結果有點出乎意料：拿了第一名的，是阿里的千問辦公，儘管它背後的模型智能分只排到第四；模型能力第一的Claude Opus 5，它的Agent產品Claude Cowork拿了第二；另一個反直覺的結果是，最近大火的Workbuddy，這輪測試中隱含的Harness分在中國Agent裏反而墊底。

傑富瑞的核心結論，用一句話概括：決定一個AI Agent好不好用，往往不是背後那個模型，Harness做得好是可以彌補模型智能差距的。

Harness是什麼：Agent裏除了模型，剩下的都是它

一個AI Agent幹活的流程，可以拆成兩半：一半是模型，負責"想"；另一半是harness，負責"管"。

傑富瑞把harness拆成了六層，每一層管的都是模型自己管不了的事：

• 指令：告訴Agent這個活是什麼，紅線在哪

• 上下文：Agent幹活時能看到的背景信息

• 工具：Agent能用什麼去完成這個任務

• 邊界：Agent能行動的範圍劃在哪

• 反饋：告訴Agent哪裏做錯了，讓它自己糾正、重新規劃

• 治理：讓組織能管住一整批Agent

這六層，正好對應了僱一個員工之後，公司要做的那些事——交代任務、給信息、給工具、劃權限、給反饋、做管理。模型就是那個新來的聰明人，harness就是這套管理機制。聰明人再厲害，扔進一個沒有管理的公司，也幹不好活。

來看一組控制變量的證據——模型不動，只換harness，看Agent表現怎麼變。

結果：同一個Claude Opus 4.6，套上不同的harness，在Terminal-Bench 2.0這個基準上，得分從58.0%一路到76.4%，最高最低差了18.4個百分點。Gemini 3 Pro同樣只換harness，得分從56.0%到69.4%，差13.4個百分點。

實測八個中美Agent

這次實測，傑富瑞挑了八個中美Agent。美國三個：Anthropic的Claude Cowork、OpenAI的Codex、谷歌的Gemini Spark。中國五個：騰訊的Workbuddy、阿里的千問辦公、字節的豆包、月之暗面的Kimi Work、MiniMax的Code。

考卷是五項任務，每一項對應企業裏真實存在的一類活。

第一項，多文件檢索。丟給Agent一堆文件，讓它寫一份金蝶軟件2025年報的一頁摘要，覆蓋營收、增長、毛利率、淨利潤、2026年指引、AI進展。要求很嚴：每條事實必須標明來自哪個文件；不同文件數字打架，必須指出衝突、說明哪個更可信；不許悄悄把矛盾數字抹平。

第二項，自主聯網研究。讓它上網比較微軟、Meta、谷歌三家最近季度的營收增速，以及2026年的資本開支指引。必須用一手來源，產出一張表，還要明確區分哪些是官方報的數字，哪些是自己估算的。

第三項，控制瀏覽器。讓它用真實的桌面瀏覽器，從OpenAI官網一路點到新聞頁，找出最新一篇文章，讀完全文，生成一個Word文件，含標題、日期、分類、鏈接、150到200字摘要和三條要點。不許用API或爬蟲抄近路，必須真的用瀏覽器點進去。

第四項，做PPT。給它一份文件，做5頁英文PPT，要有故事線，第一頁要用文件數據畫圖，不許編造數據。

第五項，生成營銷海報。給它一張鞋的照片做參考，為虛構籃球鞋品牌做原創海報，去掉所有Nike、Jordan的logo，不抄商標口號，3:4豎版，適合發小紅書。

這五項，從讀文件、查資料、操作軟件、做PPT到作圖，幾乎覆蓋了企業裏最常見的幾類工作。

打分方式也講究。每項任務拆成5個維度，維度跟着任務走，不是通用模板，每個維度0到20分，一項滿分100，五項平均得出總分。

結果：模型最弱的，拿了第一

前三名分別是：千問辦公95分，Claude Cowork 94分，Codex 92分。接下來依次是Kimi Work 86分，豆包77分、MiniMax Code 71分，Workbuddy和谷歌的Gemini Spark並列墊底，都是66分。值得一提的是千問辦公的「逆襲」。它背後的模型Qwen 3.8 Max，智能分只有56。而Claude Cowork背後是Claude Opus 5，61分；Codex背後是GPT-5.6 Sol，59分。模型差着五六分，Agent總分反而高出一兩分。

這也說明，Harness優勢，足以抵消模型智能的差距。

為了驗證這一點，傑富瑞做了一個拆解：把Agent能力分成模型和Harness兩塊，給模型60%權重、Harness 40%權重，用Agent總分反推出每個產品的"隱含Harness分"。結果千問辦公的Harness分最高，超過了美國的Claude Cowork和Codex。

實測還發現了一些中美Agent的能力差異。

第五項營銷海報，是美國Agent的滑鐵盧。Claude Cowork和Gemini Spark都在這裏翻車，而千問辦公和豆包這類中國Agent做得更好。

第二項控制瀏覽器，是中國Agent的弱點。Workbuddy和MiniMax Code在這裏栽了跟頭，美國三家的表現更穩。

速度上也有差異。美國那邊，Gemini Spark最快，Codex次之，Claude Cowork最慢。中國這邊，Workbuddy最快，豆包和MiniMax相當，Kimi Work和千問辦公偏慢。另外，Claude Cowork的"品味"最好，PPT排版和配色最講究，但這個歸功於模型能力，跟Harness無關。

價格是另一重碾壓。千問辦公背後的Qwen 3.8 Max，API價格每百萬token約1.1美元；GPT-5.6 Sol是4.4美元，Opus 5是3.9美元。

Workbuddy的錯位

報告裏另一個值得細看的對象，是騰訊的Workbuddy。

它的數據很漂亮：6月月訪問量約2100萬，中國同類Agent裏排第一。但在這份實測裏，Workbuddy的隱含Harness分，在中國Agent裏墊底。

訪問量第一，Harness墊底，這個錯位怎麼解釋？

傑富瑞給了三個原因。

第一，Workbuddy深度嵌在騰訊自家的生態裏，騰訊文檔、IMA、企業微信，入口都在手上。

第二，它走的是模型無關的路線，用戶可以在harness裏隨意切換Kimi K3、DeepSeek V4、GLM 5.2這些開源模型，用別人的強模型補自己的短板。

第三，騰訊的營銷投入很猛。

這三條，跟Harness工程做得好不好，沒有直接關係。

報告的判斷是：短期看，Workbuddy贏在入口和分發；長期看，2100萬的用戶基礎會沉澱出海量真實使用數據，這些數據反過來能幫騰訊改進Harness，甚至訓練自己的模型。

在中國市場這個階段，分發能力暫時跑在了Harness工程前面。但決定一個Agent最終能走多遠的，還是Harness。

中國在Harness上有優勢，也有繞不開的短板

報告把中國和美國的Harness打法做了個對比：中國在幾個結構性的地方領先，但也有幾塊短板壓着。

先說優勢，四個。

超級App集成。 美國Agent接工具，一般靠connector去連。中國不一樣，很多Agent直接嵌在企微、飛書、釘釘這些平台裏，數據、分發、變現一條線全打通。這是中國廠商獨有的地基。

模型無關的Harness。 騰訊Workbuddy、字節Trae走的都是這條路——harness自己不帶模型，用戶按任務的難度、延遲、成本隨便切換Kimi K3、DeepSeek V4、GLM 5.2這些第三方模型。用別人的強模型，補自己的短板。

低token價格。 出口管制逼着中國實驗室走高效的MoE架構和推理優化，加上國內競爭卷得厲害，中國模型的token價格平均比美國低70%到80%。token便宜，那些消耗大量推理的agent工作流才跑得起，這也加快了企業採納。

迭代速度快。 Hrness的質量，是靠在真實場景裏一次次失敗試出來的。中國廠商用戶量大、碰到的失敗案例多，迭代反而更快。

再說短板，也有四個。

模型差距還在。 Harness-Bench的數據顯示，強模型的平均分更高、跨Harness的方差更小；弱模型更依賴Harness。中國模型整體還落後美國，得靠更出色的Harness才能把Agent能力頂上去。

產品定價低。 中國企業軟件市場一向變現難，中小企業對價格敏感，大型央國企又偏愛定製項目、不太認訂閱制。這拖累的不只是利潤，還有持續投入Harness工程的動力。

出海難。 Workbuddy、Qoder在國內用戶漲得快，但要把這套成功複製到海外很難——中國Agent是為本地生態和用戶習慣優化的，而美國的Harness受益於全球標準化的軟件棧。

算力瓶頸。 Agent工作流對推理算力的消耗，比普通對話高得多。中國廠商高端算力短缺，可能導致服務不穩定，也反過來限制變現能力。

Harness為什麼越來越重要

最後再提一嘴Harness的價值，主要是三個方面：

粘性。 模型能力越來越趨同，但harness不一樣。客戶的工作習慣、對話歷史、記憶、連接器、技能、自動化，全都沉澱在harness裏。用得越久，換走的成本越高。模型可以隨時換，harness是換不掉的。

數據飛輪。 每一次Agent運行，都會產生一條trace——調了什麼工具、什麼失敗了、人怎麼糾正的。這些數據能餵給下一代的強化學習，也能用來改進harness本身。用戶越多，數據越多，Agent越好，用戶更多。這是一個正循環。

付費意願。 報告點破了一件事：企業和消費者買的不是"智能"，他們自己沒有開發應用的能力。他們買的是"harness + 模型"打包好的完整Agent產品。這也是為什麼Claude Code、Claude Cowork、Workbuddy這類產品用戶增長快——客戶為harness付錢，模型只是順帶。

而對於一家公司來說，AI落地的關鍵在工程層，不在模型層。真正的機會在"把harness做好"這件事上——管好指令、上下文、工具、邊界、反饋、治理這六件事，比追最強的模型更可能做出落地的東西。