写一套 20 页内容"的问题。
但实际上，它是一个横跨需求理解、信息补全、结构组织、页面生成、视觉匹配、在线编辑和最终交付的系统工程。
一个真正可落地的 AI PPT 项目，通常至少包含以下几个环节：
1）需求输入
输入主题、受众、页数范围、场景模板、原始资料等信息。
2）研究补全
当原始信息不足或存在时效问题时，需要通过研究系统补齐最新信息。
3）大纲生成
先形成结构化大纲，而不是直接逐页生成页面。
4）任务拆解
将大纲拆解为可追踪任务，明确当前进度、失败节点和回退点。
5）页面与视觉生成
根据页面类型生成内容、版式、配图与模板风格。
6）编辑与交付
支持在线调整、讲稿补充、备注生成，以及 PDF、PPTX、HTML 等多格式导出。
这条链路说明一件事：AI 生成 PPT 的难点从来不只是写作能力，而是整条链路是否协调。
如果用前文的比喻来对应：
- 文档解析是感官系统
- 研究能力是外部记忆
- 大纲生成是前额叶
- 任务板是神经系统
- 模板、版式、配图是骨架与皮肤
- 导出、备注、分享是动作真正落到外部世界的手脚
因此，AI 生成 PPT 这个场景非常直观地说明：当我们说 Agent 需要"身体"时，说的并不是抽象概念，而是一整套必须协同工作的工程器官。
八、AI 当前的状态，不是失败，而是早期常态
如果把视角再拉近一点，vivoPPT 这个项目本身，就是这套判断的一个样本。
这条链路并不是一开始就设计完整的，而是在开发过程中一步步收敛出来的。
8.1 最开始是"直接生成大纲 + 提供很多模板"
这是一个很自然的起点。
用户输入一个主题，系统先生成大纲，然后再让用户从很多模板里选一个，看起来既智能，又灵活。
但这条路很快暴露出问题。
一方面，大纲本身还不稳定；另一方面，模板又是一个额外变量。内容结构还没有站稳，样式选择又引入第二层不确定性，最后就会出现一个结果：系统看起来很自由，但实际输出并不稳定，用户也很难判断问题到底出在内容，还是出在模板。
换句话说，这种方案把"内容规划"和"视觉选择"同时交给了模型与用户，表面上选择变多了，实际上系统复杂度也同步上升了。
8.2 后来逐步收敛成"固定模板 + 内容优先"
所以项目后面做了一次很关键的收敛，即不再把模板当成一个完全开放变量，而是将模板整理成固定方案，甚至进一步强调"单模板、内容优先"。
这个变化背后的核心判断是：对于大多数汇报场景，真正难的不是"选哪个模板"，而是"这一页到底讲什么"。
因此系统开始要求用户输入更完整的原始材料，而不是只输入一句主题。会议纪要、项目总结、方案全文、调研结论、发言草稿，这些长文本被尽可能完整地输入进来，系统先整理汇报思路，再生成大纲，再决定每页职责。
这实际上是在重新定义输入层：系统不再假设模型可以凭一个标题完成高质量生成，而是要求用户提供足够多的原文，让模型先理解内容，再组织内容。
8.3 再往后，生成目标从"直接出页面"变成了"先生成 DSL"
当模板固定之后，第二个问题就变得非常明显：如果系统直接生成最终页面，无论是 HTML 还是最终渲染结果，后续编辑、校验、复用、导出都很困难。
于是项目继续往前收敛，开始引入 DSL 作为中间层。
这一步很重要。
因为 DSL 的本质不是"换一种格式生成"，而是给系统补了一个结构化中间表示层。页面不再只是最终结果，而是先被拆成可编辑、可编译、可检查的语义结构。这样模板、内容、布局、组件、导出之间才有了稳定接口，后面的编辑器、预览、导出、AI 改写才真正有了统一对象。
从工程角度看，这一步相当于给"页面生成"补上了骨架。
8.4 大模型微调
当输入从纯文本扩展到富文本之后，系统获得了更强的表达能力，但同时也立刻遇到了新的问题。
富文本并不只是多了粗体、标题和列表，它还带来了图片、表格、引用、上下文层级这些信息。尤其是图片，系统不能只把它当成一个附件。
一张富文本里的图片，如果只保留一个 src 地址，模型其实什么都不知道。它不知道图片前后在讲什么，不知道图注是什么，也不知道它属于哪一个章节、哪一页语义、哪一个主题。
因此项目后面又继续补了一层上下文解析：除了保留富文本的 HTML 和纯文本内容之外，还会抽取标题层级、列表结构、表格结构；对于图片，还要结合标题、图注、相邻段落、块级文本去生成语义摘要、主题标签和素材描述，再把它转成项目素材。
这一步说明得更直接一点：当输入能力增强之后，系统并不会自动变强，反而会倒逼你把"感官系统"做得更完整。图片不是"看见了"就算处理完，只有把它放回上下文中，它才真正变成模型可用的信息。
从这个开发过程可以看出，真正沉淀下来的最佳实践，通常不是一个万能 Prompt，而是几条简单但重要的流程纪律：
- 先研究，再写作
- 先大纲，再页面
- 先任务化，再并行化
- 先可编辑，再可交付
九、最佳实践，从来不是设计出来的
所以，当前阶段看起来混乱，其实并不奇怪。
有人强调 Prompt，有人强调 Agent，有人做 Memory，有人做 Workflow，大家都在尝试不同路径，但整体上还没有完全收敛。
这并不是因为大家理解不够，而是因为最佳实践本来就不是先验存在的。
它不是通过讨论设计出来的，而是在真实使用中逐渐显现出来的。
只有在大量真实场景中反复试错之后，系统才会逐渐形成共识：
- 哪些步骤必须保留
- 哪些能力必须下沉为基础设施
- 哪些风险必须被兜底
- 哪些分工方式最稳定
最终，所谓最佳实践，会从"经验"慢慢沉淀为"直觉"。
十、未来不会再讨论"要不要用 AI"
也许在未来，我们不会再讨论"要不要用 Agent"，就像今天我们不会认真讨论"要不要用导航"一样。
这些选择最终会从"技术选项"变成"默认动作"。
真正的变化，也不会发生在模型参数再扩大一点，或者排行榜再上升一点的时候。
真正的变化会发生在我们开始真正理解这整套系统：
- 什么时候让它思考
- 什么时候让它行动
- 什么时候借助工具
- 什么时候交给流程
- 什么时候让人介入
到那时，AI 才会真正从一个"能力集合"演进为一个"可长期使用的系统"。
十一、我们正在经历一个"还不会用工具"的时代
而现在，我们正处在这个阶段的早期。
工具已经足够强大，但使用方式还没有完全形成。
这有点像人类刚拿到地图、刚拥有汽车、刚接触互联网的时期。工具本身已经具备巨大潜力，但对应的使用方法、工程规范和社会最佳实践都还在形成中。
这也是一个非常少见的阶段。
因为在这个阶段里，人们不仅是在使用工具，也在参与定义工具未来的正确使用方式。
换句话说，我们正在参与回答一个问题：
未来，什么才是 AI"正确的使用方式"
注：文章创作有 AI辅助，"生命体进化"视角与"技术爆炸"框架由笔者提出。