从"会聊天"到"能干活"：AI 智能体的五级演进、核心概念解剖与产业格局

序：一个判断先摆在前面

2026 年最值得注意的一件事，不是又出了几个更强的模型，而是行业竞争的主战场发生了位移。

OpenAI 在 2026 年 8 月 20 日开源 Codex 的 Rust 执行引擎（harness）时给出的数据最有说服力：仅通过 harness 层面的优化，GPT-5.6 Sol 在 ARC-AGI-3 上的得分从 13.3% 提升到 38.3%，同时 token 消耗降到六分之一。模型没有升级一分，智能体能力翻了三倍。

这不是营销话术，它揭示了 2026 年智能体演进的核心结构：

markdown 复制代码

        模型（大脑）  ×  Harness（身体）  ×  生态连接（手脚与感官）  =  智能体

模型能力决定上限，harness 决定实际发挥比例，生态决定它能碰到真实世界的多大范围。三者相乘，任何一项为零，结果就是零。

过去两年，市场叙事几乎全部集中在第一项上------参数、榜单、价格。而 2026 年真正拉开差距的，是第二项和第三项。

这篇文章按四条线展开：

演进线：智能体五个阶段的演变、每个阶段的产物与场景；
概念线：智能体、loop、harness、MCP、技能------到底怎么区分，各自的时代产物是什么；
产业线：AI 对传统行业的冲击；Codex / WorkBuddy / TRAE / DeepSeek Harness / 豆包五款工具的横评；八大模型的优劣与瓶颈；
趋势线：未来两到三年值得押注的六个方向。

第一章　演进的五个阶段

1.0 一张总览

阶段	时间	核心命题	标志产物	主战场
① 组件化	2020--2022	把一次问答拆成可复用的零件	Prompt 模板、ReAct、Function Calling	内容生成、客服问答
② 工程化	2022--2023	把零件装配成可部署的系统	LangChain、向量库、LangGraph、RAG 架构	企业知识库、检索问答
③ 代码编程助手	2023--2024	让 LLM 第一次拿到"手"	GitHub Copilot、Cursor、Continue	补全、解释、单文件重构
④ 会话智能体	2024--2025	从"补全一行"到"完成一串"	Claude Code、Devin、Manus、Computer Use	端到端任务、网页操作、深度研究
⑤ AI 智能体	2025--2026	harness 成为一等公民，智能体可被部署与交易	Codex harness、DeepSeek Harness、Agent Skills、Agent Plugins、MCP 2026-07-28	数字员工、always-on Agent、行业 Agent 平台

1.1 阶段一：组件化（2020--2022）

背景。 大模型 API 刚开放，人们发现同一个模型在不同的提示词包装下表现天差地别。于是第一波工程化尝试不是"让模型更聪明"，而是让调用模型这件事变得可控、可复用。

形态。

Prompt 模板化：把"你是一个 XX 专家，请按以下格式输出"这类结构固化下来，沉淀为参数化模板；
角色扮演（Role Prompt）：最早的"专家人设"雏形；
ReAct 范式（2022）：让模型交替输出"思考"与"行动"，把语言模型的输出接上外部工具；
Function Calling（OpenAI，2023 年初）：把"调工具"从正则解析变成了协议级能力。

产物。

开源生态：LangChain、LlamaIndex、Prompt 模板库、Haystack；
概念资产：Prompt Engineering 作为独立职业方向出现；"上下文工程"（Context Engineering）雏形；
工具层：各类 API 聚合平台、Zapier 式的工具连接器。

场景。

内容生成流水线：标题、摘要、翻译、SEO 文案；
客服问答机器人：基于 FAQ 的模板化回复；
早期"AI 搜索"：检索 + 拼接 + 生成。

这一步真正解决的问题： 让 LLM 从"玩具"变成"可预测的接口"。但它没有解决"任务要跑多久"------所有交互仍停留在单轮或人工编排的固定管道里。

遗留问题（决定了阶段二的到来）： 组件化是"半自动"的。链条每多一环，错误就多一分；开发者被迫手写编排逻辑，流程一复杂就无法维护。

1.2 阶段二：工程化（2022--2023）

背景。 组件化的手工编排撞墙了。企业需要的不是"能调 API 的零件"，而是"上线后不崩、有人能维护的系统"。

形态。

RAG 成为默认架构：检索 + 重排 + 生成，配合向量数据库成为"LLM 时代的中间件"；
记忆与状态管理：把对话历史、长期记忆从 prompt 里搬出来，成为独立组件；
图式编排（LangGraph 等）：用状态机描述分支、循环、审批节点；
可观测性：LangSmith、prompt 版本管理、trace 面板------LLM 应用的" APM" 诞生；
评估体系：自动化 eval 集 + LLM-as-judge，让"效果好不好"从玄学变成指标。

产物。

基础设施：Pinecone / Weaviate / Milvus / Qdrant、LlamaIndex、LangSmith、Helicone；
工程范式：RAG、ReAct Agent、Planner-Executor、多 Agent 协作（AutoGen / CrewAI 早期）；
岗位：Prompt Engineer → AI 应用工程师。

场景。

企业内部知识库问答（最典型、也最持久的落地形态之一）；
检索增强的客服与销售助手；
文档处理流水线：合同抽取、报告生成、数据问答。

这一步真正解决的问题： 把"效果"从玄学变成可度量、可回归、可上线的工程问题。这是智能体从"演示"到"生产"的分水岭。

遗留问题： 系统仍然是被动的。用户问一句，它答一句；复杂的、跨越多个系统、需要反复试错的活儿，它接不住。RAG 能查资料，但查完不会自己动手。

1.3 阶段三：代码编程助手（2023--2024）

背景。 ChatGPT 之后，全行业最大的需求爆发点就是写代码。而代码有一个别的领域没有的天然优势：有编译器、有测试、有 Git------有客观的反馈信号。 这让 LLM 第一次获得了可以自我验证的闭环。

形态。

行内补全（Copilot）：光标处生成下一行/下一个函数；
Chat + Edit 模式：选中一段代码说"改成异步"；
仓库级上下文：@file 引用、索引、检索；
早期 Agent 雏形：Cursor 的 Composer、Cline 的工具调用循环、Continue 的本地化部署。

产物。

产品：GitHub Copilot、Cursor、Continue、Windsurf；
技术：基于仓库索引的检索（后来演化为 agentic search / tool search）、apply-patch 式的精确编辑、lint/test 反馈回灌；
商业信号：2023 年 Copilot 达到"数十万组织"采用量级，代码成为 LLM 第一个真正的规模化付费场景。

场景。

补全与脚手架；
代码解释与单文件重构；
单元测试生成；
注释与文档撰写。

这一步真正解决的问题： 证明了 LLM 可以在有验证器的领域里自主迭代。这是智能体思想的第一次成功落地------"写代码 → 跑测试 → 看报错 → 改代码"就是最朴素的 loop。

遗留问题： 依然是"人在环内"的辅助工具。人必须盯着它改对每一个文件；一个任务跨 20 个文件，人就得跟 20 次。人是那个 loop 里的瓶颈。

1.4 阶段四：会话智能体（2024--2025）

背景。 2024 年底到 2025 年初，Claude Code、Devin、Manus、OpenAI 的 Computer Use 几乎同时出现。它们共同标志着一次范式跃迁：智能体从"编辑框"搬到了"终端 / 桌面 / 浏览器"里。

Claude Code（2025 年初）带来的认知冲击最大：一个终端里的 CLI，能自己读仓库、改文件、跑测试、提交 PR。而 Manus（2025 年 3 月）证明了另一种形态------云端沙箱 + 浏览器操作 + 交付物产出，用户甚至不用看过程，只看结果。

形态。

终端为核心工作面（Claude Code、Codex CLI、OpenCode）；
工具集扩展：从"读写文件"到"跑命令、开浏览器、调 API、执行 MCP 服务器"；
计划-执行模式：先产出 plan，人确认后再动手（Claude Code 的 plan mode、Codex 的 review 模式）；
沙箱与权限体系：把"能读什么、能写什么、能执行什么"变成显式可控的配置；
长时间运行：任务从 2 分钟延伸到 2 小时，跨会话恢复（session resume）；
深度研究型 Agent：Deep Research 模式把"检索 + 引用 + 成文"做成产品。

产物。

产品：Claude Code、OpenAI Codex（CLI / IDE / 桌面 / Cloud）、Devin、Manus、Cursor Agent、Windsurf、OpenAI ChatGPT Agent Mode；
协议层雏形：MCP（Anthropic 于 2024 年 11 月 25 日开源）------把"怎么接外部工具"标准化；
打包层雏形：Claude Code Plugins（2025 年 10 月 9 日）、Skills（2025 年 10 月 16 日首次公布）；
工程范式：agentic search、context compaction、sandbox manifest、subagent 委派。

场景。

端到端特性开发："把这个 bug 修掉并补测试"------一句话交出去，回来拿 diff；
代码审查：自动 PR review、找出向后兼容性问题；
网页与桌面操作：订票、填表、跨应用搬运数据；
深度研究报告：带引用的万字调研。

这一步真正解决的问题： 智能体第一次有了自己的工作面 （终端/浏览器/桌面）和自己的反馈回路（执行结果回灌）。

遗留问题：

每个产品都是封闭的黑盒------loop 怎么跑、上下文怎么压缩、沙箱怎么起，外部看不见也改不了；
能力无法复用与交易------你的好 prompt、好流程锁死在某个客户端里；
成本不可控------上下文一长，token 成本呈指数上升；DeepSeek Harness 的实测里，一个"回复 PONG"的琐碎任务首次请求就烧掉约 13,467 个输入 token，因为系统提示、工具 schema、仓库规则、技能摘要全都搭了便车。

这三个遗留问题，正好定义了阶段五。

1.5 阶段五：AI 智能体（2025--2026）

背景。 2025 年底到 2026 年，行业的重心从"造一个更好的智能体"转向"造一个可被所有人改造、复用、交易的智能体运行环境"。

三件事同时发生：

第一，harness 被拆出来当成独立产品。

2026 年 4 月 16 日，OpenAI Agents SDK 引入 model-native harness，把"harness（推理循环、工具分发、记忆）"与"compute（命令实际执行的地方）"彻底分离。凭证留在可信基础设施里，沙箱里只有干净的执行环境。配合 Manifest 抽象，同一份智能体工作区定义可以跑在 E2B、Modal、Docker、Daytona、Cloudflare、Blaxel、Runloop、Vercel 上------换 provider 只需改一行代码。
2026 年 8 月 13 日，DeepSeek 发布 DeepSeek Harness，MIT 协议开源，基于 Cordis 的"一切皆插件"架构，49 个包、100+ 官方插件，四种预设模式（Standard / PTC / Minimal / Creator）。发布 12 小时内 GitHub 星标破 5 万。
2026 年 8 月 20 日，OpenAI 开源 Codex harness（Rust，Apache-2.0）。

第二，协议与打包层标准落地。

MCP 2026-07-28 规范正式发布（历经十周 RC 阶段），引入无状态核心、异步 Tasks 扩展、Skills over MCP、MCP Apps。四大 Tier 1 SDK（TypeScript / Python / Go / C#）月下载量接近 5 亿，TypeScript 与 Python 单个 SDK 累计下载均破 10 亿。
Agent Skills 于 2025 年 12 月 18 日作为开放跨平台标准发布，到 2026 年已有 46 款智能体产品支持读取。
Agent Plugins 1.0.0（由 OpenAI、Amazon、Cursor、Microsoft、Vercel 共同推动）用 plugin.json 把 skills/ 和 mcp.json 打包成一个目录，一次安装同时带上"说明书"和"连接器"。

第三，智能体从"软件"变成"可交易的生产力单元"。

腾讯 WorkBuddy 开放平台上线，首批超百家伙伴接入，覆盖金融、SaaS、法律、医疗、教育、公益、设计等 20 多个领域；三大开放能力为 Skill / Expert / Connector，Connector 同时支持 MCP 与 CLI 双方案。
Kimi Agent Swarm 支持最多 300 个子智能体并行、4000+ 工具调用，官方称比单体智能体快约 4.5 倍。
智谱 GLM-5.1、字节 HiAgent 3.0（市场份额 17.8%）、DeepSeek Harness 各自占住一端。

产物清单。

运行时：Codex harness（Rust）、DeepSeek Harness / dsh（Cordis）、OpenAI Agents SDK + Manifest、Claude Code；
协议：MCP 2026-07-28（Linux Foundation 治理）、Agent Skills 1.0、Agent Plugins 1.0；
平台：WorkBuddy 开放平台、扣子 / Coze、HiAgent、Dify（开源侧）、Kimi Claw、OpenAI dots（always-on agent）；
硬件延伸：WorkBuddy 开放平台已展出手表/智能眼镜形态------麦克风与摄像头负责采集，Agent 负责理解、规划与执行，账号、任务、记忆与产物在眼镜 / 手机 / PC / Web 之间同步。

场景。

数字员工：招聘 JD 分解器 + 简历生成器这类"个人生产力工作台"；
行业 Agent：金融投顾、公益资助申请、报税处理（Cisco、Thrive Holdings、Crete 已基于 Codex harness 上线生产级 Agent，其中一家处理 7000 份报税记录）；
长周期自主执行：Kimi K3 官方案例中，生成一个行业研究网站经历 120 轮以上递归改进、2800+ 次网页检索、1100+ 次终端调用、处理超 1.1 万页内容；
多模态实时交互：豆包 SeedRealtime 原生音视频全双工，2026 年 8 月 5 日在豆包 App 全量上线。

这一步真正解决的问题： 智能体的能力被拆成了可组合、可交易、可审计的零件。你不再需要从零造一个 Agent------你从市场买 harness、买技能、买连接器，装进自己的业务场景。

新出现的问题： 拼装质量决定上限。2026 年 8 月，AWS、Cloudflare、Microsoft Foundry、Manufact、Google Cloud 集体表态支持 MCP 新规范的理由高度一致------"无状态核心让我们从几十个集成扩展到几千个，而不需要维护一堆 session 状态的胶水。" 生态的下一个战场是"如何在可组合的前提下仍然可靠"。

1.6 五阶段递进关系的一句话总结

复制代码

组件化：让调用可控
   ↓
工程化：让系统可上线
   ↓
编程助手：让模型有手（且有验证器）
   ↓
会话智能体：让智能体有自己的工作面与回路
   ↓
AI 智能体：让智能体本身成为可拆解、可复用、可交易的商品

一条主线贯穿始终：每一次跃迁，都是"人"在回路中的位置往后挪了一格。 补全时代，人写代码；助手时代，人验收 diff；会话智能体时代，人定义目标与验收标准；智能体时代，人定义业务边界、合规红线与"什么算完成"。

第二章　五个核心概念：智能体、loop、harness、MCP、技能

这一章是全文的地基。这五个词被行业混用得最厉害，但它们其实分处完全不同的层。

2.0 一张分层图

vbnet 复制代码

┌──────────────────────────────────────────────────────────┐
│  第 5 层  场景 / 交付物                                   │
│  行业 Agent、数字员工、always-on Agent、研究报告、代码 PR  │
├──────────────────────────────────────────────────────────┤
│  第 4 层  技能 Skills / 插件 Plugins / 专家 Expert        │
│  "按什么方法做" ------ SKILL.md、plugin.json、专家包           │
├──────────────────────────────────────────────────────────┤
│  第 3 层  连接 MCP / Connector                            │
│  "连到哪里做" ------ 工具、资源、提示词、异步任务              │
├──────────────────────────────────────────────────────────┤
│  第 2 层  Harness（运行时）                               │
│  "怎么跑" ------ 循环、工具分发、上下文管理、沙箱、权限、记忆  │
├──────────────────────────────────────────────────────────┤
│  第 1 层  Loop（回路）                                    │
│  "怎么想" ------ 感知 → 推理 → 行动 → 观察 → 反思 → 循环      │
├──────────────────────────────────────────────────────────┤
│  第 0 层  模型 Model                                      │
│  "能想到什么" ------ 权重、推理能力、涌现                     │
└──────────────────────────────────────────────────────────┘

一句话区分：

概念	一句话定义	关键问题
智能体 Agent	一个能在环境中自主行动、达成目标的系统	它是什么？
Loop	智能体反复"想---做---看---再想"的那个循环	它怎么运转？
Harness	承载 loop 的那套运行时与工程外壳	谁在跑这个循环？
MCP	智能体与外部系统之间的标准接口协议	它能碰到什么？
技能 Skill	一份按需加载的操作说明与方法包	它按什么方法做事？

一个记忆锚点：模型是脑，harness 是身体，MCP 是神经，skill 是使用说明书，loop 是本能反射。智能体是这五样加起来那个会干活的人。

2.1 什么是智能体（Agent）

定义

一个智能体是具备目标驱动能力、能自主选择并调用工具、能根据执行反馈调整策略、并在环境中持续推进直到达成目标的软件系统。

拆成六个必要要素，缺一不可：

要素	说明	缺失后果
目标（Goal）	明确的任务与完成判据	无方向
模型（Reasoner）	承担推理与决策的核心	无法处理意外
工具（Tools）	读写文件、执行命令、调 API、访问数据库	只能"说"不能"做"
记忆（Memory）	会话历史 + 长期记忆 + 工作区状态	每轮失忆
循环（Loop）	感知→推理→行动→观察→反思	一次性输出
边界（Guardrails）	权限、沙箱、审批、成本上限	不可控、不可用

智能体与"看起来像智能体"的四类东西

不是智能体：一次性的 LLM 调用。 没有工具、没有循环、没有状态。
不是智能体：固定管道（pipeline）。 步骤写死在代码里，遇不到分支就停。阶段二的 RAG 应用大多属于此类。
不是智能体：纯工具调用。 模型只决定调哪个函数，参数完全由用户给。函数调用 ≠ 智能体。
是智能体（弱形式）： 有循环但能力受限------比如只能问答不能执行。
是智能体（强形式）： 目标 + 自主工具选择 + 反馈自适应 + 持续推进。

判据

问三个问题，全是"是"才叫智能体：

它能在没有人类逐步指令的情况下，自己决定下一步做什么吗？
它能根据执行结果（报错、测试失败、页面变了）改变计划吗？
它能在没有人类确认的情况下连续跑很久吗？

时代产物

2023--2024：AutoGen、MetaGPT、LangGraph 节点图（"多智能体对话"概念普及期）
2025：Claude Code、Manus、Devin、ChatGPT Agent Mode
2026：Codex harness、DeepSeek Harness、WorkBuddy（Expert + Skill + Connector 三件套）、Kimi Agent Swarm、dots（OpenAI always-on agent）、豆包工作

2.2 什么是 Loop（回路）

定义

Loop 是智能体的最小自治单元：一个"感知环境 → 生成决策 → 执行动作 → 观察结果 → 更新状态 → 回到感知"的闭环。

css 复制代码

        ┌─────────────────────────────────────┐
        │                                     │
        ▼                                     │
   [感知 Perceive]  环境状态 / 工具返回 / 用户输入
        │
        ▼
   [推理 Reason]    模型生成"下一步做什么"
        │
        ▼
   [行动 Act]       调用工具 / 写文件 / 执行命令
        │
        ▼
   [观察 Observe]   读回执行结果，判断成功/失败
        │
        ▼
   [反思 Reflect]   修正计划 / 记入记忆 / 决定是否继续
        │
        └─────────────────────────────────────┘
                    （未达完成条件则继续循环）

关键在于"闭环"，不在于"模型"

一个模型的输出质量是开环的：它给出一个答案就结束。而 loop 让它把答案变成可验证的假设，用环境反馈去修正。

这就是为什么代码是最早的智能体战场------测试提供了天然的 verifier。没有 verifier 的领域，loop 就会退化成"反复瞎猜"。

Loop 的工程难点（也是 harness 的价值所在）

难点	朴素解法	工程解法
上下文爆炸	全塞进 prompt	Context compaction：自动摘要、裁剪、分段归档
重复劳动	每轮重新读文件	工具搜索 + 缓存 + 状态复用
走偏	硬跑到底	计划确认、检查点、循环上限、预算熔断
错误累积	静默继续	结构化错误回灌、反思提示、自我修复
不可观测	打印日志	Trajectory：仅追加的完整会话轨迹，可回放、可分叉、可搜索
不可并行	串行执行	子智能体委派 + worktree 隔离 + 并发调度

时代产物

2022：ReAct 论文------把"思考/行动交替"形式化，loop 的最早论文级表述
2023--2024：LangGraph 的状态图循环、AutoGen 的多 Agent 消息循环
2025：Claude Code 的 agentic loop、Codex CLI 的交互式终端 loop、OpenAI Responses API 的工具调用循环
2026 ：harness 层面的 loop 工程化 ------Codex 从 HTTP 往返重构为 WebSocket 流式以消除网络延迟瓶颈；DeepSeek Harness 的 Trajectory 记录每次运行的系统提示、推理、工具调用与结果、子智能体调度；Kimi K3 训练期创建超过 5100 万个沙箱，靠 partial rollout 让长任务在等推理时释放算力，训练和评估时对可从资源中释放的部分轨迹做更新、未完成的暂停后恢复执行------把长程 agent 任务真正带进了规模化训练阶段。

2.3 什么是 Harness（运行时 / 骨架）

定义

Harness 是"除模型本身以外，把一个语言模型变成能干活的智能体所需的全部工程"。

如果把模型比作大脑，harness 就是：脊髓、神经、肌肉、作业服、工具腰带、安全绳、记录仪和操作手册。

Anthropic 社区里流传的那句 "Model + Harness = Agent"，以及 DeepSeek 官方 "模型是大脑，Harness 干剩下的所有事"，说的都是同一件事。

Harness 的九大组成

#	组成	解决的问题	没有它会怎样
1	系统提示组装	把身份、规则、仓库约定、用户偏好拼成一次请求	每次从零解释自己是谁
2	工具注册与分发	工具 schema 加载、选择、参数校验	模型"想调用"但调不到
3	上下文管理	压缩、摘要、分段、外部化	token 成本指数上升、注意力被稀释
4	沙箱与执行环境	隔离文件写入、命令执行、网络访问	一次误操作毁掉工作区
5	权限与审批	哪些操作自动放行、哪些必须人确认	要么不敢用，要么不敢给权限
6	记忆	会话状态、长期偏好、项目知识	每轮重新自我介绍
7	任务规划与委派	拆解、派发给子智能体、汇总	复杂任务卡死在单线程
8	轨迹与可观测	记录、检索、回放、分叉	出错无法归因，过程无法审计
9	成本与预算控制	token 预算、速率限制、循环上限	一次任务烧掉一个月额度

2026 年的关键认知：harness 设计比模型升级更影响结果

这是本轮最重要的工程转向，有硬数据支撑：

OpenAI（2026-08-20 开源 Codex harness） ：harness 层优化使 GPT-5.6 Sol 的 ARC-AGI-3 从 13.3% → 38.3%，token 用量降至 1/6。OpenAI 工程团队明确主张：harness 设计，而非原始模型能力，如今是智能体性能的首要杠杆。
响应延迟的重心转移 ：GPT-5.3 Codex Spark 借 Cerebras 跑到约 1000 tokens/s 之后，网络往返而非模型推理成为新瓶颈------OpenAI 因此把 Codex harness 重构到 WebSocket 而非 HTTP。"快"和"聪明"成了两个独立的工程问题。
DeepSeek 的可复现实验 ：V4 Flash 的 Terminal-Bench 2.1 得分 82.7 是在 Minimal 预设下取得的，意为任何人都能复现或挑战这个数字。harness 首次成为可被公开审阅的实验变量。
DeepSeek Harness 的代价披露 （同样重要）：一次"回复 PONG"的琐碎任务消耗约 13,467 输入 token；默认沙箱只限制写入，读取与网络访问并未被限制 ；macOS 下一个 npm install 拉取 531 个包、306 MB。开源 harness 带来透明度的同时，也把安全责任推给了使用者。

Harness 与 Compute 的分离

2026 年最重要的架构收敛：harness（可信侧）负责推理循环、工具分发、记忆；compute（不可信侧）负责实际执行。

带来的直接收益：

凭证留在可信基础设施，不会随沙箱漂移；
沙箱崩溃可快照并在全新实例上恢复；
同一份 Manifest 工作区定义可跨 7 家云沙箱供应商运行，换 provider 只改一行；
快照跳过挂载序列化，云存储里的凭证永不被落盘。

时代产物

时间	产物
2024	LangChain / LangGraph（工程化雏形）
2025	Claude Code、Cursor Agent、Windsurf（产品化 harness）
2026-04	OpenAI Agents SDK + model-native harness + Manifest + 7 家沙箱供应商
2026-08-13	DeepSeek Harness（dsh），MIT，Cordis "一切皆插件"，49 包 / 100+ 插件 / 4 预设 / Trajectory
2026-08-20	OpenAI Codex harness，Rust，Apache-2.0 开源，codex exec + SDK + app-server 三件套
2026	WorkBuddy（Expert / Skill / Connector + Ask/Plan/Craft 三模式）

2.4 什么是 MCP（Model Context Protocol）

定义

MCP 是智能体与外部系统之间通信的开放标准协议。Anthropic 官方给的类比是"AI 应用的 USB-C 接口"：过去每个 AI 应用要接一个数据源就得写一套集成，MCP 让它变成插拔。

协议基于 JSON-RPC 2.0，架构分三层：

arduino 复制代码

Host（宿主，如 Claude Code / Codex / WorkBuddy）
  └─ Client（客户端连接器）── 以 stdio 或 Streamable HTTP 连接 ── Server（服务器）

四个方向的能力

Server → Client（服务端提供什么）：

Resources：给模型读的上下文与数据（文件、数据库、日志、文档）；
Prompts：模板化的消息与工作流；
Tools：模型可执行的函数（这是交互的主体）。

Client → Server（客户端能要求什么）：

Elicitation：服务端反向向用户索取补充信息；
以及若干实用扩展：配置、进度追踪、取消、错误报告。

2026-07-28 规范的四个关键变化

无状态核心（Stateless core） ------最大也最难的变化。基础协议变成无状态、自包含的请求，每个请求独立完成能力协商。动机极其务实：Microsoft Foundry 正是因为这一点，才从"几十个集成"扩展到"几千个集成"而只需要一个 toolbox 端点；Manufact 表示移除 session state 终结了此前为处理生产流量而搭建的大量基础设施绕行方案；AWS 把 Tasks 落进 Amazon Bedrock AgentCore 以运行长时智能体工作而无需管理 session；Cloudflare 的 Agents SDK 从第一天就支持该规范，让服务器跑在 Workers 里没有传输层 session 开销。
Tasks 扩展------异步执行长时操作，支持轮询、飞行中输入、持久句柄。
Skills over MCP------把结构化的工作流说明通过 MCP 发现与消费，让"技能"可以跨传输层复用。
MCP Apps------在对话中内联渲染交互式 UI（图表、表单、视频播放器）。

安全原则（协议层面无法强制，但实现方 SHOULD 遵守）

用户同意与控制：用户必须明确理解并授权所有数据访问与操作，且保有控制权；
数据隐私：宿主在把用户数据暴露给 server 前必须取得明确同意，不得未经同意把资源数据转发他处；
工具安全：工具本质是任意代码执行。除非来自可信 server，否则其行为描述（含 annotations）应被视为不可信；宿主调用工具前必须取得用户明确同意。

生态规模

四大 Tier 1 SDK（TypeScript / Python / Go / C#）月下载量接近 5 亿；TypeScript 与 Python 单 SDK 累计下载均破 10 亿；Rust SDK 进入 beta。
2024 年 11 月由 Anthropic 开源，现由 Linux Foundation 旗下 Series LF Projects, LLC 治理，设有 Lead、Core 与 area Maintainer 的指导组，治理章程明确"不为公司保留席位，成员身份与个人而非雇主关联"。
生态侧的应用全景：Claude 与 ChatGPT 支持、VS Code、Cursor 等开发工具、AWS Bedrock、Cloudflare Agents SDK、Microsoft Foundry、Google Cloud，以及 WorkBuddy 开放平台的 Connector（同时支持 MCP 与 CLI 双方案）。

时代产物

2024-11-25：MCP 由 Anthropic 开源
2025：MCP 进入主流 IDE 与 Agent 产品；Claude Code Plugins （2025-10-09）出现，其 .mcp.json 槽位让一个插件可同时携带技能、子智能体、钩子与 MCP server 配置
2025-12-18：Agent Skills 作为开放跨平台标准发布
2026-07-28：MCP 2026-07-28 正式规范（无状态核心 + Tasks + Skills over MCP + MCP Apps）
2026：Agent Plugins 1.0.0 （OpenAI/Amazon/Cursor/Microsoft/Vercel 共同推动），plugin.json + skills/ + mcp.json 固定目录结构，规范明文要求 MCP 配置"MUST NOT 声明在 plugin.json 内或从任何替代核心路径加载"

2.5 什么是技能（Skill）

定义

技能是"智能体按需读取的一份操作说明 + 脚本 + 资源包"，用于告诉它"这类任务该怎么干"。

它不是代码、不是插件、不是协议------它是知识。格式上是一个文件夹，核心是 SKILL.md：

perl 复制代码

my-skill/
├── SKILL.md          # 必需：YAML frontmatter + 正文
├── scripts/          # 可选：可执行脚本
├── references/       # 可选：参考文档
└── assets/           # 可选：模板、素材

frontmatter 必填字段：

name：最多 64 字符，小写字母/数字/连字符，且必须与父目录名一致；
description：最多 1024 字符，描述这个技能做什么、什么时候用。

另有可选字段：license、compatibility、metadata，以及实验性的 allowed-tools。

渐进式披露（Progressive Disclosure）------技能省 token 的关键设计

阶段	加载内容	成本量级
启动时	仅每个技能的 `name` + `description`	约 100 token / 条
任务匹配时	拉入完整 `SKILL.md` 正文	按需
工作需要时	才读 `scripts/`、`references/` 下的文件	按需

这解释了为什么技能在长会话里不会压垮上下文：50 个技能常驻只花约 5,000 token，正文只在真正派上用场时才进窗口。

Skills 与 MCP 的分工（最容易混淆的一点）

这是 2026 年开发者社区争论最多的问题（"MCP vs Skills"成了真实搜索词），而 2026-07-28 规范给出的答案是：它们不在同一层，不构成竞争。

	Agent Skills	MCP
定义什么	一个说明文件夹的格式	智能体与运行中服务器之间的协议
分发单位	技能目录	服务器进程或 HTTP 端点
在哪儿运行	磁盘上，由客户端加载	通过 stdio 子进程或 Streamable HTTP
核心问题	"用哪个技能、何时用、怎么用"	"调哪个工具、何时调"
成本特征	只花 context 成本，无调用延迟	工具 schema 在连接时就占 context；每次调用跨进程/网络
可移植性	极高：任何有文件系统+shell+网络的客户端都能用	中：需配置 transport、鉴权、config 文件
确定性	指令性------模型自己解读	确定性------给定相同输入走相同代码路径

一个来自 LlamaIndex 的表达最贴切："对智能体来说，面对 MCP 工具的挑战只是决定调哪个、何时调；面对技能的挑战则是决定用哪个技能、何时用、以及怎么用。"

两条常被引用的实践建议：

需要实时外部数据 + 严格权限控制 → 用 MCP；
反复执行同类提示词 / 需要团队输出一致 → 用 Skills。

另一个被反复提起的现实问题：工具 schema 是"连接时加载"的。GitHub 官方 MCP server 被广泛指出"单个就消耗数万 token 的上下文"。所以 skill 可以在服务端侧做减法，MCP server 则是上下文成本的主要来源。

Skills over MCP 与 Agent Plugins：三层如何组合

2026 年的最终格局是三层协作：

arduino 复制代码

Agent Plugins 1.0.0          ← 打包与分发（plugin.json + skills/ + mcp.json）
      ├── Agent Skills        ← 说明书（教 agent 怎么做）
      └── MCP Server          ← 连接器（给 agent 实际能力）

一个目录同时携带"怎么做的说明书"和"能连到哪里的接口"，用户一次安装即完成。这是当前增长最快、但占比仍最小的形态。

注意两层标准的历史 ：Claude Code Plugins 早于 Skills 一周发布（2025-10-09 vs 10-16），是宿主特定 的；而 Agent Skills 是跨宿主 标准（46 款产品支持）。要可移植就发 Skill，要团队标准化就包成 Plugin。

时代产物

2025-10-16：Anthropic 首次公布 Agent Skills
2025-12-18：作为开放跨平台标准正式发布
2026：MCP 2026-07-28 规范纳入 Skills over MCP 扩展
2026：Agent Plugins 1.0.0
2026：WorkBuddy 技能市场 ------万得信息将 AI 社区积累的 1600+ 个 Skill 开放；技能以 SKILL.md + 脚本 + 工作流封装"发送邮件、读写文件、查询信息"等定向任务；支持市场安装、上传导入、"创建技能"（输入任务描述由系统自动生成）与对话式安装；开关状态记录在用户全局配置并多端同步，且不修改技能原文件。
2026：DeepSeek Harness 的 Creator 模式（目录名 cordis）------可在对话中直接写插件（如"帮我写一个番茄钟插件"），实时观察 shell 调用、插件管理器、文件 diff，5 分 24 秒完成构建→安装→验证。
2026：Kimi Claw 的 ClawHub 社区技能库，5000+ skills
2026：Codex 的 AGENTS.md（分层项目指令：全局 + 仓库覆盖），以及 Skills / Plugins / MCP 三件套

2.6 五个概念的关系：一个具体例子

假设任务是"分析这个季度的销售数据，产出一份带图表的 PPT"：

层	谁在起作用	具体动作
模型	Qwen / Claude / GPT	理解需求、生成分析逻辑与 PPT 大纲
Loop	harness 里的循环	读 Excel → 写 Python 分析 → 跑出图 → 检查图表是否符合描述 → 不符合就改 → 再跑
Harness	Codex / WorkBuddy / DeepSeek Harness	沙箱执行 Python、缓存中间结果、压缩上下文、审批写文件动作、记录轨迹
MCP	文件系统 server + 数据库 server	让它能真的读到 t_sales 表和本地 xlsx
Skill	`ppt-generation/SKILL.md`	告诉它"公司 PPT 模板在哪个路径、标题字号、配色规范、图表类型选择偏好"
Agent	合起来	交回一个能直接用的 PPT 文件

去掉任意一层会怎样： 换掉 Skill，它出的 PPT 不符合你的规范；换掉 MCP，它读不到数据；换掉 Harness 里的沙箱，它可能把你的环境改坏；换掉 Loop，它只能算一次然后停下；换掉模型，它推理不动。

第三章　AI 对传统行业的演变影响

3.1 一条主判断

上海社会科学院数字经济学者王滢波的判断值得作为本节的引子："过去 AI 办公更多是 Copilot 模式'帮你写'，现在 Agent 追求'替你干完'......办公软件正在从被人操作的工具，转变为主动干活的执行主体，价值重心也从个人单点提效，转向团队协同提效，传统办公软件退居后台，沦为被 AI 调用的能力模块。"

这句话浓缩了所有行业正在发生的同一件事：软件的角色从"被操作"变成"被调用"。

3.2 五个正在发生的结构性变化

变化一：需求侧文本化，交付物定义化

过去交付一份报表，需求方描述的是"我要什么样子"；现在需求方描述的是"判断标准是什么"。

事故分析系统这类场景里，需求从"做个饼图"变成"严重度分布按三级口径、必须与后端聚合数严格对齐、空单元格统一占位符"------验收标准取代了样式描述。
这对人意味着什么：会写"验收标准"的能力，比会写"具体怎么实现"的能力更值钱。因为实现由 agent 做，验收只有人能做。

变化二：软件退居后台，能力被 API 化

办公软件：文档、表格、会议、IM 退化为 MCP server / Connector，成为被 agent 调用的能力模块。
国内格局（2026 年 8--9 月）：字节"豆包工作"（与飞书深度打通、授权后跨软件操作电脑）、腾讯 WorkBuddy、阿里千问办公、金山灵犀相继面世。业内统计国内 AI 办公桌面端合计月活约 3000 万，对比 1.2 亿白领群体，仍有约 20 倍增长空间。
WorkBuddy 开放平台的" Buddy 应用" 是这条趋势的终局形态：伙伴无需自研 AI，只需把场景、业务上下文、工具能力与品牌接进来，就得到一个完整形态的行业 AI 工作台。

变化三：单体岗位被拆成"任务"，任务被重新分配给 agent

典型案例：软件公司里"产品经理定需求 → 架构师设计拆任务 → 工程师批量实现 → QA 验证"的小需求流水线，现在可以由多个专家智能体在内部完成。

已在数字员工平台落地的场景：中金财富的智能投顾 Agent；中石油的 AI 自动化安全值守（宣称效率提升 10 倍）；安谋科技的研发流程优化。
招聘领域：JD 分解 + 能力库匹配 + 简历生成 + 导出------一个人从需求到交付的链路被压缩。

变化四：数据从"资产"变成"燃料"，且消耗量爆炸

华泰证券在研报中的判断：Agent 渗透带来的核心增量并非用户请求数量本身，而是每个任务内部 token 消耗、工具调用次数与并行执行宽度的共同增长。

一个真实案例量级：Kimi K3 生成行业研究网站时，120+ 轮递归改进、2800+ 次检索、1100+ 次终端调用、1.1 万+ 页内容、87 份季报与 99 份原始 PDF。
对数据基础设施的含义：数据不再是"建个表就完了"，而是要能被 agent 高频、并发、长时读取。

变化五：企业采购与合规成为一等约束

成本成为竞争变量 ：豆包 2.1 输入 6 元/百万 token、输出 30 元/百万，缓存命中低至 1.2 元/百万；混元 Hy3 输入约 $0.14/M、输出约0.14/M、输出约$ 0.14/M、输出约0.58/M；MiniMax M3 输出 $1.20/M（被称为"全球 80% 以上编程模型中最便宜的一个"）。价格差一个数量级，直接决定"能不能规模上 agent"。
采购安全成为红线：DeepSeek 在欧美受采购合规审视时，替代路径清晰------GLM-5.1（MIT）、GPT-OSS-120B（Apache 2.0）、Trinity（Apache 2.0）、Hunyuan T1。
合规资质成为门槛：MiniMax 至今未公开 SOC 2 Type II、ISO 27001、HIPAA 资格，这直接限制了它进入受监管的美欧企业负载；对比 Anthropic、OpenAI、Google 提供详细模型卡与系统卡。

3.3 分行业影响速览

行业	智能体渗透的具体形态	代表案例	关键约束
软件开发	端到端特性开发、PR review、迁移重构	Codex harness（Cisco / Thrive / Crete 生产在用）、Claude Code	代码所有权与责任归属
企业办公	数字员工、跨应用操作	WorkBuddy、扣子、HiAgent 3.0（17.8% 份额）、豆包工作	权限边界、审计
金融	智能投顾、报税处理、风控专项	中金财富投顾 Agent；Codex harness 处理 7000 份报税	监管、审计留痕
制造/能源	质检、调度、安全值守	中石油 AI 安全值守（效率提升 10 倍）	OT 安全、实时性
医疗/法律/教育	垂直 Agent 工作台	WorkBuddy 开放平台覆盖 20+ 领域	专业责任、幻觉
内容与创意	音画一体生成、品牌内容	Seedance 2.0 / 2.5、Seedream 5.0、Kimi 文档生成	版权（美国影视公司已就海螺 AI 提起诉讼）
政务/公益	场景胶囊 + 多智能体	"公益 Buddy"：11 个场景胶囊、42 条场景能力、15 个智能体协同	真实性、隐私
教育	费曼学习法类评价工具、个性化辅导	千问办公、WorkBuddy 教育版	未成年人保护
硬件/终端	眼镜/手表作为感知入口	WorkBuddy 智能眼镜形态	端侧算力、续航

3.4 对组织的三点实际影响

"会提问"变成核心职业能力。 上下文工程、任务分解、验收标准撰写------这三件事在 2026 年的价值已经超过"会写提示词"。
流程先于工具。 引入 agent 之前先把业务流程标准化，收益远大于直接上工具。这是从阶段二 RAG 时代就验证过的老经验，在 agent 时代被放大。
人的角色上移：从执行者变为责任承担者。 agent 可以写出代码，但签字的是人；agent 可以出报告，但结论的解释权在人。责任无法被自动化，这是智能体时代组织设计的硬约束。

第四章　五款智能体工具横评：Codex / WorkBuddy / TRAE / DeepSeek Harness / 豆包

4.0 总览表

	Codex	WorkBuddy	TRAE	DeepSeek Harness	豆包
厂商	OpenAI	腾讯	字节跳动	DeepSeek	字节跳动
形态	CLI / IDE 扩展 / 桌面 / Cloud	桌面+Web+IM+小程序	IDE + SOLO + TRAE Work	桌面应用 + Web UI	C 端 App + 火山引擎 MaaS
核心定位	通用软件工程智能体	全场景 AI 工作台	AI IDE / 智能工作助手	开源 agent 运行时	全模态消费级助手 + 企业 API
定价	含于 ChatGPT 订阅（Free→Enterprise）	订阅制 + 开放平台分成	Free / $3/3 /$ 3/10 / $30/30 /$ 30/100	免费开源，模型按 token 计费	订阅 + token 计费（低价）
开放性	harness 已开源（Rust, Apache-2.0）	Skill / Expert / Connector 三层开放	MCP 接入 + 自定义智能体市场	完全开源（MIT），一切皆插件	插件生态 + 扣子平台
最强项	代码深度、PR review、云端异步	多专家协同、跨端、办公全场景	中文语境、前端生成、成本	可控性、可复现、成本	全模态实时交互、C 端体验
最弱项	强依赖 OpenAI 生态与账户	学习曲线陡、Token 消耗大	遥测与数据治理需评估	生态相对年轻、踩坑需自己填	硬核科研与超长文档偏弱

4.1 Codex（OpenAI）

是什么。 今天说的 Codex 已经不是 2021 年那个补全模型，而是完整的产品套件：Codex CLI（终端）、IDE 扩展（VS Code 系）、桌面应用（macOS/Windows）、Codex Cloud（托管沙箱里的异步智能体）、以及 ChatGPT 网页版里的 Codex 入口。全部共享同一个 ChatGPT 账户与同一套 agent loop------在编辑器里起的任务，可以在终端继续，也可以甩到云端跑。

2026 年的关键动作：

2026-04-16：Agents SDK 引入 model-native harness + Manifest 抽象，支持跨 7 家沙箱供应商。
2026-08-20：harness 以 Apache-2.0 开源 （Rust 编写，90k+ stars），包含 codex exec（脚本/CI 用的有界 agent loop）、官方 SDK（启动、恢复、流式任务）、app-server。
2026-08 / DevDay：Codex CLI 加语音指令调度、/agents 视图、git worktree 并行隔离；桌面端加入 code review 视图，可后台自动扫描变更并生成 findings。
2026-10-08：GPT-6 发布，原生内建 Codex 集成，并引入跨周持久记忆。

优势

代码深度处于第一梯队：SWE-bench Verified 96.0%、SWE-bench Pro 79.2%、Terminal-Bench 2.1 89.1（Claude Opus 5 口径）；Codex 后端优化版在 Python 代码审查基准上被开发者反馈"唯一能抓到向后兼容性问题的那一个"；
harness 开源是全行业最大的礼物：可以直接 fork、改造、嵌入自己产品，不必逆向工程；
多 Agent 并行 + 云端异步：合上笔记本任务继续跑，可复用的云环境带权限配置；
工程细节扎实 ：AGENTS.md 分层项目指令、sandbox 模式与可写根目录、/init /status /permissions /model /review 斜杠命令、subagent 委派、非交互式 codex exec 与 GitHub Action、60+ 应用连接器。

瓶颈

强绑定 OpenAI 生态：账号体系、模型、计费都指向 ChatGPT 订阅，团队级用量受配额约束；
成本对长任务敏感：大仓库全量分析类任务 token 消耗大；
云端环境是新的安全面：复用环境承载了"智能体能访问什么、以什么权限访问"的安全决策，正式接生产仓库前必须审查 secrets 管理与权限继承；
不自动部署：Codex 不会未经明确批准就 push 到 GitHub。

适用场景

复杂软件工程：疑难 bug 定位、大型重构、跨仓库迁移；
团队级 PR review 门禁（保留人类发评论的责任线）；
CI / 脚本化批量任务（codex exec）；
想自建 agent 产品的团队（直接 fork harness）。

不适合：完全隔离于 OpenAI 生态的合规环境；纯低成本的日常小改。

4.2 WorkBuddy（腾讯）

是什么。 全场景 AI 工作台，"一人指挥，全行业专家执行"。100+ 领域专家组成虚拟团队，多专家并行协作，覆盖策略到交付全流程；支持桌面 / 主流 IM / 小程序多端。

三层开放能力（这是理解 WorkBuddy 的钥匙）：

层	解决什么问题	是什么
Expert（专家）	谁来做	调好角色与方法论的垂直 Agent，分 Agent 型与 Team 型（后者多专家协同完成长链条任务）
Skill（技能）	按什么方法做	可复用的方法或工具包，封装脚本与工作流；万得开放了 1600+ 个 Skill
Connector（连接器）	连到哪里做	支持 MCP 与 CLI 双方案，可接腾讯文档、腾讯会议、QQ 邮箱、企业微信、飞书、钉钉、天眼查、携程、百度网盘等

三种工作模式（权限从低到高）： Ask（只读、纯问答）→ Plan（只读、制定计划）→ Craft（可写、可执行）。

开放平台（2026-09 上线）： 首批 100+ 伙伴，覆盖金融、SaaS、法律、医疗、教育、公益、设计等 20+ 领域；Expert 市场涵盖 Agent 型与 Team 型；Connector 支持 MCP 与 CLI；「Buddy 应用」入口让伙伴构建品牌化行业 AI 工作台（如"公益 Buddy"：11 个场景胶囊、42 条场景能力、15 个智能体协同）。

优势

多专家协作是真实差异化：不是单 agent 加长 prompt，而是并行分工------内容创作团队（视频/图文/剪辑/跨语言）、软件开发团队（PM→架构→工程→QA）都是原生编排；
端到端交付物能力：不只是聊天，能产出 PPT、Excel、报告、视频等成品；
连接器生态广：MCP + CLI 双方案，在国内 IM 与办公套件上的覆盖是独有的；
多端同步：桌面 / 主流 IM / 小程序，以及已展示的智能眼镜形态（眼镜采集 → WorkBuddy 理解规划执行 → 账号/任务/记忆/产物跨设备同步）；
B 端路径清晰：伙伴不用自研技术栈，Know-How 直接沉淀为 Agent 能力。

瓶颈

Token 成本高：长会话 + 多专家并行的架构决定了它的运行费用不低，"Ask/Plan/Craft"三档模式是用户唯一的刹车；
学习曲线陡：Expert / Skill / Connector / 模式 / 插件多套概念同时存在，新用户需要理解心智模型；
生态尚在早期：官方口径是 100+ 伙伴，覆盖 20+ 领域，相对传统办公软件生态仍是"蓝海"；
企业级审计能力待验证：文档强调的"沉淀企业经验"机制在复杂合规场景下的可追溯性需要实际验证。

适用场景

需要多角色协同的复杂工作（调研 → 报告 → PPT → 汇报材料）；
跨系统的日常办公自动化（文档 + 表格 + 会议 + IM 联动）；
行业 Know-How 产品化（作为合作方构建行业 Buddy）；
团队级"数字员工"部署。

不适合：单人极简问答；对数据出境敏感而无法配置合规边界的负载。

4.3 TRAE（字节跳动）

是什么。 基于 VS Code 的 AI IDE，双重开发模式：IDE 模式 保留原有流程、控制感更强；SOLO 模式让 AI 主导任务、自动推进。2026 年新增 TRAE Work（桌面端 / 网页版 / 移动端）作为智能工作助手。

2026-02-24 起的 token 计费改版：

档位	月费	基础用量	并发云任务	SOLO	早期模型
Free	$0	5,000 次补全 + 有限	2	有限	---
Lite	$3	$5 + 奖励	2	有限	---
Pro	$10	$20 + 奖励	10	含	---
Pro+	$30	$90 + 奖励	15	含	---
Ultra	$100	$400 + 奖励	20	含	有

上下文：常规模式最高 272K，Max 模式最高 1M（取决于模型）；每会话最高 200 次工具调用；全模式启用上下文管理与压缩摘要。Pro 用户使用 Gemini-3-Pro（200K 上下文）时，SOLO 模式可用对话数约为改版前的 3 倍。

优势

成本最低的入口：国内版基础功能免费，且可免费使用豆包与 DeepSeek R1/V3；$10 的 Pro 是个人开发者的甜点；
中文语境与前端生成强：Builder Mode 自然语言生成项目；豆包 2.0 Code 在前端开发上提升显著，官方演示中 1 轮提示词构建复杂应用基本架构、5 轮完成"TRAE 春节小镇·马年庙会"这类互动项目；
自定义智能体 + 智能体市场：可自由配置工具、技能与任务逻辑并分享；
MCP 生态接入：外部资源调用边界可精细打磨；
上下文工程扎实：1M Max 模式 + 200 工具调用 + 全模式压缩，是长任务不跑偏的基础。

瓶颈

遥测与数据治理需自行评估：官方提供 Privacy Mode，但遥测范围、第三方扩展行为、是否满足内部治理要求必须由企业自己核对隐私政策------这在处理专有代码库的团队里是硬门槛；
容量不可预测：Lite 档只保留 2 个并发云任务；token 消耗随任务规模剧烈波动，"检查整个项目"类模糊提示会迅速烧完额度；
企业控制面弱：缺少厂商中立的可观测性与合规认证披露；
SOLO 仍非完全自治：官方定位是"AI 主导、人可干预"，与"任务提交后完全放手"仍有距离。

适用场景

中文环境的前端开发与独立项目原型；
预算敏感的个人开发者、学生；
需要按任务粒度切分、先出计划再执行的协作式开发。

不适合：对数据驻留有硬性要求的企业仓库；需要预测性月账单的超大规模并发使用。

4.4 DeepSeek Harness

是什么。 2026-08-13 与 DeepSeek-V4-Pro-0813 正式版同日发布的开发者预览版，MIT 协议开源，定位对标 Codex 与 Claude Code，主打编程与办公场景。GitHub 12 小时内星标破 5 万，被媒体称为"史上增长最快的项目之一"。

设计哲学：一切皆插件。 基于北京大学与 DeepSeek 合作的论文《A Programming Paradigm for Spatiotemporal Composability》所述的 Cordis 框架------一个小型内核，负责加载/卸载插件并管理插件间依赖；每次注册都是一个可回卷的 effect。模型适配器、工具注册表、agent loop、会话存储、沙箱、调度、甚至 Web UI，全部是插件。开发者无需改动主体代码就能独立选择、替换或扩展任一能力。49 个包（core / llm / mcp / sandbox / context / plan / goal 等），100+ 第一方插件。

四种预设：

预设	加载内容	最适合
Standard	完整编码 agent：文件编辑、shell、检索、技能、规划、目标、子智能体、工作流	日常主力
Code（PTC）	Standard + Code Mode SDK，模型可写 TypeScript 程序串联多步工具调用	复杂编排（注意副作用与调用倍增）
Minimal	持久 bash + str_replace_editor	复现基准测试（V4 Flash 的 Terminal-Bench 2.1 = 82.7 就是这个模式）
Creator（`cordis`）	Standard + 运行时检视、内存插件实验、预设编写	写插件、调试插件

Trajectory ：仅追加（append-only）的会话日志，zstd 压缩 JSONL，记录系统提示、推理、工具调用与结果、子智能体调度；可检视、恢复、分叉、检索、回放任意一次运行。

优势

完全可控、可审计、可分叉：Trajectory + Minimal 预设让"复现或挑战"厂商公布的分数成为可能，这是全行业最罕见的透明度；
模型中立：默认可接 DeepSeek V4，但也接 Anthropic、OpenAI、Moonshot、Z.ai 与任意 OpenAI 兼容网关；甚至能把 Claude Code 或 Codex 当作子智能体 spawn 出来；
一切皆插件的真正价值在企业 ：模型、工具、技能、会话、沙箱、存储、循环、调度、UI 全可替换重组，企业可以替换掉其中任何一环而不改源码；
成本结构激进：免费编排 + 付费推理，配合 V4 Flash / V4 Pro 的峰谷计价；
Creator 模式的产品想象力：对话里写"帮我写一个番茄钟插件"，系统会真的把插件构建、装上、验证通过（官方演示耗时 5 分 24 秒，含浮窗 overlay 实现）。

瓶颈

生态年轻：100+ 插件是第一方为主，第三方丰富度远不及 Claude Code 生态与 MCP 服务器市场；
默认沙箱不够紧 ：写入限制在 workspace 与临时目录内，但读取与网络访问未被限制------对处理敏感代码的团队，这是必须先加固的一环；
脚手架 token 开销大：13,467 token 换一句 PONG，说明 system prompt / 工具 schema / 仓库规则 / 技能摘要的合流没有做极致精简；
安装足迹重：macOS 上 531 个包、306 MB；
发布即涨价：Harness 免费开源与同日 API 涨价的组合，实质是"免费编排、付费推理"策略，用户需算清总账；
无系统卡与第三方红队披露，安全治理披露程度低于 Anthropic / OpenAI。

适用场景

需要完全掌控 agent 运行时的团队（自建平台、私有化）；
想 fork / 二开 agent 基础设施的开发者；
成本敏感的高并发 agent 负载；
学术与工程研究（可复现的评测环境）。

不适合：追求开箱即用、依赖成熟第三方生态的普通用户；对默认安全边界不打算自行加固的敏感环境。

4.5 豆包（字节跳动）

是什么。 覆盖 C 端 App + 火山引擎 MaaS + 扣子（Coze）+ HiAgent 的全栈布局。豆包 2.1 / 2.0 走的是"多模态 Agent 模型 + 全模态创作模型"双线。

能力版图（截至 2026 年中）：

模型：豆包 2.1 系列（Pro / Lite / Turbo）、豆包 2.0 Code（前端优化专项）；
图像：Seedream 5.0 / 5.0 Pro / 5.0 Lite（Lite 首次搭载联网检索），支持圈选精准编辑、图层自动拆分填充、10+ 语言智能排版，单图可承载整页 PPT 信息；
视频：Seedance 2.0 / 2.5，2.5 支持 30 秒原生视频直出 、50 项全模态素材参考、3D 白模预演（提前完成镜头、场景、机位规划）；
语音：豆包音频 1.0（影视级音效全套音轨）、实时语音模型 RealtimeVoice、SeedRealtime（原生音视频全双工）、音色设计模型（文生音色 / 图生音色）、同声传译、语音播客、语音妙记；
ASR：Seed-ASR-2.0，上下文理解从纯文本扩展到视觉层面；
平台：扣子（一站式 AI Agent 开发工具，面向开发者与中小企业）、HiAgent 3.0（大型企业，"1+N+X"体系，市场份额 17.8%）；
商业化：截至 2026 年 6 月日均 token 调用量突破 180 万亿，两年涨幅超 1500 倍；火山引擎 MaaS 公有云市场份额 49.5%；年万亿 token 级企业客户翻倍至 200 家。

优势

全模态 + 实时交互是国内最强 ：SeedRealtime 2026-08-05 在豆包 App 全量上线，是消费级率先实现音视频全双工规模化落地------"边看、边听、边说"，且能主动观察画面变化并在关键目标出现时主动提醒、调用工具。端到端人工评测显示相比级联模型，对话节奏问题减少一半；
成本优势极其显著：豆包 2.1 输入 6 元/百万、输出 30 元/百万、缓存命中 1.2 元/百万------比同级低约一个数量级；
迭代节奏快 ：依托 Doubao-Seed-Evolving 体系，针对编程与 Agent 核心场景每月 2--4 次高频更新；
C 端体验打磨充分：中文日常语境、网络流行语、直播感交互；
企业落地广：特斯拉全系接入实时语音模型、奔驰 CLA 智能交互、中金财富投顾 Agent、中石油安全值守；
行业全模态覆盖：工业、金融、汽车、企服同时有案例。

瓶颈

硬核科研与超长文档分析偏弱：相比 Kimi 的长文本标杆、Claude 的深推理，豆包在学术级长程推理上不占优；
大型企业私有化起步较晚：相对华为盘古（昇腾适配 + 工业气象能源矿山垂类）、Qwen（Apache 2.0 全尺寸免费商用可私有化）的落地成熟度有差距；
创作工具线的"专业度"与工作流耦合不深：图像/视频模型本身强，但与工程化批量生产流程（可控性、批次一致性、素材管理）还需产品层补齐；
智能体深度依赖云端 App 生态：不同于 Codex / DeepSeek Harness 的可编程性，豆包更偏"用起来"而非"造出来"（扣子是补位口）；
企业级审计与私有化能力需逐案验证。

适用场景

消费级语音/视频/图像创作与陪伴；
高并发、低成本的通用 agent 负载；
需要实时语音交互的产品（座舱、客服、陪伴、教育）；
火山引擎 MaaS 上的工程化 API 调用。

不适合：超长文档深度分析为主的任务；要求深度私有化与全栈开源可裁剪的私有部署。

4.6 选型建议（按场景）

你的处境	首选	理由
复杂软件工程 + 想掌控 harness	Codex	代码能力第一梯队，harness 已开源可 fork
团队多角色协作、跨系统办公	WorkBuddy	Expert/Skill/Connector 三层 + 多端 + 多专家并行
中文前端开发 + 预算敏感	TRAE	$3 起步，中文语境与前端生成强
自建 agent 平台、要完全可控	DeepSeek Harness	MIT 全开源、一切皆插件、Trajectory 可审计
语音/视频/图像创作 + 大规模低成本调用	豆包	全模态实时领先 + 成本低一个数量级
学术研究与可复现评测	DeepSeek Harness	Minimal 预设 + Trajectory 回放

第五章　模型横评：优势、瓶颈与"谁在什么上遥遥领先"

5.0 全景速览

模型	版本/时间	上下文	输入/输出价格	一句话定位
Claude Opus 5	2026-07-24	1M（输出 128K）	$5/5 /$ 5/25	深度推理与 agentic coding 的标杆
ChatGPT / GPT-6	2026-10-08	10M（API）	$5/5 /$ 5/25	全能型平台，跨周记忆 + 原生 Codex
Grok 4.7	2026-09-21	500K	---	实时数据 + 多智能体 + X 生态分发
千问 Qwen3-Max	2025-12-15	256K	$0.50/0.50 /$ 0.50/5.00	开放权重生态天花板
混元 Hy3	2026-07-06	262K	$0.14/0.14 /$ 0.14/0.58	性价比 + Apache 2.0 的国产旗舰
DeepSeek V4-Pro / V4.1-Flash	2026-08 / 10月更新	长上下文	峰谷计价	推理 + 成本 + 开源 harness 三合一
MiniMax M3	2026-06-01	1M（输出 512K）	$0.30/0.30 /$ 0.30/1.20	首个"前沿编码 + 1M + 原生多模态"开源权重模型
Kimi K3	2026-07-16	1M	---	全球首个开放 3T 级模型，长程编码标杆

5.1 Claude Opus（Anthropic）------ 深度与长程推理标杆

优势

agentic & tools 能力处于第 93 百分位（Model Beat 追踪模型中），是当前最被认可的"能把活干完"的模型之一；
SWE-bench Verified 96.0%、SWE-bench Pro 79.2%、Terminal-Bench 2.1 89.1、Terminal-Bench 3.0 43.3；
1M 上下文（输出 128K），可整库、整份长文档一次性塞入；
五档 effort 控制（low / medium / high / xhigh / max），把"快"和"深"解耦；
GPQA Diamond 93.9%、HLE 54.9%、AIME 98.9%；BrowseComp 90.8%、AutomationBench 50.3；
多入口分发：claude.ai、API、AWS Bedrock、Google Cloud、Microsoft Foundry；
Claude Code 是开发者口碑最好的 agentic 编程客户端之一。

瓶颈

无原生图像/视频生成------这是 ChatGPT 对比下最明显的空缺；
高 effort 下延迟大：TTFT 中位数约 50 秒量级，慢任务体感明显；
长程自主有专门分工 ：Opus 5 偏通用旗舰，而数小时级自主 agent 另由 Claude Fable 5 承担（ $10/10/$ 10/50），Opus 5 约为其 95% 表现但一半成本------想省钱又要长程，得自己做模型路由；
价格偏高 （ $5/5/$ 5/25），长上下文高强度使用成本显著；
安全对齐在部分高风险领域（进攻性安全、生物）仍落后于 Claude Mythos 5；
闭源，无法自托管。

适用：复杂软件工程、高风险生产负载、长文档分析、需要一致风格的长文写作、需要自主性的多步工具流水线。

5.2 ChatGPT / GPT-6（OpenAI）------ 平台宽度第一

优势

10M token 上下文（GPT-6，2026-10-08 发布；较此前旗舰 Astra 的 2M 提升 5 倍），单次约可处理 150 万字，相当于两部中篇小说体量；
原生内建 Codex（GPT-6 启动即原生 Codex，不再是外挂集成）；
跨周持久记忆------这是 2026 年最重要的产品级变化：模型可以承载"多周"的任务状态，而不只是单次会话；
全模态最齐全 ：ChatGPT Images 2.5（2026-09-08，含商业授权）、GPT-Live（2026-07-08，取代 Advanced Voice Mode，全双工、可被打断、可边对话边联网搜索）、Sora 2 视频（虽独立 App 于 2026-03 关停，能力仍在 ChatGPT 内）；
生态最广：60+ 应用连接器、Agent Mode、Deep Research、Codex、Custom GPTs、dots（always-on agent）、GPT Store；
规模：超 10 亿月活，是最接近"AI 操作系统"的产品。

瓶颈

视频能力已收缩 ：Sora 独立应用 2026 年 3--4 月关停，GPT-6 本身的多模态为文本+图像+音频，不含视频生成------视频需走 Sora 独立模型；
上下文与记忆带来的成本与隐私张力：免费/Go/Plus 层对话默认可能用于训练（可关闭），且已有法院命令要求保留并提供数百万条匿名化 ChatGPT 日志（纽约时报版权案）；
免费层与低价层出现广告（美国、英国、印度及欧洲多市场），是产品化的重要转折；
幻觉与长程一致性仍需人工复核：会自信地生成错误的引文与事实，长对话中早期指令会丢失；
欧盟落地延后至 2027 Q1（AI Act 合规审查），全球化有缺口；
闭源、无开放权重；
频繁的模型更新被部分用户批评"过于谨慎、语气机械"。

适用：一站式通用工作台；研究型深度检索；需要图像+语音+代码+Agent 全链路；团队协作与自定义 GPT 生态。

5.3 Grok（xAI）------ 实时性与分发渠道的异类

现状（截至 2026-10-19） ：最新可用模型是 Grok 4.7 （2026-09-21），支持一次读取 50 万 token；Grok 4.8 仍在训练中；Grok 5 尚未发布，也无官方日期（曾承诺 2025 年底 → 2026 Q1 → 均落空；Musk 说过 4.8 / 4.9 排在 5 之前，开放窗口为 2026 年底之前）。2026-10-14 xAI 发布了 Grok Voice 3.0。

优势

实时数据独占：X 平台的实时流是其他厂商无法复制的资产，DeepSearch 能把 X 上的即时讨论与外部来源交叉验证；
多智能体架构最早成体系：Grok 4.20 引入 4 代理协作（Grok / Harper / Lucas / Benjamin），Heavy 版扩展到 16 个；
分发渠道独特：X + 特斯拉车载 + 独立 App，模型升级直接变成产品升级（车辆内响应速度是被明确考核的指标）；
Grok 4.7 被官方定位为其最强推理模型；Colossus 2 集群 122 天建成、20 万 GPU 规模；
语音侧领先：官方称 Voice API 在 Big Bench Audio 排名第一；Grok Voice Transcribe 2.0（2026-09-18）、Grok Voice 3.0（2026-10-14）、Team Bots（2026-09-28）；
规模：X 与 Grok App 合计约 6 亿月活（2026-01 披露）。

瓶颈

版本节奏与承诺管理混乱：Grok 5 反复延期，4.8 / 4.9 作为过渡版本占用了发布位；"AGI"表述均来自 Musk 本人，未经独立验证；
长程工程能力弱于第一梯队：在 SWE-bench 系与 Terminal-Bench 系上没有 Opus 5 / GPT-6 级别的公开数据；
事实性与争议性：X 的实时流是双刃剑------"Truth Mode"式的交叉验证有价值，但平台语料本身的噪声与错误信息是实打实的风险；
旗舰模型能力（按传闻 6 万亿参数 MoE、1.5M 上下文）目前仍停留在预告阶段；
生态厚度不足：开发者工具与企业集成弱于 Codex / Claude Code。

适用：实时信息检索与舆情分析、X 生态内容创作、车内语音交互、追求"新"与"野"的尝鲜型任务。

5.4 千问 Qwen（阿里）------ 开放权重生态的天花板

优势

开放生态最完整：Qwen3 系列从 0.6B 到 235B 全尺寸 Apache 2.0，免费商用、可下载、可本地部署、可二次微调------这是国内任何一家都做不到的完整度；
Qwen3-Max（2025-12-15）：1T 参数级，256K 上下文，覆盖 100+ 语言；Qwen3.7-Max 与 qwen3.6-plus（512K 上下文、原生结构化推理、覆盖文本/视觉/音频）持续迭代；
代码与数据分析能力强，Excel 处理表现突出；
阿里云深度绑定，企业云上私有化部署方案成熟；
价格友好 ：Qwen3-Max 输入 $0.50/M、输出0.50/M、输出$ 0.50/M、输出5.00/M（对比混元 Hy3 的 $0.14/0.14/$ 0.14/0.58 仍有差距，但远低于 Opus 5 的 $5/5/$ 5/25）；
C 端规模：通义 App 约 2.03 亿 MAU（2026-04），全球前三；
多语言能力最强档位之一，适合出海产品。

瓶颈

超大模型版本偏少：真正最前沿的闭源旗舰（Qwen3-Max、Qwen3.7-Max）不开源，开放权重版本的能力与旗舰存在系统性差距；
超长文档深度分析不如 Kimi------长文本是 Kimi 的主场；
偏技术，文学氛围感与中文语感一般；
Agent 生态厚度不及 Codex / Claude Code：模型好，但配套的 harness、插件、连接器成熟度低；
Qwen3-Max 价格在国产阵营里偏高（Hy3 比它便宜约 6.5 倍），高并发场景需谨慎；
国际渠道与工具链适配不如 DeepSeek / GLM 直接。

适用：需要开源自托管 + 私有化的企业；多语言出海产品；中等复杂度的通用 agent 负载；成本可控的规模化调用。

5.5 混元 Hy3 / Hunyuan（腾讯）------ 性价比与合规的国产旗舰

优势

性价比断层领先 ：Hy3 输入约 $0.14/M、输出约0.14/M、输出约$ 0.14/M、输出约0.58/M，是 Qwen3-Max 的约 1/4 输入、1/8.6 输出，约 6.5 倍的混合成本优势；
SWE-bench Verified 78%（Qwen3-Max 为 69.6%）；
262K 上下文（输入与输出均 262,144），输出上限高于 Qwen3-Max 的 131,072；
Apache 2.0 开放权重------国产阵营里最干净的许可证之一，可自托管可微调；
Hunyuan T1 推理线 ：Mamba 混合架构，解码速度 2 倍 ，MMLU-Pro 87.2%、MATH-500 96.2%，且在美国/欧盟采购审查中未被点名，是欧美受监管企业的 DeepSeek 替代首选之一；
与微信生态深度绑定（微信/QQ 的 AI 能力底座）；
垂类优势：游戏 AI、数字人、虚拟主播、金融风控专项优化；视频生成质量稳定；政企与金融招标场景常见。

瓶颈

综合能力排在第一梯队之后：不与 Opus 5 / GPT-6 争高难推理的榜首；
开源生态偏弱：模型与工具链的社区规模小于 Qwen 与 DeepSeek；
通用对话体验中等：垂类强而通用弱，跨场景的稳定性需实测；
2026-07-06 发布的版本距今较新，第三方独立评测与生产验证量少于老牌模型。

适用：成本敏感的规模化 agent 负载；欧美受监管企业的采购安全路径；微信生态内的产品；游戏/数字人/金融风控垂类。

5.6 DeepSeek（深度求索）------ 推理、成本与开源工程的三角

优势

推理与代码的国产天花板：DeepSeek-V4-Pro 正式版（2026-08-13）在多项 agent 能力评测上逼近或超越其他厂商；
成本极低：V4 Flash / V4 Pro 自 2026-08-16 起采用峰谷计价，V4 Flash 是当前最便宜的高性能选择之一；
DeepSeek Harness 是全行业最重要的开源事件之一：MIT 协议、一切皆插件、模型中立、Trajectory 可审计、Minimal 预设可复现基准（V4 Flash Terminal-Bench 2.1 = 82.7）、100+ 插件、300+ 技能生态（Kimi Claw 侧 ClawHub 5000+ skills）；
V4.1 Flash-1017：项目开发能力提升，API 新增网页搜索与抓取支持；
C 端基础扎实：约 2.36 亿个人用户、21.4 万企业客户与开发者，覆盖 200+ 国家和地区；开源版本可适配国产芯片，私有化部署成熟。

瓶颈

Harness 生态成熟度不足：插件以第一方为主，第三方生态与文档质量参差；
默认安全边界偏宽：沙箱只约束写入，读取与网络未限制；对企业自建是必须先补的洞；
脚手架 token 开销大 （PONG 任务 13,467 token）与安装足迹重（531 包 / 306 MB），说明 harness 工程尚未打磨到极致；
无系统卡 / 无第三方红队披露；
欧美采购合规风险：在受监管的金融、医疗、政府场景，需要准备替代路径；
C 端品牌认知弱于字节与阿里，主要面向开发者与企业。

适用：自建 agent 平台；成本敏感的规模化负载；研究与可复现评测；需要模型中立架构的组织。

5.7 MiniMax M3 ------ 首个"前沿编码 + 1M + 原生多模态"的开源权重模型

优势

2026-06-01 发布的 M3 是全球首个同时具备这三项的开放权重模型：SWE-Bench Pro 59.0%（超 GPT-5.5 与 Gemini 3.1 Pro，逼近 Opus 4.7）、1M 上下文、预训练起就原生多模态（文本+图像+视频交错训练，非后挂）；
MSA 稀疏注意力架构是硬工程突破 ：1M 上下文下每 token 计算量约为上代的 1/20 ，prefill 加速 9.7 倍 、decoding 加速 15.6 倍，且消融实验中表现与全注意力在绝大多数任务上持平；
1,048,576 上下文 + 512,000 最大输出（约为 M2.7 的 5 倍）；
长程 agent 行为的实证：CUDA kernel 优化任务中连续运行 24 小时、1959 次工具调用、147 次基准提交，把 NVIDIA Hopper 的峰值利用率从 7.6% 提升到 71.3%（9.4 倍），全程零人工介入；独立构建出 MiniTriton 编译器（自带 tile 级 IR、MLIR 优化 pass、PTX 代码生成），在支持的 roofline 基准上与 Triton / torch.compile 持平或更好；
价格：输出 $1.20/M（2026−06发布期输入1.20/M（2026-06 发布期输入$ 1.20/M（2026−06发布期输入0.30/M 且首周五折），被称为"全球 80% 以上编程模型中最便宜的一个"；
OSWorld-Verified 70.06%，具备直接操作桌面环境的 computer-use 能力；
全模态矩阵是全球少数：文本 / 语音 / 图像 / 视频 / 音乐五条线并行，Speech 2.6 在 Arena 语音榜登顶（超越 OpenAI 与 ElevenLabs），人声相似度 99%，服务 6 万+ 企业；Hailuo 2.3 位列 AA 文生视频第 9、图生视频第 5，被称为"运镜大师"；
开放权重与生态：权重与技术报告在 API 上线约 10 天内发布于 HuggingFace / GitHub。

瓶颈

语音与音乐仍是外挂而非融合：Speech 2.8 与 Music 2.6 是独立模型，通过 API 层与 M3 拼接------"接口统一 ≠ 模型融合"，这是其"全模态平台"叙事尚未闭合的关键缺口（M3 Pro 被寄予厚望）；
C 端不赚钱：2025 年经调整净亏损 2.51 亿美元，亏损率由 800% 收窄到 317%（仍极高），毛利由 12.2% 升至 25.4%；C 端增长从近 200% 回落至 80% 区间；
企业级合规披露缺失：无 SOC 2 Type II、无 ISO 27001、无 HIPAA 资格、无系统卡与第三方红队，直接限制受监管市场；
自托管成本高：BF16 权重约需 480GB+ 显存，现实是 8×H100/H200 多节点；无 Bedrock / Vertex / Azure 托管选项；
基准与真实体验存在落差：有开发者反馈真实使用与前沿模型仍有差距------SWE-bench Verified 80.5%（2026-06 全球第八）的名次与体感之间需要自行验证；
模型本体不含音频输入输出：语音工作流需另接 MiniMax Audio 端点或第三方 ASR/TTS。

适用：需要 1M 上下文 + 开放权重 + 成本可控的智能体负载；长文档/长音视频内容管线；对数据主权有要求的私有化；语音与视频创作工作流。

5.8 Kimi K3（月之暗面）------ 开放模型的规模与长程标杆

优势

2026-07-16 发布，2.8T 参数，是全球首个开放 3T 级模型（权重 2026-07-27 全量开放）；Kimi Delta Attention（KDA）+ Attention Residuals（AttnRes）+ Stable LatentMoE（896 专家激活 16），相对 K2 整体扩展效率提升约 2.5 倍；
1M 上下文 + 原生视觉；
长程编码极强：官方称可连续编码 13 小时、改写 4000+ 行代码；Program Bench 77.8（超 GPT-5.6 Sol 的 77.6）、FrontierSWE 81.2（分别高出 GPT-5.6 Sol 与 Claude Opus 4.8 达 9.9 和 14.5）；
Agent Swarm 是全行业规模最大的并行架构 ：最多 300 个子智能体并行 、4000+ 工具调用，比单体智能体快约 4.5 倍；在 K2.6 上支持最长 5 天连续自主运行；
长程 agent 训练的工程突破 ：训练与评估期创建超 5100 万个沙箱，partial rollout 机制让长任务在等推理时释放算力，容忍异步与延迟------长程 agent 任务首次进入规模化训练阶段；
真实长任务样本：生成 AI ASIC 行业研究网站，120+ 轮递归改进、2800+ 次检索、1100+ 次终端调用、1.1 万+ 页内容、87 份季报、99 份原始 PDF；BrowseComp 与 AutomationBench 表现突出（AutomationBench 取最高成绩）；
Kimi Agent 产品矩阵完整：网站生成、文档（Word/PDF/Markdown）、表格（Excel/CSV）、幻灯片、Deep Research（万字级）、Kimi Claw（云端常驻 + 5000+ 技能 + 40GB 云存储 + 无需本地环境）；
性价比突出：有工程师反馈在工作流中表现接近 Claude Fable 5 但成本显著降低。

瓶颈

官方坦承整体仍落后于最强闭源模型（Claude Fable 5、GPT-5.6 Sol）------这是月之暗面自己在发布稿里写的；
推理成本与 1M 上下文的性价比张力：上下文窗口大不等于用得起；
长程自主的失败模式仍存在：120 轮递归改进意味着大量中间步骤，错误累积与循环打转的风险随之上升；
C 端生态与国内办公/IM 的绑定不如字节与腾讯；
开放权重的部署门槛：2.8T 参数的自托管对绝大多数团队不现实，实际依赖 API 或合作推理伙伴。

适用：超长文档与超长程工程任务（数小时到数天的自主执行）；大规模并行研究；需要开放权重 + 前沿长程能力的场景；成本敏感的 agent 负载。

5.9 "哪些模型在哪些方面遥遥领先"------ 归位表

文本 / 推理 / 编码

维度	领先者	依据
最难的抽象推理	Claude Opus 5	ARC-AGI 97.5%、ARC-AGI-2 90.4%、GPQA Diamond 93.9%、HLE 54.9%；harness 优化后 GPT-5.6 Sol 的 ARC-AGI-3 从 13.3% 拉到 38.3%
软件工程（SWE-bench 系）	Claude Opus 5	Verified 96.0% / Pro 79.2% / Multilingual 89.5%
超长上下文	GPT-6	10M token（API），单次约 150 万字
长程自主执行	Kimi K3	13 小时连续编码、24 小时 kernel 优化、5 天连续运行、300 子智能体并行
开放权重下的最强推理	Kimi K3	2.8T 开放 3T 级，HLE 与 SWE-Bench Pro 达前沿
性价比前沿	混元 Hy3 / DeepSeek V4 Flash / MiniMax M3	$0.14/M输入、0.14/M 输入、$ 0.14/M输入、0.30/M 输入、$1.20/M 输出
中文日常语感	豆包	流行语、生活化表达、C 端打磨
国产综合推理 + 奥赛	豆包 2.0 Pro	IMO / CMO 金牌，Putnam Bench 超 Gemini 3 Pro
数学与形式化	混元 Hunyuan T1	MMLU-Pro 87.2%、MATH-500 96.2%，解码 2 倍速
多语言覆盖	Qwen3-Max	100+ 语言

图像

名次	模型	说明
质量第一	Recraft V4.1	占据 Artificial Analysis 文生图质量榜首
部署量第一	GPT Image 2（2026-04-21）	部署量最大的基础图像模型；token 计费，Batch API 五折
企业版权安全默认	Adobe Firefly	训练数据全部授权、企业商用赔付保障、原生集成 Creative Cloud
中文商用创作最强	豆包 Seedream 5.0 / 5.0 Pro	圈选精准编辑、图层自动拆分填充、10+ 语言智能排版、单图承载整页 PPT 信息、Lite 版首次带联网检索
文字渲染 / 排版	Seedream 5.0 与 GPT Image 2 并列领先	中文排版优势更明显

视频

名次	模型	说明
含音频视频第一	豆包 Seedance 2.0	AA 文生视频 Arena（含音频）ELO 1215 登顶；首个把音画联合生成做到 SOTA；Aren 三大领域（文生/图生/编辑）全部第一；15 秒多镜头 + 音画同步 + 多模态输入
长度与专业预演	豆包 Seedance 2.5	30 秒原生视频直出（远超行业 15--20 秒上限）、50 项全模态素材参考、3D 白模预演（提前规划镜头/场景/机位）
电影级画质（无声）	Google Veo 3.5	1080p、物理仿真稳定、长镜头时序连贯、原生 Gemini API 集成
亚洲短视频与广告	快手 Kling 4	原生 9:16 竖屏、最快迭代节奏、抖音/TikTok 风格原生适配
运镜与性价比	MiniMax Hailuo 2.3	AA 文生视频第 9、图生视频第 5
已退场	Sora 2	独立 App 2026-03/04 关停，退出榜单；GPT-6 本身不含视频生成

语音

维度	领先者	说明
中文 TTS 自然度	豆包语音合成 2.0	国内实测中文自然度 9.2/10（最高档），支持自然语言指令控制情绪；首包 300--400ms；5 秒克隆、相似度 97.5%；支持唱歌、方言、口音模仿、角色扮演
实时全双工语音	豆包 RealtimeVoice / SeedRealtime	Speech2Speech 端到端框架（非 ASR→LLM→TTS 串联），对话节奏问题比级联减少一半；SeedRealtime 原生音视频全双工，2026-08-05 豆包 App 全量上线，消费级率先规模化；可主动感知画面并调用工具
TTS 榜单 / 人声相似度	MiniMax Speech 2.6	Arena 语音榜登顶（超 OpenAI 与 ElevenLabs），人声相似度 99%，服务 6 万+ 企业
英文配音天花板	ElevenLabs	英文自然度 9.8/10 断层领先，情感标签顶尖；中文自然度 8.8/10
超低延迟	Azure TTS	国内数据中心首包约 120ms（实测最低），700+ 音色，50 万字符/月免费层
语音评测基准	Grok Voice	官方称 Voice API 在 Big Bench Audio 排名第一；Grok Voice 3.0（2026-10-14）
全双工对话助手	GPT-Live	2026-07-08，全双工可打断、可"嗯嗯"附和、可边对话边联网搜索
声音设计	豆包音色设计	图生音色（上传角色图一键生成）、文生音色
影视级音效生成	豆包音频 1.0	单条 Prompt 生成对白 + 环境音 + 配乐 + 特效音全套音轨

第六章　未来走向与趋势判断

6.1 六个高确定性趋势

趋势一：模型商品化，harness 决定胜负

判断依据： OpenAI 开源 harness 后明确主张"harness 设计而非模型能力是智能体性能的首要杠杆"；DeepSeek 用 MIT 协议把 harness 变成公共品；同一周内 Codex CLI、Claude Code、DeepSeek Harness、GLM 都在向同一套结构收敛------harness / compute 分离、无状态核心、Manifest 抽象、Trajectory 记录、subagent 委派。

含义： 选模型的重要性下降，选 harness 的重要性上升。"我们用哪个模型"会逐渐变成一个路由问题，而不是一个信仰问题。

趋势二：从单智能体到"群体智能体"

依据： Kimi Agent Swarm 300 子智能体 / 4000+ 工具调用 / 快 4.5 倍；Grok 4.20 Heavy 的 16 代理；Codex 的并行 subagent 与 worktree 隔离；WorkBuddy 的 Team 型 Expert。

含义： 下一阶段的性能提升，不再主要来自"更强的模型"，而来自更好的任务分解与并发调度。Kimi K3 的 partial rollout（5100 万沙箱）说明连"训练"都要按群体智能体的方式来组织。

趋势三：上下文即记忆，10M 窗口 + 跨周持久记忆成为标配

依据： GPT-6 的 10M 上下文与跨周持久记忆；Claude Opus 5 / Kimi K3 / MiniMax M3 的 1M；Grok 5 预览主打"更大记忆"；MiniMax MSA 把 1M 上下文的每 token 成本压到 1/20。

含义： "总结一下再贴给我"这种工作流会消失。但随之而来的新问题是记忆治理------什么该记、什么不该记、怎么遗忘、怎么审计，比"能不能存下"更值钱。

趋势四：技能与插件成为 AI 时代的"包管理器 + 应用商店"

依据： Agent Skills 已成开放标准（46 款产品支持）；Agent Plugins 1.0.0 由 OpenAI/Amazon/Cursor/Microsoft/Vercel 共推；MCP 2026-07-28 把 Skills over MCP 纳入规范；WorkBuddy 技能市场有万得 1600+ 个 Skill；DeepSeek Harness 的 Creator 模式可用对话直接生成插件；Kimi Claw 的 ClawHub 有 5000+ skills。

含义： AI 时代的分发单位不再是 App，而是 Skill 和 MCP Server。 谁掌握"技能市场"和"技能质量评价体系"，谁就掌握了 AI 时代的应用商店。这也意味着：Skill 的工程化质量（可读性、边界清晰度、失败处理、评测集）会成为核心竞争力。

趋势五：全模态统一模型取代级联架构

依据： 豆包 SeedRealtime 的音视频统一建模（对比级联 ASR→VLM→TTS 的逐级损耗）；豆包 Seedance 2.0 的音画联合生成（首个 SOTA）；MiniMax M3 从预训练第一天起交错训练文本+图像+视频；GPT-6 的 Symphony 架构（宣称原生统一处理文本/图像/音频/视频）------但同一批资料里也有反例：MiniMax M3 的语音与音乐至今仍是 API 层拼接，"接口统一 ≠ 模型融合"。

含义： 未来 12--24 个月内，"语音模型是否与主模型原生融合"会成为区分"真全模态"与"拼装全模态"的分水岭。 语音是最后一个必须打通的模态。

趋势六：治理从"事后审查"前移到"运行时约束"

依据： MCP 规范把用户同意、数据隐私、工具安全写成核心原则（尽管协议层无法强制）；Codex 的 sandbox 模式与可写根目录、权限斜杠命令、复用云环境的审批流程；WorkBuddy 的 Ask/Plan/Craft 权限分级；DeepSeek Harness 的 Trajectory 可回放可分叉；Harness 与 Compute 分离让凭证永不下沉到沙箱。

含义： "可审计的 agent" 会成为企业采购的准入项。 没有轨迹记录、没有权限分级、没有沙箱隔离的 agent，在受监管行业里会直接出局。这一条对做 to B 产品的人比对做模型的人更重要。

6.2 四个值得押注但尚未定论的判断

"Always-on agent"会成为第三个日常入口。 微软、OpenAI（dots）、WorkBuddy（智能眼镜形态）、Kimi Claw 都指向"后台常驻、随时唤醒"。但监管与隐私边界尚未落定------一个常驻在你设备上的 agent 拥有持续感知权限，这件事的社会契约还没谈拢。
"办公软件"作为一个品类会持续退居后台。 功能不会消失，但入口会从"人打开软件"变成"agent 调用 API"。这意味着软件公司的护城河会从功能转向数据与场景。
行业 Know-How 的资产化是最大的商业机会。 WorkBuddy 开放平台 100+ 伙伴、20+ 领域的模式，验证了一件事：传统行业最值钱的东西（流程、经验、上下文、话术）一旦能封装成 Skill / Expert / Connector，就能从"人力成本"变成"可复用的数字资产"。 这可能是 2026--2028 年最确定的产业机会。
单点模型公司的议价权会持续下降。 当 harness 变成公共品、模型可以互换路由，"我们有一个自研模型"不再是壁垒。模型公司的护城河会转向：成本结构、语料独特性、场景数据、渠道。

6.3 一张"该盯什么"的观察清单

观察对象	关键信号	意味着什么
MCP 规范迭代	扩展的采纳速度、是否出现协议层强制能力	协议标准是否真能约束实现方
Agent Skills 生态	第三方 Skill 数量、质量、是否有评价与排行体系	技能能否成为可交易的商品
Harness 开源进程	更多的核心 harness 被开源、fork 生态规模	智能体基础设施是否走向公共品
长上下文成本曲线	每 token 计算成本随窗口长度的下降斜率	10M 上下文能否普及
语音原生融合	是否出现语音与主模型同一预训练框架的旗舰	"真全模态"是否成立
采购合规	主流企业采购白名单的变化	中国模型在受监管市场的可用边界
监管落地	EU AI Act 执法节奏、国内生成式 AI 管理办法实践	2027 年前后的市场重划

6.4 落到个人：三条具体建议

把力气从"写提示词"转移到"定义验收标准"。 模型的执行力在 2026 年已经不是瓶颈，判断"做完了没有"才是。行业里稀缺的不是会用 AI 的人，是能说清"什么叫做好了"并能验证它的人。
选一个 harness 深挖，而不是每家都试。 harness 决定上限，且可迁移的经验（如何写 SKILL.md、如何设计工具 schema、如何处理上下文压缩、如何设置审批边界）是跨模型通用、跨产品通用的资产。
立刻建自己的技能与连接器清单。 无论你用 Codex、WorkBuddy 还是 DeepSeek Harness，你沉淀下来的技能与连接器就是你的资产 ，模型可以换、平台可以换，方法和上下文换不了。WorkBuddy 用户已经在做这件事（万得 1600+ Skill、Kimi Claw 5000+ skills、Codex 的 AGENTS.md 与 Skills）------现在入场，比晚一年便宜得多。

附：核心概念速查表

术语	一句话	最容易混淆的点	时代产物
智能体 Agent	有目标、能自主选工具、依反馈调整、持续推进直到完成的系统	与"一次 LLM 调用""固定管道"的区别	Codex / Claude Code / WorkBuddy / dsh / Kimi Agent
Loop	感知→推理→行动→观察→反思的闭环	不是"多轮对话"	ReAct / agentic loop / Trajectory / partial rollout
Harness	除模型外，把模型变成能干活的 agent 所需的全部工程	与"框架""SDK"的区别在于它跑的是完整运行时	Codex harness / dsh / Agents SDK / Claude Code
MCP	Agent 与外部系统通信的开放标准协议	与"工具"区别：工具是一个，协议是一套接法	MCP 2026-07-28 / 四大 Tier 1 SDK / Connector
技能 Skill	按需加载的操作说明 + 脚本 + 资源包	与 MCP 分工：skill 教"怎么做"，MCP 给"能连哪"	Agent Skills 1.0 / Agent Plugins 1.0 / 技能市场 / ClawHub
Compiler / Harness / Compute 分离	推理循环在可信侧，执行在隔离侧	凭证不随沙箱漂移	Manifest + 7 家沙箱供应商
Trajectory	仅追加的完整运行轨迹，可回放可分叉	不是普通日志	DeepSeek Harness Trajectory / Codex 轨迹
Subagent / Swarm	把子任务派给专门智能体并行处理	不是"多开几个窗口"	Kimi Agent Swarm（300） / Grok 16 代理 / Codex worktree

从"会聊天"到"能干活"：AI 智能体的五级演进、核心概念解剖与产业格局