이 글은 간체 중국어입니다. 한국어(으)로 번역하려면 클릭하세요.

Agent Harness竞赛转向：当行业还在谈吞吐量，这家硅谷华人团队已把「长期在线」做进产品

bingdada

11월 8, 20261회 읽음약 8분 분량

post.quickAnswer

Super-agent 的核心是用一个常驻主控会话统一接收指令，调度多个上下文隔离的执行单元并行工作，把人类从多任务调度中解放出来。真正的难点不在并发数，而在长期记忆管理与跨平台任务接力。

post.keyTakeaways

人类注意力带宽有限，已成为 Agent 生产力扩张的主要瓶颈。
「单 Router + 多 Worker」通过收敛交互入口，让用户从盯过程转为管结果。
跨环境连续性是判断 Agent Harness 能否落地的关键试金石。
长期状态外置加反馈训练小模型，是破解上下文诅咒的可行路径。
国内豆包、Kimi、通义等正快速补齐多智能体协作能力，优势在本土协作场景耦合。

从「注意力瓶颈」说起：Agent Harness 的竞争维度正在换挡

当前多智能体赛道的讨论，大多还停留在任务吞吐量、并发数这类指标上。但一个被反复验证的现实是：真正卡住生产力的，往往不是 Agent 能开多少个会话，而是人脑能同时盯住几个窗口。认知科学中关于工作记忆容量的经典研究早已指出，人类同时处理活跃任务的注意力带宽相当有限。当 Agent 的并发能力可以线性扩张，而人的注意力几乎恒定，瓶颈就自然从机器侧转移到了人侧。

这正是近期 DeepSeek 团队在其 Super-agent 架构设想中抛出的核心判断，也是硅谷华人团队 AFK AI 更早就在产品层面回应的命题。两支团队在底层思路上形成了耐人寻味的共识：用一个常驻的主控会话统一接收指令，再调度多个上下文隔离的执行单元并行干活。行业对 Agent Harness 的期待，正在从「能接多少活」转向「能承接多重的责任与多长周期的事务」。

单会话 + 多执行者：架构共识背后的产品逻辑

把人类从多任务调度中解放出来，关键在于交互入口的收敛。传统做法是每个任务开一个会话、各自配置人设与背景资料，用户被迫在多个窗口间来回切换、反复粘贴上下文。而「单 Router + 多 Worker」的思路是：用户只面对一个长期存在的主对话，由主控层负责任务拆解与分派，多个执行单元在独立上下文中并行推进，最后汇总结果回到同一入口。

AFK AI 将这一理念概括为「一个团队，一个对话」。其产品 Comma 在底层实现了常驻路由层统筹全局、多个 Worker 隔离执行的结构，用户只需提需求、看进展、验收成果，后台的任务分派与状态汇总由系统接手。这种设计的意义在于，管理 Agent 的方式从「盯过程」变成了「管结果」——人的角色上移到顶层决策。

值得注意的是，跨环境连续性是该架构真正的试金石。任务一旦离开主对话框，能否在 IM、项目管理工具、代码仓库之间无缝接力，决定了这套体系是演示品还是生产力工具。Comma 依托自研的分布式运行框架，通过第三方应用连接器接收不同平台的事件，再由可编程监听循环在需要时唤醒 Agent，实现任务在多个平台间的双向流转。

记忆与持续学习：比并发更难啃的骨头

当主会话长期存在、接管的任务越来越多，一个更棘手的问题浮出水面：Agent 自己的记忆如何管理？上下文窗口终究有上限，海量任务细节若全部堆进主对话，很快就会挤爆。

Comma 的处理方式是把长期状态保存在模型上下文之外，通过路由层与执行层的分工避免主对话被细节淹没。更进一步，它把「持续学习」做进了产品深层：系统记录任务结果、人工修改与验收反馈，将其转化为训练信号，持续迭代专属小模型；新模型必须在内部评测中胜过旧版本才能上线。这种「越干越聪明」的机制，让成熟工作流逐步由小模型接手，复杂任务继续交给大模型。

在主动性与持久性上，Agent 可以自行编写值班程序，即便大模型未运行、用户退出客户端，系统仍能全天候值守并在关键时刻唤醒。多端记忆保持一致，用户不被任何单一 App 绑定，却能掌控跨平台的信息流。

国内视角：同类能力正在快速补齐

把视线拉回国内，Super-agent 方向并非只有 DeepSeek 在推进。字节跳动的豆包、月之暗面的 Kimi、阿里的通义千问以及智谱 GLM 等，都在多智能体协作与长任务编排上持续投入。DeepSeek 此次公开的 Harness 架构设想，某种程度上为国内开发者提供了可参照的工程范式；而开源社区的活跃，也让「单会话调度多执行单元」这类结构更快地被复现与改良。

与海外产品相比，国内团队的优势在于与微信、飞书、钉钉等本土高频协作场景的深度耦合，跨端接活、派活的落地路径更短。差异则体现在长期记忆与持续学习的产品化程度上——把反馈转化为训练信号、让小模型逐步接管成熟工作流，这类闭环仍处于早期探索阶段。可以预期，随着开源框架的成熟，国内 Agent Harness 的竞争焦点也会从参数与吞吐量，转向「能陪用户跑多久」。

从概念到可运行：一条被验证的落地路径

回看这条技术路线的时间线，会发现它并非一夜之间成型。AFK AI 在 Super-agent 成为热词之前就已明确方向，先以主 Agent 加子 Agent 的结构推出早期版本，随后逐步固定主对话与任务委派机制、推进会话切换能力、引入共享会话的信息流控制以解决多人协作中的敏感信息流转，最终走向开源并公开基于形式化验证的安全机制。

这条路径的价值在于，它证明了「永久在线、持续成长的个人 Agent」不只是蓝图。当行业还在争论 Agent 的边界时，已经有产品把长期陪伴、自主协调、经验积累变成了用户可感知的日常体验。对于关注 Agent Harness 演进的开发者而言，参考 DeepSeek 官方技术发布与 Anthropic 关于 Agent 的设计文档有助于理解这一转向的技术脉络，而 OpenAI 的 Agents 指南也提供了工程实践层面的对照。