开源框架Agnes Harness用「大模型+9B决策模型」的双系统分工,把单次判断速度提升14.3倍、成本压到原来的1/27,再靠测试时训练与递归自我改进沉淀经验,让Agent在真实设备上少走弯路。

过去做企业软件有个经典账本:开发花 90 块,给每家客户适配花 10 块,前面那 90 块能靠规模一点点摊薄。AI 把公式改了——开发成本降到 1 块,适配还是那 10 块。
这 10 块难啃,是因为适配意味着让 AI 把每个客户的业务流程、工具系统和现场设备重新认一遍。而不少 Agent 本质上还是被关在浏览器和终端里的「赛博临时工」:写代码漂亮,Benchmark 分数高,可真让它去指挥传送带、读取工业称重台、操作机械臂,它只会说一句「这个我之前没见过」。更麻烦的是它还带着「鱼的记忆」——第 100 次执行任务犯的蠢,跟第 1 次几乎一模一样。
采用 Apache 2.0 许可、已在 GitHub 收获 2.1k Star 的开源系统 Agnes Harness,试图解决的就是这两件事。它的核心设计有两点:Sys1 双系统决策,以及 TTT×RSI 双层自进化。

现在不少 Agent 又慢又贵,不是大模型不够强,而是太能干,什么活都往它身上塞。很多不需要复杂推理的操作,也要完整调用一次大模型。
Agnes Harness 的做法是分工:需要复杂推理的交给大语言模型的 System 2;高频且明确的操作,交给专门训练的 9B 决策模型 System 1,即 Agnes Sys1.0。它以插件形式接入,专门判断下一步该走哪:调用哪个工具、继续等待还是立即执行、拿不准时要不要请大模型出场。
这个 9B 模型的单兵能力相当能打。官方报告显示,在模拟家庭漏水任务中判断下一步动作,大模型平均要 7.6 秒,Agnes Sys1.0 只需 0.53 秒,速度是原来的 14.3 倍。成本方面,行李房任务(称重、竖直摆放、暂存)各做 100 次判断,在线大模型单次调用约 0.00247 美元,Agnes Sys1.0 约 0.000091 美元,仅前者约 1/27。

在仿真环境中,一只机器狗的任务是室内找门并穿过。「大模型+Agnes Sys1.0」的组合把整体任务耗时缩短了 32.9%,差距肉眼可见。
换台设备、接个新任务,Agnes Sys1.0 没见过怎么办?总不能每次都拖回去重训。它留的一手是 TTT,即测试时训练:先看新任务要干什么,再自己出几道有标准答案的练习题,做完后据结果调整判断方式。过程不动 9B 模型的主体参数,只微调末端一小组负责校准的参数。
有意思的是「学完就清空」的设定。今天操作 A 设备、明天操作 B 设备,若把每次学到的东西都塞进模型,时间一长容易互相打架。所以它只针对眼前任务临时调整一小部分参数,干完恢复原样。
参数可以恢复,经验不能打水漂,这就轮到双层自进化的另一半:RSI,递归自我改进。每次干完活,系统会把执行过程复盘一遍,看哪里反复报错、哪一步最耽误时间,再调整 Prompt、Memory、Skills 和 Subagent 的配合方式。发现更好的方法,先在当前任务验证;确认有效后,整理成版本化的 Playbook(操作手册),留给后续任务复用。
在一项复杂设备入库验收任务中,Agent 第一次称重台还没稳定就急着读数、操作顺序也没排明白,折腾 30 分钟后超时;RSI 记下这些坑,第二次按验证过的流程走,不到 8 分钟完成。注意,AI 总结的新方法必须先经仿真测试确认,才能写进 Playbook。
真要进厂,先得跟现有业务系统打交道。Agnes Harness 的办法是做成插件、按需装配:业务工具、模型适配器、Agent 工作流、Skills 甚至操作界面都能封装成插件,已有系统可通过 MCP 接入。
体验需本地部署,准备 Node.js 24.10 及以上版本和 pnpm 10.34.5,用云端模型 API 不必配 GPU。作者实测攒了一个审稿插件,启用后扔进一段埋坑的稿子,揪出 6 处问题并标注位置、类型和修改建议;新开对话只要说一句「帮我审稿」,Agent 就自动调用,不用重复交代规则。插件还有版本管理,新会话用新版本,执行中的任务沿用原版本。

硬件是更硬的骨头。Agnes Harness 用 MHS(Model Hardware Standard,模型硬件标准)给设备定统一沟通规则:设备接入后先按统一格式报身份——当前状态、能执行哪些动作、能返回什么数据;谁先谁后、任务怎么拆,则由 Agnes Harness 统一安排。官方还做了火星救援 Demo:Agent 派搜索设备找人,再协调机器人和气闸把人带回基地,多个设备围着同一目标接力。安全上,Agnes Harness 负责安排任务,实时控制与物理安全仍归设备控制器。
官方公布了覆盖 9 项基准的自评成绩:6 项拿下对照组第一,另有 1 项与 Codex 并列第一。复杂任务规划的 DeepPlanning 拿到 87.07 分,复杂代码基准 BigCodeBench-Hard V1 通过率 40.69%。

从行业情绪看,这笔账确实该算了。有人吐槽 Agent 完成前 80% 任务像魔法,最后 20% 能让自己调 4 个小时;有 SaaS 从业者称每月收客户 400 美元,却被报错的 Agent 在 6 小时内重试 3.1 万次,一夜烧掉 4700 美元 Token。Cyera 首席战略官 Sol Rashidi 甚至裁掉了一半 Agent,理由是盯着 AI 干活花的时间,比 AI 省下的还多。
免费获取企业 AI 成熟度诊断报告,发现转型机会
一个 Agent 从进场、运行、维护到复制,每一步都会产生账单。单个项目省钱是一回事,前一个项目的投入能否变成下一个项目的起点,是另一回事。开发成本从 90 块打到 1 块之后,剩下那 10 块,正是 Agnes Harness 想一点点摊薄的部分。
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断