Agnes 把 Harness 开源了，还顺手把硬件接进了同一套 Agent 执行体

Agnes 这次发布，我更在意执行层

过去一段时间我一直有种别扭的感觉：模型一个比一个能打，可真要让它们去干活，总差那么一口气。Agent 框架一堆，能写能调，但任务一旦变长——改十几个文件、跑好几轮命令、最后还没过测试——就卡在同一个点上：到底是哪一步出的问题？是模型判断错了，还是工具执行崩了？光看对话记录，这些根本判断不了。

所以 Agnes AI 这次一口气放出几样东西，最吸引我的其实是它的「执行层」，不是那个更抢眼的模型。核心是开源的 Agnes Harness（AGH），一套面向真实任务的 Agent 执行基础设施，加上同步开放的设备交互协议 MHS（Model Hardware Standard）。想做的事一句话能讲清：让 Agent 不停留在会对话，而是能持续跑任务、调工具、接真设备，整套塞进同一个执行环境里。

AGH 的东西本身不花哨。Web 工作台或命令行都能用，指定工作目录、发任务，Agent 读文件、跑命令，再根据结果改代码。推进靠 Agent Loop：模型决定下一步干什么，Harness 负责调工具、收反馈、把结果交回去，直到任务结束或需要人介入。真正让我觉得有用的，是那个「轨迹」页面——沿时间轴回看整个执行过程，哪个步骤花了多久、调了哪些工具，都能展开查。被长任务折磨过的人，等于把「复盘 bug」从看天意变成了可操作。

插件机制、MCP 接已有服务、Skills 沉淀验证过的任务方法继续复用，这些是拿来定制企业场景的。还有 FDE 交付方式，工程团队直接进业务现场做适配，做出的工具和方法沉淀成可复用资产。App Server 让 Web 端和命令行共享同一套后台任务，网页上发起的事，命令行能接着同一会话继续，不用重新整理记录。

这条线真正的延伸，是 AGH 借 MHS 把物理设备并了进来。演示里给办公室的移动小车下指令，让它上架子找指定书籍，再用语音读出来；更进一步，Agnes 造了个叫 Mars World 的虚拟火星基地，设计了一场救援任务——宇航员在基地外失联，Agent 要调度飞行器搜索、安排机器人救援、协调气闸设施。官方仓库已经带了 11 台虚拟设备的示例，移动机器人、机械臂、传感器都能在本地模拟，不真上硬件也能把整个流程跑一遍。

MHS 这套协议的逻辑，我觉得挺实在：让可编程设备把功能和操作信息统一暴露给 Agent，智能体面对一台从没见过的设备，也有机会理解它能干嘛、怎么调。AGH 管任务组织，MHS 管设备连接，模型判断目标，Harness 协调每一步，关键步骤还能插人工确认。同步开源的还有 MHS 1.0 协议、MOS 1.0 感知数据协议、AgnesHub 设备连接组件、Python 和 TypeScript 的开发库，以及一个叫 mhs-check 的一致性测试套件。协议实现得对不对，有工具能查。

与这套执行体系配套的，是新一代模型 Agnes 3.0 Pro，API 即将上线。几项公开基准里，GPQA 拿了 91.11，SciCode 56.13，与 GPT-5.6 Sol（Max）的 57.1 只差 0.97；Tau3-Banking 模拟银行业务评测拿了 48.0，在本次对比里排第一。我更在意的是它放进真实任务里的表现：把历史订单服务迁到新版 API，再核对 100 笔订单的资金日结，预设了重复记录和财务缺失。结果它识别出 3 笔金额差异、2 笔记录缺失和 4 组未决退款，交付代码过了 10 项测试，100 笔逐笔结果与标准答案一致。最让我舒服的一个细节是——证据不足的退款保留了未决状态，没自己拍脑袋选金额。这种「懂得不猜」的克制，比跑分更说明问题。

它还做了个可交互的数字温室，从植物资料整理到插画生成再到网页布局，多步骤连着做；又把一篇天文学论文重新组织，做成交互式科普网页，用行星凌星模拟把复杂概念转成直观体验。定价上，3.0 Pro 延续有竞争力的价格策略，3.0 Flash 继续免费——对需要反复调试、多轮开发实验的团队来说，免费这一档能让人不心疼 Token 地反复试错。

这次让我反复琢磨的，不是某个单一能力，而是它想表达的那件整事：模型负责判断，AGH 负责组织持续执行，MHS 负责把能力伸到物理世界。模型还在进步，但 Agent 时代的竞争已不只是比谁更会说，而是比谁能把模型、工具、数据、权限、应用和真实设备组织成一套可靠跑起来的系统。

仓库在 GitHub 上，AGH 主仓、技术报告、MHS 接入指南都放出来了。想上手不一定非得有硬件——Mars World 那 11 台虚拟设备够先玩一阵，至少不用空手去理解「把大脑也越狱到具身」到底是怎么个跑法。