AI Agent Harness的消亡与重生：产业变局下的创业生存指南
文章目录
- AI Agent Harness的消亡与重生：产业变局下的创业生存指南
-
- 目录
- 前言：一个正在撕裂的行业共识
- 第一章 Harness：定义、演进与核心争议
-
- 1.1 什么是Agent Harness？
- 1.2 Harness的演进脉络：从Chain到Graph到Harness
- 1.3 Harness的核心功能与价值定位
- 第二章 “Harness消亡论”的论据与逻辑
-
- 2.1 模型能力的“吞噬效应”：剪刀差特征
- 2.2 大厂的“全家桶”战略：Google的Agentic五层架构
- 2.3 价值密度的快速稀释：60%代码可被替代
- 2.4 行业洗牌的数据验证：47%中间层工具被淘汰
- 第三章 “Harness永存论”的反驳与辩护
-
- 3.1 LangChain的立场：Harness即记忆
- 3.2 51.2万行代码的证据
- 3.3 记忆与Harness的深度耦合
- 3.4 开源 vs 闭源：控制权的争夺
- 第四章 争论的本质：产业逻辑的深层变革
-
- 4.1 从“智商竞争”到“生产力竞争”
- 4.2 从“建议”到“执行”的价值迁移
- 4.3 “纠缠软件”新范式的兴起
- 4.4 基础设施云化趋势
- 第五章 当下Agent创业公司的生存法则
-
- 5.1 法则一：深耕垂直领域，构建“数据飞轮”
- 5.2 法则二：从“结果付费”到商业模式重构
- 5.3 法则三：拥抱“纠缠软件”范式
- 5.4 法则四：避开巨头陷阱，找准差异化位置
- 第六章 重点赛道深度分析
-
- 6.1 企业级工作流自动化
- 6.2 垂直行业Agent（法律、医疗、财税）
- 6.3 AI编程与开发者工具
- 6.4 销售与GTM Agent
- 6.5 Agent基础设施
- 第七章 风险警示与未来展望
-
- 7.1 三大核心风险
- 7.2 未来12个月的关键信号
- 7.3 结论：Harness不会消失，但会重生
目录
前言：一个正在撕裂的行业共识
第一章 Harness：定义、演进与核心争议
- 1.1 什么是Agent Harness？
- 1.2 Harness的演进脉络：从Chain到Graph到Harness
- 1.3 Harness的核心功能与价值定位
第二章 “Harness消亡论”的论据与逻辑
- 2.1 模型能力的“吞噬效应”：剪刀差特征
- 2.2 大厂的“全家桶”战略：Google的Agentic五层架构
- 2.3 价值密度的快速稀释：60%代码可被替代
- 2.4 行业洗牌的数据验证：47%中间层工具被淘汰
第三章 “Harness永存论”的反驳与辩护
- 3.1 LangChain的立场：Harness即记忆
- 3.2 51.2万行代码的证据
- 3.3 记忆与Harness的深度耦合
- 3.4 开源 vs 闭源：控制权的争夺
第四章 争论的本质：产业逻辑的深层变革
- 4.1 从“智商竞争”到“生产力竞争”
- 4.2 从“建议”到“执行”的价值迁移
- 4.3 “纠缠软件”新范式的兴起
- 4.4 基础设施云化趋势
第五章 当下Agent创业公司的生存法则
- 5.1 法则一：深耕垂直领域，构建“数据飞轮”
- 5.2 法则二：从“结果付费”到商业模式重构
- 5.3 法则三：拥抱“纠缠软件”范式
- 5.4 法则四：避开巨头陷阱，找准差异化位置
第六章 重点赛道深度分析
- 6.1 企业级工作流自动化
- 6.2 垂直行业Agent（法律、医疗、财税）
- 6.3 AI编程与开发者工具
- 6.4 销售与GTM Agent
- 6.5 Agent基础设施
第七章 风险警示与未来展望
- 7.1 三大核心风险
- 7.2 未来12个月的关键信号
- 7.3 结论：Harness不会消失，但会重生
前言：一个正在撕裂的行业共识
2026年，AI Agent赛道正经历一场前所未有的认知撕裂。
一边是金沙江创投朱啸虎的直言不讳——“大模型会吃掉90%的Agent”；另一边是LangChain创始人Harrison Chase的坚定反击——“Agent Harness不会消失”。Google Cloud在2026年4月的Next大会上对“Harness”一词只字未提，转而推出从AI Hypercomputer到Gemini Enterprise Agent Platform的完整“Agentic”五层架构。而几乎同一时间，Anthropic发布长篇技术文章《Harness design for long-running application development》，将Harness Engineering推到了AI编程能力上限的决定性位置。
这些看似矛盾的信号，共同指向一个更深层的问题：在模型能力指数级增长的时代，围绕模型构建的“脚手架”——Agent Harness——究竟是会被模型“吞噬”的过渡产物，还是将永久存在的核心基础设施？
这个问题的答案，直接决定了未来一年数万家AI Agent创业公司的生死存亡。
本报告将从技术演进、产业逻辑、资本动向、创业实践四个维度，系统分析Agent Harness的未来走向，并为当下Agent创业者提供可操作的生存指南。
第一章 Harness：定义、演进与核心争议
1.1 什么是Agent Harness？
要理解Harness的未来，首先需要明确它的定义。
根据行业共识，Agent Harness指的是支撑AI Agent运行的外部框架、控制结构与编排系统。它不是单一的算法，而是一整套工程化的“脚手架”，用于管理和放大AI的能力。
更具体地说，Harness是Prompt Engineering之上的更高级抽象。如果说Prompt决定了单次对话的质量，那么Harness则决定了多轮、多智能体、长时任务的执行流程和可靠性。Harness的核心作用是解决AI在完成复杂、耗时任务时的“失控”问题，通过外部控制机制弥补模型内在的缺陷，如上下文焦虑、自我美化等。
OpenAI的架构师Bill Chen和Brian Fioca在2026年初的一次演讲中，将Coding Agent的构成清晰地分解为三部分：用户界面、模型和Harness。其中，Harness是“模型的接口层，它是模型与用户、代码之间进行交互的媒介。它包括了模型需要的所有组件，以便在多轮对话中进行工作，调用工具，并最终为你编写代码，解读用户的需求”。
1.2 Harness的演进脉络：从Chain到Graph到Harness
Harness并非凭空出现，而是AI Agent工程实践自然演进的产物。Harrison Chase在回顾过去三年的变化时指出：
当ChatGPT刚问世时，开发者只能做简单的RAG链——这是LangChain时代。随后模型能力有所提升，可以创建更复杂的流程——这是LangGraph时代。接着模型能力大幅飞跃，催生了一种新型的脚手架——Agent Harness。
这一演进脉络揭示了一个关键规律：每一次模型能力的跃升，并没有消灭“脚手架”，而是改变了脚手架的形式和复杂度。2023年需要的许多脚手架功能，在2024-2025年已不再需要，但它们被其他类型的脚手架所取代。
当前主流的Agent Harness包括：Claude Code、Deep Agents、Pi（驱动OpenClaw）、OpenCode、Codex、Letta Code等。它们形态各异，但核心功能高度一致——为LLM提供与工具、数据源和环境交互的系统。
1.3 Harness的核心功能与价值定位
综合各方定义，Harness的核心功能可以归纳为以下几个层面：
第一，编排与协调。 Harness负责管理Agent的多步推理和执行流程，包括任务规划、子Agent调度、工具调用顺序等。LangChain的Deep Agents在这方面尤为突出，支持“内置任务规划、子Agent生成、长期记忆和上下文管理，使Agent能够运行数分钟或数小时，跨越数十个步骤”。
第二，上下文管理。 这是Harness最核心的职责之一。短期记忆（对话中的消息、大型工具调用结果）由Harness处理；长期记忆（跨会话记忆）需要由Harness进行更新和读取。
第三，工具集成。 Harness负责将LLM连接到各种外部工具和API，包括网络搜索、代码执行、数据库查询等。
第四，状态管理。 对于长时间运行的任务，Harness需要管理Agent的状态、进度文件和中间产物。
第五，质量控制。 通过结构化交接、多智能体协作、上下文重置等机制，Harness确保Agent在复杂任务中不“脱轨”。
正是这些功能的复杂性和重要性，使得Harness成为当前AI工程领域最热门的讨论话题之一。
第二章 “Harness消亡论”的论据与逻辑
2.1 模型能力的“吞噬效应”：剪刀差特征
“Harness消亡论”最核心的论据是模型能力的指数级增长正在快速吞噬Harness的功能空间。
主流大模型每季度都会新增数百项能力，其中约30%的功能会直接替代传统Harness的核心组件。这种技术替代呈现明显的“剪刀差”特征：模型能力提升速度远超Harness迭代周期。
一个典型案例是：某开源框架曾开发的文档解析Harness，在最新模型支持多模态文档理解后，其核心价值在6个月内完全消失。
这种“吞噬”并非偶然，而是大模型发展的必然趋势。随着模型上下文窗口的不断扩大、推理能力的持续增强、多模态能力的逐步完善，原本需要外部代码实现的复杂机制正在被模型直接吸收。正如一位观察者所言：“推理链内生化后，大模型自己就能生成动态推理拓扑，我写的那些固定分支，反而成了Agent的’枷锁’”。
更极端的观点认为，整个软件栈正在经历“熵减”——中间层正在被压扁，最终剩下的只有“Agent + Database”。
2.2 大厂的“全家桶”战略：Google的Agentic五层架构
如果说模型能力的提升是“渐进式吞噬”，那么大厂的全家桶战略则是“降维打击”。
2026年4月，Google Cloud在拉斯维加斯召开Next大会，这是近年来科技圈最受关注的云计算大会之一，主角只有一个：Agent。从Keynote的章节命名就能看出Google的野心：Agentic Enterprise Blueprint、Agentic Data Cloud、Agentic Defense、Agentic Taskforce——每一个模块都冠上了“Agentic”的前缀。
Google提出的是从AI Hypercomputer（包括新发布的训练和推理分家的更强TPU），到Agentic Data Cloud、Agentic Defense、Agentic Task Force，再到最关键的Gemini Enterprise Agent Platform的Agent五层架构体系。Google Cloud CEO Thomas Kurian在开场不到三分钟就宣称：“试验阶段结束了”。
这场大会传递的信号极为明确：Google要用这套全家桶抢走所有企业Agent的生意。而最令人震撼的是，整场大会对“Harness”这个火热名词一字未提。Google根本不认同什么Harness，或者说它拒绝被其他人提出的模棱两可概念牵着鼻子走。
Google的底气来自其庞大的基础设施投入。Google CEO Sundar Pichai公布了一个惊人的数字：Google 2022年资本支出为310亿美元，而2026年预算区间是1750亿至1850亿美元，四年内实现了近6倍的增长，其中超过一半的机器学习算力将专门分配给云业务。
在大厂这种体量的投入面前，独立Harness创业公司的生存空间被急剧压缩。
2.3 价值密度的快速稀释：60%代码可被替代
“消亡论”的第三个论据来自对Harness本身价值密度的量化分析。
当前Harness工具中，可被模型直接替代的代码占比已超过60%，剩余价值多集中在基础连接器层面。某性能基准测试显示，2023年开发的Harness在2024年模型升级后，有效代码量平均减少42%，而维护成本却因兼容性需求增加25%。
这一趋势意味着：Harness的价值正在被模型以比其迭代更快的速度稀释。如果一家创业公司的核心产品仅仅是“为模型提供某种当前模型还不具备的能力”，那么当模型在下个版本中内置了这种能力时，这家公司的价值就会瞬间归零。
正如一位风险投资人所说，评估AI Agent创业公司时最关键的问题是：“这个Agent是在做真正困难的事情，还是在做一些看起来很困难、直到基础模型更新后就会变得微不足道的事情？”
2.4 行业洗牌的数据验证：47%中间层工具被淘汰
理论分析之外，市场数据已经给出了残酷的验证。
2026年上半年最残酷的数据不在评测榜单，而在企业注销名单中。60至90天内，47%的AI Agent中间层工具公司被淘汰。Sora关停、Jasper估值回调、Chegg收入暴跌，这些曾代表“AI应用元年”的符号，成为大模型能力溢出效应的首批牺牲品。
有投资人给出了更为悲观的预测：90%的AI初创企业将在2026年面临创业失败。由a16z领投、手握3300万美元种子轮融资的AI模型评测平台Yupp，在平台上线不到一年、吸引了130万用户后突然宣布关停——尽管账面上还有不少资金。
金沙江创投主管合伙人朱啸虎更直言：“大模型会吃掉90%的Agent”。
这些数据共同指向一个结论：AI Agent中间层的“死亡率”正在以惊人的速度攀升，那些建立在可被模型快速替代的通用能力之上的创业公司，正在批量死亡。
第三章 “Harness永存论”的反驳与辩护
3.1 LangChain的立场：Harness即记忆
面对“Harness消亡论”，LangChain创始人Harrison Chase给出了最为系统和有力的反驳。
2026年4月，Chase在LangChain官方博客发表题为《Your harness, your memory》的文章，核心观点极其明确：Agent Harness正在成为构建Agent的主流方式，而且它们不会消失。
Chase承认，有一种观点认为“模型会吸收越来越多的脚手架”，但他明确指出——“这并非事实”。实际发生（并将持续发生）的是，2023年需要的许多脚手架功能现在已不再需要，但它们已被其他类型的脚手架所取代。
Chase的逻辑基于一个基本定义：Agent本质上是一个LLM与工具和其他数据源交互的系统。LLM周围永远需要一个系统来促进这种交互。这个“系统”就是Harness。
这一论点在X上引发了巨大反响，帖子热度突破140万阅读量。谷歌云AI总监Addy Osmani转发并评论：“Agent Harness是记忆层的关键”“记忆让Agent随着时间的推移变得更聪明”。
3.2 51.2万行代码的证据
Chase提供了最有力的实证：当Claude Code的源代码泄露时，里面有51.2万行代码。
“那些代码就是Harness。即便是世界上最好的模型的制造商，也在Harness上投入重金”。如果模型真的能够“吞噬”掉所有脚手架，那么Anthropic——全球顶尖的模型制造商之一——为何要在Claude Code的Harness上投入51.2万行代码？
Chase进一步指出，即使是OpenAI和Anthropic API里内置的网页搜索功能，“也不是’模型的一部分’。它们是位于API后面的轻量级Harness的一部分，通过工具调用来协调模型和搜索API”。
这一论证揭示了一个容易被忽视的事实：即便在最先进的模型API中，Harness仍然以“轻量级”的形态存在。它只是从“可见”变成了“不可见”，从开源框架变成了闭源API的一部分——但它从未消失。
3.3 记忆与Harness的深度耦合
Chase反驳的第二个核心论点是记忆与Harness的深度耦合关系。
Letta的CTO Sarah Wooders曾写过一篇有影响力的博客，观点是“记忆不是插件（它就是Harness）”，Chase深表赞同。有人认为记忆是一项独立服务，与任何特定Harness无关。但在Chase看来，“在目前这个阶段，并非如此”。
Harness的一大职责就是与上下文交互，而记忆只是上下文的一种形式。短期记忆（对话中的消息、大型工具调用结果）由Harness处理；长期记忆（跨会话记忆）需要由Harness进行更新和读取。
Wooders还列举了许多其他Harness与记忆绑定的方式：
- AGENTS.md或CLAUDE.md文件是如何加载到上下文中的？
- 技能元数据是如何展示给Agent的？
- Agent可以修改自己的系统指令吗？
- 压缩时保留了什么，丢失了什么？
- 交互是否被存储并可查询？
- 记忆元数据是如何呈现给Agent的？
Chase指出，记忆这个概念目前还处于初期阶段。长期记忆通常甚至不是MVP的一部分——首先得让Agent基本跑起来，然后才会考虑个性化。这意味着整个行业仍在摸索记忆的方案，还没有众所周知或通用的抽象。
既然记忆是Agent差异化和用户粘性的核心来源，而记忆又与Harness深度耦合，那么控制Harness就等于控制记忆，控制记忆就等于控制Agent的未来。
3.4 开源 vs 闭源：控制权的争夺
Chase的论证最终导向一个具有战略意义的结论：Harness应该是开源的。
“如果你使用的是闭源Harness——尤其是藏在专有API后面的那种——你就是在选择把Agent的记忆控制权交给第三方”。“记忆对于创造良好且有粘性的Agent体验至关重要。这也带来了巨大的锁定效应”。
Chase警告：“使用闭源Harness，尤其是位于API后面的，你就不拥有你的记忆”。
这一观点并非没有争议。Y Combinator总裁Garry Tan认为，记忆和Harness的耦合没有那么深，“Harness读取记忆，但并不拥有记忆”。但无论如何，这场争论本身已经揭示了一个关键事实：Harness的控制权正在成为AI产业的核心战略争夺点。
如果Harness真的“消亡”了——即被完全内化到模型API中——那么所有的记忆和控制权都将集中到少数模型厂商手中。这正是Chase所担心的“惊人的平台锁定效应”。而如果Harness以开源形态持续存在，那么企业和开发者就能保有对自己Agent记忆的控制权。
“Harness消亡论”和“Harness永存论”的分歧，本质上是对同一趋势的不同解读：前者看到的是Harness从“独立产品”变成“模型内置功能”的过程，将其定义为“消亡”；后者看到的是Harness从“可见脚手架”变成“不可见基础设施”的过程，将其定义为“演化”。
第四章 争论的本质：产业逻辑的深层变革
表面上看，“Harness消亡论”和“Harness永存论”是在争论一个技术概念的去留。但深层次上，这场争论折射出AI Agent产业正在经历的三重根本性变革。
4.1 从“智商竞争”到“生产力竞争”
2026年，AI行业最显著的变化是关注重心从模型的“智商”转向了Agent的“生产力” 。
市场不再执着于智能体有多聪明，而是关注它究竟能创造多少真实价值；企业也不再比拼模型参数，而是算一笔投入产出账。AI Agent正经历从“智商竞争”转向“生产力竞争”的关键节点——决定行业未来格局的不再是谁拥有更强的模型，而是谁先解决好安全性、专业性和商业化落地问题，让智能体真正嵌入企业经营和产业运行。
这一转变的意义在于：如果竞争的核心是“智商”，那么模型厂商具有天然优势，Harness只是附庸；但如果竞争的核心是“生产力”，那么谁能更好地将模型能力转化为实际业务成果，谁就占据主导——这正是Harness的战场。
中科紫东太初CTO张家俊指出，智能体从“会聊天”到“真干活”，远比外界想象复杂。一旦进入严肃生产场景，智能体面临的挑战便迅速升级——安全性（智能体拥有较高权限，缺乏有效控制时可能引发数据泄露或误操作）、专业性（通用智能体擅长文档处理和搜索，但在科研创新、工业研发等高价值领域，还必须能调用专业工具、理解专业流程）。
这些挑战恰恰是Harness的用武之地。一个能够保障安全、调用专业工具、管理复杂流程的Harness，其价值不会因为模型变聪明而消失，反而会因为任务变复杂而增加。
4.2 从“建议”到“执行”的价值迁移
与此相关的是，AI Agent的价值定位正在从“提供建议”转向“完成执行”。
正如Sky9 Capital的分析指出：“一个聊天机器人回应。一个Agent行动。技术上的区别不如商业上的区别重要。聊天机器人坐在现有工作流旁边。Agent取代它们”。
“一家公司购买用于合同审查的AI Agent，并不是在其法律团队的软件栈中添加一个工具。在许多情况下，它是在重新考虑该软件栈需要多少人”。这种转变意味着商业模式的结构性变化：从按席位收取SaaS许可费，转向按成果定价——软件根据其完成的任务收费，而不是根据使用人数收费。
这一转变对Harness的未来具有深远影响。如果Agent的价值在于“执行”，那么执行的质量、可靠性、安全性和可审计性就成为核心价值。而这些恰恰是Harness需要解决的核心问题——如何让Agent在真实业务环境中可靠地完成端到端任务。
Google内部的数据已经证明了这种价值的量级：Google目前75%的新代码由AI生成并由工程师审核通过（2025年秋天这一比例还是50%）。在一次复杂的代码迁移任务中，工程师组建了由“规划者、协调者、编码者”三类角色构成的Agent系统，将迁移速度提升了6倍。在营销层面，Gemini带来70%的制作周期缩短和20%的转化率提升。在安全层面，Agent将威胁缓解时间压缩了超过90%。
这些数字说明，AI Agent的“执行”价值已经得到了最严格的企业级验证。而支撑这些执行的，正是背后复杂的Harness系统。
4.3 “纠缠软件”新范式的兴起
面对Harness的贬值危机，行业正在探索一种新的软件范式——“纠缠软件”（Entangled Software）。
纠缠软件的核心在于通过深度业务绑定构建数据飞轮，使软件系统与用户形成共生演进关系。它具备三个核心特征：
状态持续性：系统保持跨会话的业务上下文记忆。例如，某金融风控系统可追踪单个客户3年的交互历史。
反馈闭环性：用户操作直接触发模型优化。某智能客服系统将用户修正记录实时反哺意图识别模型。
场景特异性：深度定制行业知识图谱。某医疗诊断系统积累超过200万条结构化临床对话数据。
纠缠软件的兴起对“Harness消亡论”构成了一种新的回应：与其争论Harness是否会消失，不如思考Harness的形态如何演变。在纠缠软件范式中，Harness不再是通用的、可替换的“脚手架”，而是与特定业务场景和数据深度绑定的“纠缠”组件。这种深度绑定使得Harness从“可被模型吞噬的薄层”变成了“与业务共生的壁垒”。
正如一位观察者所言：“纠缠软件”提出产品与用户以不可分割的方式相互影响——软件从客户的流程和数据中涌现，而不是为它们配置。这代表了过去三十年软件开发逻辑的根本性逆转。
4.4 基础设施云化趋势
另一个不可忽视的趋势是Agent基础设施的云化。
预计3年内，主流开发框架将内置80%的Harness功能。云服务商将提供完整的Agent开发栈，即“基础设施即服务”。模型厂商正将Harness能力封装为标准化云服务——某云服务商推出的智能体编排平台，在12个月内复现了85%的开源Harness功能，并通过价格战快速占领市场。
这种“管道化”趋势使得Harness开发陷入红海竞争，技术门槛从架构设计转向成本控制。
华为云在2026年正式提出Agentic Infra新范式：高效Token工厂、持续学习、通智一体化调度、安全自治——四个关键词对应Agent大规模落地的四个基础难题。硅基流动杨攀更是直言：“2026年最大的创业机会，是给Agent’造基建’”。
基础设施云化意味着：独立的、通用的Harness创业公司将越来越难以生存，因为云厂商会以极低的价格提供标准化替代品。但这并不意味着Harness领域的创业机会消失——只是机会从“通用Harness”转移到了“垂直场景的深度定制”和“云化基础设施的差异化创新”。
第五章 当下Agent创业公司的生存法则
基于以上分析，本报告为当下Agent创业公司提炼出四条核心生存法则。
5.1 法则一：深耕垂直领域，构建“数据飞轮”
这是目前行业最被验证的生存路径。
基础模型层已呈头部集中格局，初创企业进入门槛极高。应用层是目前最活跃的融资地带，尤其是B端垂直行业Agent——它们能嵌入企业业务流，积累独特的执行轨迹与案例数据，形成“工作流数据引力”。这种护城河是通用模型难以复制的。
联想创投管理合伙人王光熙在分享看项目经历时指出：一个特别早期的商业营销类Agent项目，团队非常年轻，成员并非纯大模型技术背景出身，但他们深度了解垂直行业——对行业生态、隐性规则的Know-how理解透彻，且擅长将这些复杂的行业规则转化为软件层面的抽象化、结构化设计。
“这类项目的核心壁垒在于行业数据飞轮效应：虽然初期进入门槛不高，但一旦积累起客户和数据，后续的黏性、产品闭环迭代会形成独特优势”。
锦秋基金仲昭阳博士重点看好的方向包括：IT运维、财税法律、医疗以及语音交互等。这些行业要么具备强合规和数据隐私要求，要么可通过AI显著提升效率、替代人力成本。
具体来说，垂直深耕的策略包括：
第一，选择“高壁垒”行业。 优先选择那些具有强监管要求（如医疗、金融）、复杂专业知识（如法律、财税）、或独特数据壁垒（如工业制造）的领域。这些行业的进入门槛天然较高，通用模型难以轻易渗透。
第二，建立“数据飞轮”。 通过可解释AI技术提取用户决策路径，利用对比学习挖掘操作模式，采用持续学习框架实现每日模型微调而不丢失历史知识。关键在于让每一次用户交互都成为模型优化的素材，形成“使用越多、效果越好”的正循环。
第三，深耕“执行”而非“建议”。 垂直Agent的价值不在于提供行业资讯或报告，而在于真正完成行业内的具体工作任务——完成一份合规的合同审查、处理一笔复杂的税务申报、完成一次精准的医疗影像分析。
5.2 法则二：从“结果付费”到商业模式重构
商业模式是Agent创业公司最容易被忽视的竞争维度，但恰恰可能是最具决定性的。
2026年，行业正在从传统的软件License或席位收费模式，转向**“结果付费”模式**。未来企业购买的将是一个能直接创造结果的数字员工，衡量标准从软件功能转向任务完成效果。
花旗集团的研究报告明确指出：“最直接的Agentic AI定价结构是基于成果的（outcome-based），这是一种清晰且引人注目的ROI叙事。在这里，企业成本不与使用量或访问权限挂钩，而是与特定、可衡量的业务成果挂钩——客户只为Agentic AI产生的有形结果付费”。
这种模式对创业公司的意义在于：
第一，倒逼产品真正创造价值。 如果客户只为“结果”付费，那么产品必须能够真正交付可衡量的业务成果——而不是提供一个“看起来有用”的工具。
第二，建立差异化定价权。 在“结果付费”模式下，创业公司的定价不是基于“用了多少Token”或“有多少用户”，而是基于“创造了多少价值”。这为真正能够解决问题的产品提供了巨大的定价空间。
第三，形成正向现金流。 “结果付费”模式天然与客户的成功绑定，只要产品持续创造价值，客户就持续付费——这比传统的年度续费模式更加稳定。
实践中，已有创业公司验证了这一模式。2026年，Manus和Genspark在Web端和移动端快速增长，靠不同路径破局，收入均爆发。AI Agent正从“智商竞争”转向“生产力竞争”。
5.3 法则三：拥抱“纠缠软件”范式
如前所述，“纠缠软件”代表了软件开发的范式转变。对Agent创业公司而言，这意味着：
第一，将“记忆”作为核心产品特性。 不是简单地在对话之间保存一些用户偏好，而是构建跨会话、跨场景的持续业务上下文。例如，一个法律Agent应该“记住”一个案件从立案到结案的全部过程，而不仅仅是一次对话的内容。
第二，建立“反馈闭环”的产品机制。 每一次用户修正、每一次人工审核、每一次业务决策，都应该成为优化模型和Harness的素材。产品设计应该让“使用”和“优化”成为同一件事。
第三，深耕“场景特异性” 。不要试图构建一个“万能Agent”，而是要为一个具体场景构建一个“完美Agent”。这意味着深度定制行业知识图谱、业务流程和交互模式。
纠缠软件的本质是让软件与业务共同进化。在这样的范式中，Harness不再是可被替换的通用组件，而是与特定业务深度“纠缠”的差异化资产——这恰恰是对“Harness消亡论”最有力的回应。
5.4 法则四：避开巨头陷阱，找准差异化位置
巨头正在以惊人的速度进入Agent领域。Google的Gemini Enterprise Agent Platform、Anthropic的Managed Agents、Microsoft的Agent Framework——都在试图“抢走所有企业Agent的生意”。
但巨头的进入并不意味着创业公司没有机会——关键在于找准差异化位置。
不要做“通用型Agent” 。朱啸虎直言，创业公司做通用Agent难度较大。像阿里这样的大厂兼具模型和流量优势，通用类产品的创业公司难度更大。
不要做“可被模型快速吞噬的薄层” 。如果产品的核心功能仅仅是“弥补当前模型还不具备的某种能力”，那么当模型在下个版本中内置了这种能力时，产品价值就会瞬间归零。
要做“与数据和场景深度绑定的厚层” 。垂直行业的Know-how、独特的业务数据、与客户工作流的深度集成——这些是巨头难以快速复制的。
具体来说，以下位置可能是创业公司的“安全区”：
- 垂直行业的深度定制：在巨头提供通用平台的基础上，为特定行业提供深度定制和集成服务。
- 数据密集型的垂直Agent：那些需要积累大量行业特定数据才能发挥价值的领域——巨头虽有模型优势，但缺乏行业数据和场景理解。
- “结果付费”的垂直服务：直接为客户交付可衡量的业务成果，而不是销售软件工具。
- Agent基础设施的差异化创新：在身份认证、通信协议、安全合规、存储、传输等环节寻找巨头尚未覆盖的创新空间。
第六章 重点赛道深度分析
基于行业数据和投资人关注度，以下赛道在2026年展现出最强的增长潜力和创业机会。
6.1 企业级工作流自动化
赛道概况：企业级工作流自动化Agent能够端到端执行多步骤业务流程。
为什么有壁垒：与现有系统的深度集成创造转换成本。一旦一个Agent深度嵌入企业的CRM、ERP、HR等核心系统，替换它就意味着重新配置整个工作流——这种转换成本是极高的护城河。
融资热度：★★★★★
创业机会：聚焦特定行业或特定职能的工作流自动化，如制造业的供应链协调、零售业的库存管理、金融业的合规流程等。关键在于深度理解目标行业的业务流程痛点，而不仅仅是提供一个“通用自动化工具”。
6.2 垂直行业Agent（法律、医疗、财税）
赛道概况：法律Agent审查合同、监控法规变化、标记风险；医疗Agent处理预授权、文档记录和患者分诊；财税Agent处理税务申报、财务分析等。
为什么有壁垒：专有法律数据和责任壁垒减缓竞争；监管复杂性和EHR集成创造高进入门槛。资本更青睐能直接替代人工的垂直领域Agent，如法律、客服、财税等。
融资热度：★★★★☆
创业机会：这是目前被最多投资人看好的方向。锦秋基金仲昭阳博士明确指出，这些行业要么具备强合规和数据隐私要求，要么可通过AI显著提升效率、替代人力成本。关键在于建立与行业标杆客户的信任关系，先深度打磨标准化流程，再复制到同行业。
6.3 AI编程与开发者工具
赛道概况：AI编程Agent能够自主编写、审查和部署代码。
为什么有壁垒：开发者生产力的提升立即可衡量。当一个Agent能让一个开发团队的生产力提升数倍时，ROI是直接且可量化的。
融资热度：★★★★★
特别关注：这是目前Harness讨论最密集的领域。OpenAI的Codex、Anthropic的Claude Code、LangChain的Deep Agents都在这个领域激烈竞争。行业正在形成一种新的共识：决定AI编程上限的，不再是模型本身的单次生成能力，而是Harness Engineering。
创业机会：与其与巨头在“通用编程Agent”上正面竞争，不如聚焦特定编程场景的深度优化——如特定框架的代码生成、特定行业的代码合规检查、遗留系统迁移等。
6.4 销售与GTM Agent
赛道概况：销售Agent负责筛选潜在客户、起草 outreach 内容、更新CRM，无需人工输入。
为什么有壁垒：收入影响直接可归因。如果一个Agent能直接带来更多销售线索或更高的转化率，其价值是无可争议的。
融资热度：★★★★☆
创业机会：销售流程的每一个环节都存在Agent化的机会——从潜在客户挖掘、个性化 outreach、会议安排、到后续跟进和数据分析。关键在于与现有销售工具的深度集成和可量化的ROI证明。
6.5 Agent基础设施
赛道概况：为Agent提供运行所需的底层基础设施，包括身份认证、通信协议、安全合规、存储、传输等。
为什么有机会：当Agentic成为主流AI应用形式，Agent原生基础设施的增长潜力几乎无限。每个Agent每天调用接口和访问数据的频率将远超人类使用手机的频率。
创业机会：这是一个正在被云厂商和模型厂商同时争夺的领域，但也存在差异化的创新空间。硅基流动杨攀认为，“2026年最大的创业机会，是给Agent’造基建’”。具体方向包括：Agent间的通信协议、工具调用的可靠性和效率、跨Agent的身份认证与安全、Agent专用存储等。
风险提示：这个领域巨头投入最大，创业公司需要找到巨头尚未覆盖或不愿覆盖的差异化细分，而不是试图在通用基础设施层面与AWS、Google Cloud、Azure正面竞争。
第七章 风险警示与未来展望
7.1 三大核心风险
风险一：模型能力的“突然跃迁”
这是所有Agent创业公司面临的最大系统性风险。大模型的迭代速度远超任何创业公司的产品迭代速度。一次模型能力的重大跃迁——比如上下文窗口的10倍扩展、推理能力的质的飞跃、多模态能力的全面成熟——都可能让大量创业公司的产品价值瞬间归零。
应对策略：不要将核心价值建立在“弥补模型当前短板”上，而要建立在“理解特定业务场景”上。前者可被模型快速替代，后者则难以被替代。
风险二：大厂的“降维打击”
Google的Agentic五层架构、Anthropic的Managed Agents、Microsoft的Agent Framework——大厂正在以惊人的速度进入Agent领域的每一个层面。一旦大厂将一个功能纳入其免费或低成本的基础设施中，独立创业公司的同类产品就几乎无法生存。
应对策略：选择大厂“不愿做”或“做不好”的领域。大厂擅长规模化和标准化，但不擅长深度定制和垂直深耕。选择那些需要大量行业Know-how、深度客户定制、复杂系统集成的领域。
风险三：商业模式的不可持续性
2026年，投资人因软件账单难看不再投资，视频生成、Agent公司成本高，商业模式待解。许多Agent创业公司面临“高成本、低付费意愿”的困境——调用模型的成本高昂，而客户愿意为之付费的意愿有限。
应对策略：从第一天起就将“单位经济模型”（Unit Economics）作为核心关注点。确保每一美元的模型调用成本能带来超过一美元的客户价值。探索“结果付费”模式，将定价与价值创造直接挂钩。
7.2 未来12个月的关键信号
锦秋基金仲昭阳博士指出，未来12个月决定Agent走向的三个关键信号：
信号一：Agent自我进化。Agent能否用自身执行轨迹训练自己，形成“复利型”护城河？如果答案是肯定的，那么先发优势将变得极其重要——最早进入一个领域的Agent将积累最多的执行数据，形成最强的自我进化能力。
信号二：平台厂商的内化边界。大模型公司会直接吞掉哪些层？中间层和应用层需找准差异化位置。这个边界正在快速移动——今天的“安全区”可能明天就被巨头进入。
信号三：Selling Labor的财务兑现。标杆公司能否持续高增长，将影响应用层的整体估值逻辑。如果“结果付费”模式被验证可行，整个行业的估值逻辑将从“按用户数”转向“按创造价值”。
7.3 结论：Harness不会消失，但会重生
回到本报告的核心问题：Agent Harness会消失吗？
答案是：作为“通用脚手架”的Harness正在消亡，但作为“业务纠缠体”的Harness正在重生。
“消亡”的是那些可被模型快速替代的通用能力——文档解析、简单的工作流编排、基础的RAG——这些功能正在被大模型和云平台以惊人的速度吸收。
“重生”的是那些与特定业务场景和数据深度绑定的复杂能力——行业的深度Know-how、独特的数据飞轮、与客户工作流的深度集成、对安全性和合规性的精细控制。这些能力无法被通用模型“吞噬”，因为它们本质上是特定业务的数字化映射，而非模型的附属品。
正如Harrison Chase所言：“根据定义，Agent是一个LLM与工具和其他数据源交互的系统。LLM周围永远需要一个系统来促进这种交互”。这个“系统”的形式会变——从开源框架到闭源API，从通用工具到垂直定制——但它的本质功能不会消失。
对于当下的Agent创业公司，最危险的策略是试图在通用Harness层面与模型厂商和云巨头竞争。最安全的策略是深入一个垂直行业，用数据和场景构建“纠缠”的护城河，用“结果付费”的商业模式证明价值。
2026年上半年，47%的AI Agent中间层工具公司已被淘汰。但这并不意味着行业的终结——恰恰相反，这意味着行业正在从“百花齐放的探索期”进入“优胜劣汰的整合期”。那些能够穿越这场洗牌的创业公司，将在AI Agent的下一阶段占据真正有价值的位置。
Harness不会消失，但它只属于那些真正理解业务、深耕场景、创造价值的创业者。
报告完
