Agent 下半场的隐秘战争发生在 Harness 调度层

发布时间：2026-07-17 18:27:25 来源：安智兰德资讯网 作者：焦点

文 | 王熠

在 DRACO 最新发布的半场评测数据中，一组反直觉的隐调度结果引发了行业震动。

这是秘战一项针对 100 道高难度研究与分析任务的公开基准测试。开源 Agent 框架 OpenSquilla 0.5.0采用“并行提案+聚合输出”的半场架构，将 DeepSeek、隐调度GLM、秘战Kimi、半场Qwen 四大国产模型组织成全国产阵容。隐调度

核心数据对比：
* 质量分：该阵容取得 60.85分，秘战超越最新旗舰模型 Fable5（59.80 分）。半场
* 成本优势：单任务平均成本仅为 Fable5 的隐调度 1/3（0.39 美元 vs 1.21 美元）。
* 极致性价比：相较于单跑 Claude Opus 4.8 和 GPT-5.5，秘战该方案质量分更高，半场成本降低 86%~92%。隐调度

这组数据直击痛点：处理复杂任务，秘战是否必须默认依赖单一最强模型？

过去两年，大模型竞争聚焦于基础能力、上下文长度及榜单排名。然而，进入应用层后，任务执行涉及多轮交互、模型路由、结果验证及失败恢复，这些环节直接决定了最终交付的质量与成本。

模型本身很重要，但“模型如何被组织”正变得同等关键。

01. 被低估的“Harness”：从能力供给到流程编排

要理解这一转变，需拆解 Agent 的核心公式：

Agent = Base Models + Harness

• Base Models（基础模型）：提供语言理解、逻辑推理、代码生成及工具调用等底层能力。
• Harness（调度层/执行框架）：负责将能力接入具体工作流，确保输出可执行、可观察、可验证。

如果说模型提供“燃料”，Harness 则负责“引擎控制”。它涵盖上下文管理、执行控制、工具调用、输出验证及多模型协作。单个模型仅是在回答问题，只有进入 Harness 的工作流，才能转化为稳定的生产力。

Harness 的价值远超工程包装。基元律动团队在 Claw-SWE-Bench 研究中发现：同一模型在不同 Harness 配置下，任务完成率差异可达 27.4 个百分点。这意味着，不更换模型，仅优化执行框架，即可带来近三成的性能提升。

在真实场景中，这种差异被进一步放大。复杂任务往往包含理解、拆解、检索、工具调用及修正等多个环节，任何一环的不稳定都会导致交付失败。过去“一刀切”调用最贵旗舰模型的做法，虽省心却导致成本失控且结果不可控。

随着模型数量激增，选择标准从“选最强”转向“选最适”。Harness 的核心使命，正是在具体步骤中匹配最合适的模型，实现调度、互补与验证，确保稳定交付。

02. OpenSquilla 0.5.0：将模型组织为协同战队

OpenSquilla 0.5.0 Preview 及其同步发布的《Agentic Routing》技术报告，将上述理念落地为具体产品。

OpenSquilla 并非新的大模型，而是一套开源、可本地托管的 Agent 运行框架。其核心不在于训练基础模型，而在于模型之上的调度与组织。

什么是 Agentic Routing（智能体路由）？

传统路由仅在请求入口时做一次静态判断；而 Agentic Routing是步骤级动态路由。它在 Agent 执行过程中，根据当前状态实时重新选择模型：
* 简单工具调用：由轻量模型处理，降低成本。
* 复杂推理/长上下文/代码生成：调用更强模型确保质量。
* 并行探索：多模型同时给出方案，由系统聚合最优解。

多模型集成协作机制

在 OpenSquilla 0.5.0 中，四个国产模型处于“并行提案”位置，各自独立执行搜索、推理和答案生成；第五个模型负责“聚合”，综合候选答案形成最终输出。

这种方法旨在解决单模型的信息盲区：
* 单模型局限：易遗漏关键信息源，或在复杂约束下顾此失彼。
* 多模型优势：不同能力结构的模型从多角度补位，通过聚合降低单一失误风险。

DRACO 评测中的具体案例：
1. 跨文化电商结账：单模型遗漏 Rakuten 平台的确认机制及 30 分钟取消窗口；多模型方案补全了这些关键细节。
2. AI 代码补全体验分析：单模型混淆了调试与功能开发的触发策略；多模型方案在交互策略和时延预算上更准确。
3. 澳洲热泵烘干机对比：单模型未覆盖完整容量参数；多模型方案提供了更全面的比较维度。

演进路径：从路由到集成

OpenSquilla 0.5.0 的多模型集成并非突变，而是长期迭代的结果：
* v0.1.0：智能路由，将简单任务分流至低成本模型。
* v0.3.0：MetaSkill 自组织工作流，Agent 按目标编排子任务。
* v0.4.0：引入可验证编码与签名桌面版，实现代码生成的可执行验证。
* v0.5.0：将多模型集成纳入 Harness 层，实现更精细的调度。

这一演进路径清晰指向一个目标：让模型调用更可控、成本更低、结果更稳定。

03. 国产模型价值重构：从单点突破到组合优势

OpenSquilla 0.5.0 的 DRACO 结果揭示了一个双重趋势：国产模型能力分化与模型组织方法成熟。

1. 模型角色转变：从“低价替代”到“特长互补”

在 DRACO 单模型评测中，DeepSeek V4 Pro（50.32）、Qwen 3.7（49.34）、GLM-5.2（48.28）与 Fable5（59.80）仍有差距。但在组合框架下，国产模型不再仅是廉价替代品，而是根据任务类型形成各自侧重。

单个模型未必全面胜出，但在合理的组织框架中，组合价值将被显著放大。

2. 路由机制升级：从“按问题选”到“按状态调度”

以 Agentic Routing 为代表的路由机制，已进化为基于执行状态的动态调度：
* 四层路由设计：复杂度过滤 -> 任务类型分类 -> 上下文状态识别 -> 最终模型排序。
* 核心逻辑：路由不仅理解用户问题，更理解任务所处的执行阶段。

例如：
* 前期拆解：使用低成本模型。
* 复杂证据恢复：切换至更强模型。
* 验证失败：触发修正机制，由更强模型介入。

每一次路由决策都会沉淀执行数据（模型选择、结果、成本），这些数据反哺路由器，甚至用于训练更适合 Harness 环境的本地模型。路由越精准，单位预算下的任务吞吐量越高，系统优化空间越大。

04. Agent 的终局：回归交付与 ROI

AI 应用的终极衡量标准是交付结果：任务能否完成、结果能否验证、成本是否覆盖。

许多项目失败并非因为模型能力不足，而是规模化后成本模型崩塌。OpenSquilla 0.5.0 代表的思路，是将成本控制从简单的“降配”升级为“能力匹配”：

• 简单降配：仅替换便宜模型，导致结果不稳定。
• 能力匹配：精准识别哪些步骤需强模型、哪些可用轻量模型、哪些需多模型协作，在成本与质量间寻找最优平衡。

在这种逻辑下，降本即减少不必要的高价调用。只要模型组合、执行状态和验证机制设计得当，低成本模型组合也能在部分任务中取得接近甚至超越旗舰模型的效果。

当模型使用成本通过系统工程被压缩，原本因 ROI 不佳而被搁置的项目重获新生。用户不再关心底层调用了多少模型或单模型榜单排名，只关心：在既定预算下，系统能稳定交付多少任务？出错后能否恢复？

因此，AI 行业的效率红利，正从基础模型侧延伸至模型组织与执行框架侧。

DRACO 的 100 道任务仅是生产环境的一个切片，但它的启示明确：应对复杂任务，不一定非要等待更强的单一模型。将现有模型组织得更细致、更稳健、更经济，是一条同样值得投入的战略路径。

相关文章