构建 Agent Harness 时该不该用子智能体

NVIDIA 论文对比了 8 种模型选择策略，在路由、多数投票和 LLM-as-judge 三种设置下测试模型池对多智能体系统的影响。结果显示，混用不同开源模型虽能提高理论最优准确率，但实际表现常低于池中单一最佳模型；用同一模型的多个副本反而更好。多数投票将 HLE 准确率从 29.4% 提升至 32.2%，而几乎每个混合模型组合都出现下降；从单一模型家族中选候选模型带来的提升最大。

DAIR.AI 的 Elvis Saravia 分享从零构建 agent harness 的入门指南，建议用 TypeScript 或 Python 实现包含 LLM 模块、tools 模块和 agent loop 三部分的最小 harness，并以 ReAct 作为入门循环。

Pocket FM CEO Rohan Nayak 发文复盘公司从约 0 到 $500M ARR、年新增 $250M 且 EBITDA 盈利的增长打法。

GPT-6 Astra 的价值在于让原本跑不通的工作流终于能运行，一次响应即可成为完整工作会话。评估重点应从"百万 token 成本"转向"预算内能完成什么"，推理返现（如 Straitly 提供 5%-10% 现金返还）值得关注，但目标应是同预算下获得更多可验证成果，而非消耗更多 token。

什么鬼！？ GPT-6 Astra 刚刚完成了这个 3D 相机的制作，包含 122 个组件组和 1，877 个建模部件。 我甚至都不知道还能在 Three.js 里构建这些东西。

Elvis Saravia 提出 harness 并非千篇一律，好的 harness 应解决上下文工程问题，关键在于理解并优化系统提示词、缓存和有效工具调用等底层细节。他建议用自己喜欢的语言构建一个带基本 agent 循环、系统提示词和工具调用能力的最小 harness，在用例上测试验证并迭代，掌握这些可调旋钮后再迁移到生产级 harness。

Elvis Saravia 回应人们常问的 harness engineering 从何入手，建议起初跳过框架，构建尽可能小的 harness：一个 agent 循环、少量工具和自己从零写的 system prompt。他认为这比一个月读教程学到更多。

我越是拥抱开放且更廉价的模型，就能负担起越多的自动化。 前沿模型负责编排与协调。 开放且更廉价的模型负责执行。这里的 token 使用量正在迅速增长。 这让我比以往任何时候都更能倚重主动型智能体。

Grok Bot 的意义比表面看起来更大。 它真正改变了我与智能体协作的方式。 最大的变化：我不再过度思考了。 简化的界面给了我以往常规聊天会话所没有的信心。 我认为还有更多独特的体验和 UI 层有待发掘，以提升对 AI 的信任并增强协作。在我看来，Grok Bot 在这方面处于领先地位。 主动式能力也很出色，而且还在不断改进。这是我最期待的一个方向。

Anthropic 工程师撰文分享如何在智能体编程压力下扩展测试影响分析服务。Claude 编写约 80% 的代码，测试数量增长 10x，六个月内 CI 任务增加 25x。文章复盘了三个临时补丁（扩容、按包分片、每日重启）分别只维持 70 天、29 天和不到一天，最终用三周重设计为无状态、内存存储加 journal 的可水平扩展架构，并建议团队按两季度内 25x 负载做容量规划。