华尔街投行杰富瑞的分析师，最近给市面上八个主流中美 AI Agent 做了一场实测，看谁真正能把活干好。

结果有点出乎意料：拿了第一名的，是阿里的千问办公，尽管它背后的模型智能分只排到第四；模型能力第一的 Claude Opus 5，它的 Agent 产品 Claude Cowork 拿了第二；另一个反直觉的结果是，最近大火的 Workbuddy，这轮测试中隐含的 Harness 分在中国 Agent 里反而垫底。

杰富瑞的核心结论，用一句话概括：决定一个 AI Agent 好不好用，往往不是背后那个模型，Harness 做得好是可以弥补模型智能差距的。

Harness 是什么：Agent 里除了模型，剩下的都是它

一个 AI Agent 干活的流程，可以拆成两半：一半是模型，负责 " 想 "；另一半是 harness，负责 " 管 "。

杰富瑞把 harness 拆成了六层，每一层管的都是模型自己管不了的事：

指令：告诉 Agent 这个活是什么，红线在哪

上下文：Agent 干活时能看到的背景信息

工具：Agent 能用什么去完成这个任务

边界：Agent 能行动的范围划在哪

反馈：告诉 Agent 哪里做错了，让它自己纠正、重新规划

治理：让组织能管住一整批 Agent

这六层，正好对应了雇一个员工之后，公司要做的那些事——交代任务、给信息、给工具、划权限、给反馈、做管理。模型就是那个新来的聪明人，harness 就是这套管理机制。聪明人再厉害，扔进一个没有管理的公司，也干不好活。

来看一组控制变量的证据——模型不动，只换 harness，看 Agent 表现怎么变。

结果：同一个 Claude Opus 4.6，套上不同的 harness，在 Terminal-Bench 2.0 这个基准上，得分从 58.0% 一路到 76.4%，最高最低差了 18.4 个百分点。Gemini 3 Pro 同样只换 harness，得分从 56.0% 到 69.4%，差 13.4 个百分点。

实测八个中美 Agent

这次实测，杰富瑞挑了八个中美 Agent。美国三个：Anthropic 的 Claude Cowork、OpenAI 的 Codex、谷歌的 Gemini Spark。中国五个：腾讯的 Workbuddy、阿里的千问办公、字节的豆包、月之暗面的 Kimi Work、MiniMax 的 Code。

考卷是五项任务，每一项对应企业里真实存在的一类活。

第一项，多文件检索。丢给 Agent 一堆文件，让它写一份金蝶软件 2025 年报的一页摘要，覆盖营收、增长、毛利率、净利润、2026 年指引、AI 进展。要求很严：每条事实必须标明来自哪个文件；不同文件数字打架，必须指出冲突、说明哪个更可信；不许悄悄把矛盾数字抹平。

第二项，自主联网研究。让它上网比较微软、Meta、谷歌三家最近季度的营收增速，以及 2026 年的资本开支指引。必须用一手来源，产出一张表，还要明确区分哪些是官方报的数字，哪些是自己估算的。

第三项，控制浏览器。让它用真实的桌面浏览器，从 OpenAI 官网一路点到新闻页，找出最新一篇文章，读完全文，生成一个 Word 文件，含标题、日期、分类、链接、150 到 200 字摘要和三条要点。不许用 API 或爬虫抄近路，必须真的用浏览器点进去。

第四项，做 PPT。给它一份文件，做 5 页英文 PPT，要有故事线，第一页要用文件数据画图，不许编造数据。

第五项，生成营销海报。给它一张鞋的照片做参考，为虚构篮球鞋品牌做原创海报，去掉所有 Nike、Jordan 的 logo，不抄商标口号，3:4 竖版，适合发小红书。

这五项，从读文件、查资料、操作软件、做 PPT 到作图，几乎覆盖了企业里最常见的几类工作。

打分方式也讲究。每项任务拆成 5 个维度，维度跟着任务走，不是通用模板，每个维度 0 到 20 分，一项满分 100，五项平均得出总分。

结果：模型最弱的，拿了第一

前三名分别是：千问办公 95 分，Claude Cowork 94 分，Codex 92 分。接下来依次是 Kimi Work 86 分，豆包 77 分、MiniMax Code 71 分，Workbuddy 和谷歌的 Gemini Spark 并列垫底，都是 66 分。

值得一提的是千问办公的 " 逆袭 "。它背后的模型 Qwen 3.8 Max，智能分只有 56。而 Claude Cowork 背后是 Claude Opus 5，61 分；Codex 背后是 GPT-5.6 Sol，59 分。模型差着五六分，Agent 总分反而高出一两分。

这也说明，Harness 优势，足以抵消模型智能的差距。

为了验证这一点，杰富瑞做了一个拆解：把 Agent 能力分成模型和 Harness 两块，给模型 60% 权重、Harness 40% 权重，用 Agent 总分反推出每个产品的 " 隐含 Harness 分 "。结果千问办公的 Harness 分最高，超过了美国的 Claude Cowork 和 Codex。

实测还发现了一些中美 Agent 的能力差异。

第五项营销海报，是美国 Agent 的滑铁卢。Claude Cowork 和 Gemini Spark 都在这里翻车，而千问办公和豆包这类中国 Agent 做得更好。

第二项控制浏览器，是中国 Agent 的弱点。Workbuddy 和 MiniMax Code 在这里栽了跟头，美国三家的表现更稳。

速度上也有差异。美国那边，Gemini Spark 最快，Codex 次之，Claude Cowork 最慢。中国这边，Workbuddy 最快，豆包和 MiniMax 相当，Kimi Work 和千问办公偏慢。另外，Claude Cowork 的 " 品味 " 最好，PPT 排版和配色最讲究，但这个归功于模型能力，跟 Harness 无关。

价格是另一重碾压。千问办公背后的 Qwen 3.8 Max，API 价格每百万 token 约 1.1 美元；GPT-5.6 Sol 是 4.4 美元，Opus 5 是 3.9 美元。

Workbuddy 的错位

报告里另一个值得细看的对象，是腾讯的 Workbuddy。

它的数据很漂亮：6 月月访问量约 2100 万，中国同类 Agent 里排第一。但在这份实测里，Workbuddy 的隐含 Harness 分，在中国 Agent 里垫底。

访问量第一，Harness 垫底，这个错位怎么解释？

杰富瑞给了三个原因。

第一，Workbuddy 深度嵌在腾讯自家的生态里，腾讯文档、IMA、企业微信，入口都在手上。

第二，它走的是模型无关的路线，用户可以在 harness 里随意切换 Kimi K3、DeepSeek V4、GLM 5.2 这些开源模型，用别人的强模型补自己的短板。

第三，腾讯的营销投入很猛。

这三条，跟 Harness 工程做得好不好，没有直接关系。

报告的判断是：短期看，Workbuddy 赢在入口和分发；长期看，2100 万的用户基础会沉淀出海量真实使用数据，这些数据反过来能帮腾讯改进 Harness，甚至训练自己的模型。

在中国市场这个阶段，分发能力暂时跑在了 Harness 工程前面。但决定一个 Agent 最终能走多远的，还是 Harness。

中国在 Harness 上有优势，也有绕不开的短板

报告把中国和美国的 Harness 打法做了个对比：中国在几个结构性的地方领先，但也有几块短板压着。

先说优势，四个。

超级 App 集成。 美国 Agent 接工具，一般靠 connector 去连。中国不一样，很多 Agent 直接嵌在企微、飞书、钉钉这些平台里，数据、分发、变现一条线全打通。这是中国厂商独有的地基。

模型无关的 Harness。 腾讯 Workbuddy、字节 Trae 走的都是这条路—— harness 自己不带模型，用户按任务的难度、延迟、成本随便切换 Kimi K3、DeepSeek V4、GLM 5.2 这些第三方模型。用别人的强模型，补自己的短板。

低 token 价格。 出口管制逼着中国实验室走高效的 MoE 架构和推理优化，加上国内竞争卷得厉害，中国模型的 token 价格平均比美国低 70% 到 80%。token 便宜，那些消耗大量推理的 agent 工作流才跑得起，这也加快了企业采纳。

迭代速度快。 Hrness 的质量，是靠在真实场景里一次次失败试出来的。中国厂商用户量大、碰到的失败案例多，迭代反而更快。

再说短板，也有四个。

模型差距还在。 Harness-Bench 的数据显示，强模型的平均分更高、跨 Harness 的方差更小；弱模型更依赖 Harness。中国模型整体还落后美国，得靠更出色的 Harness 才能把 Agent 能力顶上去。

产品定价低。 中国企业软件市场一向变现难，中小企业对价格敏感，大型央国企又偏爱定制项目、不太认订阅制。这拖累的不只是利润，还有持续投入 Harness 工程的动力。

出海难。 Workbuddy、Qoder 在国内用户涨得快，但要把这套成功复制到海外很难——中国 Agent 是为本地生态和用户习惯优化的，而美国的 Harness 受益于全球标准化的软件栈。

算力瓶颈。 Agent 工作流对推理算力的消耗，比普通对话高得多。中国厂商高端算力短缺，可能导致服务不稳定，也反过来限制变现能力。

Harness 为什么越来越重要

最后再提一嘴 Harness 的价值，主要是三个方面：

粘性。 模型能力越来越趋同，但 harness 不一样。客户的工作习惯、对话历史、记忆、连接器、技能、自动化，全都沉淀在 harness 里。用得越久，换走的成本越高。模型可以随时换，harness 是换不掉的。

数据飞轮。 每一次 Agent 运行，都会产生一条 trace ——调了什么工具、什么失败了、人怎么纠正的。这些数据能喂给下一代的强化学习，也能用来改进 harness 本身。用户越多，数据越多，Agent 越好，用户更多。这是一个正循环。

付费意愿。 报告点破了一件事：企业和消费者买的不是 " 智能 "，他们自己没有开发应用的能力。他们买的是 "harness + 模型 " 打包好的完整 Agent 产品。这也是为什么 Claude Code、Claude Cowork、Workbuddy 这类产品用户增长快——客户为 harness 付钱，模型只是顺带。

而对于一家公司来说，AI 落地的关键在工程层，不在模型层。真正的机会在 " 把 harness 做好 " 这件事上——管好指令、上下文、工具、边界、反馈、治理这六件事，比追最强的模型更可能做出落地的东西。

本文来自微信公众号「AI 原生 Lab」，持续拆解真实 AI 落地案例，分享企业 AI 实践与方法论。