Harness 与 Agent 工程 · 上下文与记忆 · 2026-06-30

Context 即 Agent:下一场 AI 产品战争,是上下文之争

Agent 能力的上限取决于上下文(Context),而非模型本身。谁掌握了用户上下文,谁就掌握了未来。

核心内容:

  1. 模型、Harness与Context三者交织进化,交替成为瓶颈
  2. Context是决定Agent能力边界的关键事实,无法被模型吞噬
  3. 管理好Context,Agent的能力将自然涌现

43 TALKS · CONTEXT · AGENT INFRASTRUCTURE

本篇文章根据我在本月 43 Talks 线下活动中的分享整理而成。主理人李继刚邀请我时,给的主题词只有一个:Context。我想从 Agent 的视角出发,讨论一个判断:随着模型和 Harness 逐步趋同,真正决定 Agent 能力边界的,会越来越是 Context。

说明:正文基于 PPT 内容进行了轻度解读;配图来自本次分享 PPT 的导出图,使用 Guizang PPT Skill 制作。

五个核心判断

  1. 模型能力和 Context 交织进化,交替成为瓶颈,每一轮模型能力的提升后 Context 的重要性都在提升。
  2. 模型在吞噬 Harness,但永远吞噬不了 Context,因为 Context 不是能力,是事实。
  3. Agent 的天花板不在模型,在 Context。
  4. 谁拥有用户的上下文,谁就拥有一切。
  5. 把 Context 管好,Agent 自然涌现。

Opening

一次关于 Context 的分享

大家好,今天我想分享我上周在 43 Talks 线下活动中的内容。感谢 43 Talks 和李继刚的邀请。继刚当时给这次分享的主题只有一个词:Context。我就在想,围绕 Context 还能讲什么?Context 领域已经有很多专家,有人讲工程,有人讲产品。

我想选择一个稍微不同的角度。正好最近我在做 Agent 基础设施,自己也是 Agent 的重度用户。长期以来,我一直在思考 Context 在整个 Agent 生态系统中的价值。于是我想到一个题目:《Context 即 Agent》。

接下来,我会从这个角度展开分享。


Part 01

瓶颈不是线性移动,而是螺旋上升

这些年,大模型和 Agent 产业一直在交织演化。每一次模型能力和 Harness 变强,我们都会重新回到 Context。最开始我们关注 Prompt,后来关注上下文,再后来关注 Harness。

当模型能力提升后,我们发现提供给模型的上下文不够,反而限制了模型能力发挥。于是我们去解决上下文问题。上下文改善之后,我们又通过提升 Harness 来增强模型的行动能力。当 Harness 提升到一定程度,限制 Agent 继续变强的,又变成了上下文。

所以,模型能力、Harness 能力和上下文能力的提升,不是一条线性路径,而是一条交织演化、交替上升的螺旋。模型能力和上下文会轮流成为瓶颈;每一轮螺旋之后,Context 的重要性都会继续上升。

我们常说模型会吃掉很多东西:知识、信息、模式、最佳实践和概率。与此同时,模型自身的能力也在逐步提升,包括执行任务、调用工具、感知环境和运行工作流的能力。

这些能力原本都属于 Harness 的一部分。但我们会发现,它们正在逐步被集成到模型中,成为模型自身能力的一部分。无论是 OpenClaw、Hermes,还是各种 Agent 框架,它们之间的本质差异正在变小,执行层能力也在慢慢商品化。

所以我们再从这个角度看 Agent。第一版公式可以写成:Agent 是关于 Harness 和 Context 的函数。前面我对 Harness 和 Context 做了很多说明,但后来我意识到,Harness 会逐步变成模型能力的一部分,并且趋于一致。它并不是一个长期稳定的变量,而是一组会持续提升、最终被并入模型的能力。

换句话说,Harness 更像函数本身的一部分。过去需要外部框架完成的事情,比如调工具、执行代码、管理记忆、多步规划,正在变成模型的原生能力。所以 Agent 是什么?它更像是一个关于 Context 的函数。模型和 Harness 本质上都在函数内部,剩下那个不断变化、不断适应的变量,就是 Context。

模型会持续吞噬 Harness,并在这个过程中提升自身能力。但模型永远吞噬不了 Context,因为 Context 不是能力,而是事实。


Part 02

为什么 Context 是决定性变量

模型本身是概率机器,默认输出往往是训练数据分布中的中位数,也就是统计意义上最正确的那一部分。如果没有 Context,模型面对我们的问题时,给出的通常都是 P50 的结果。

有了 Context 之后,情况就不一样了。Context 是解压缩模型能力的钥匙。模型已经把大量可能性压缩在概率分布中,而 Context 能把其中一条路径解压成此时此地的答案。

所以,Context 是什么?它是此时此地,是那把钥匙。早期的…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2026063004567.html