双系统决策+双层自进化,Agnes让Agent效率最高提速14倍,成本骤降至1/27!
一水 发自 凹非寺
量子位 | 公众号QbitAI
过去做一套企业软件,开发可能要花90块,给每家客户适配只要10块。软件做一次、卖给很多家,前面那90块就能被一点点摊薄。这是传统软件公司的生意逻辑。AI把这个公式改了。现在开发只要1块,适配还是10块。
谁懂,独立FDE(前沿部署工程师)、斯坦福在读博士Zaniel此前跟量子位交流时算的这笔账,几乎把今天Agent落地最扎心的现实说透了。
开发成本从90块跳水到1块,最难啃的那10块,却还杵在原地纹丝不动。
因为企业适配这事儿,归根结底就是让AI把每个客户的业务流程、工具系统和现场设备重新认一遍。
偏偏现在不少Agent,本质上还是被关在浏览器和终端里的「赛博临时工」。
写代码时天花乱坠,Benchmark分数一个赛一个漂亮。
可真让它走出屏幕,去指挥车间里的传送带、读取工业称重台的读数,或者操作机械臂完成一次精密装配,画风立马就变了。

经典老番之「上岗了才有工作经验」,我懂,那就仔细教呗。
结果好不容易教会了,转头它又给你来一出「鱼的记忆」——
在同一个客户场景里,第100次执行任务犯的蠢,跟第1次几乎一模一样。
所以,怎么让Agent快速适应新任务,同时把执行经验沉淀下来?
一个采用Apache 2.0许可证、允许商用,并已在GitHub收获2.1k Star的开源系统,就这样进入了我的视线。
先给大家划个重点,Agnes Harness身上最值得看的有两点:
一个是Sys1双系统决策,另一个是TTT×RSI双层自进化。
顺着了解这两个创新设计,你就会明白如今Agent落地的卡点究竟在哪了。
为了让整个过程更好理解,咱们直接原地来一局「重生」(doge)。
一觉醒来,假设你现在成了一家工厂的老板,为了降本增效,你就想着一件事——
往市面上一看,模型倒是一个比一个强,但真准备掏钱部署时,第一关就来了:
AI这个概念再性感,不能最后让我倒贴钱吧,ROI不得先仔细算算。
一番盘下来,好家伙,最大的开销居然是大模型调用。
现在不少Agent之所以又慢又贵,倒不是大模型不够强,恰恰相反,是因为它太能干了,结果什么活都往它身上塞。
很多根本不需要复杂推理的操作,也要完整调用一次大模型,这不纯纯大材小用浪费吗??
Agnes Harness就想了,不行,咱得分工,于是干脆搞出了一套「Sys1双系统决策」机制。
需要复杂推理的部分,那就还是交给大语言模型System 2。
而那些高频且明确的操作,则交给专门训练的9B决策模型System 1,也就是Agnes Sys1.0。
它可以通过插件接入Agnes Harness,专门判断下一步该怎么走:
调用哪个工具?继续等待还是立即执行?拿不准时,要不要请大模型出场?
可别小看了这个9B模型,它的「单兵作战能力」相当能打。
Agnes Harness报告显示,在一项模拟家庭漏水的任务中,同样是判断下一步该干啥,大模型平均要想7.6秒,Agnes Sys1.0只需要0.53秒。
至于成本,在另一组行李房(完成物品称重、竖直摆放和暂存)测试中,双方分别完成100次判断,在线大语言模型的单次调用成本约为0.00247美元,Agnes Sys1.0则约为0.000091美元。
有了这一「最强辅助」,两个系统一配合,那不得起飞??
Agnes Harness还真拉来一只机器狗,在仿真环境中测试了一把。
比起每一步都调用大模型的方式,「大模型+Agnes Sys1.0」这对搭档直接将整体任务耗时缩短了32.9%。
光看数字可能还没啥感觉,但点开视频一对比,好家伙,这速度差距还真是肉眼可见呐。
今天换台设备,明天接个新任务,Agnes Sys1.0没见过怎么办?
总不能每来一个新活,就把模型拖回去重新训练一次吧。
好在Agnes Sys1.0还留了一手——TTT,也就是测试时训练。
怎么让Agent快速适应新任务,一个很自然的想法是:
可问题来了,传统模型微调,得先收集新任务的数据,再训练、部署。
TTT就有意思了,直接让Agent在上岗前突击补课。
Agnes Sys1.0先看看新任务要干啥,再自己出几道有标准答案的练习题,做完后根据结果调整一下自己的判断方式。
整个过程不动9B模型的主体参数,只微调最末端一小组负责校准判断的参数即可。
毕竟今天操作的是A设备,明天可能就换成B设备,要是每次学到的东西都往模型里塞,时间一长,谁知道会不会互相打架。
所以Agnes Sys1.0干脆每次只针对眼前的任务临时调整一小部分参数,干完就恢复原样。
模型参数可以恢复,辛辛苦苦摸索出来的经验,总不能也跟着打水漂吧?
这就轮到「双层自进化」的另一半——RSI出场了。
Agnes Harness会把整个执行过程重新过一遍,看看哪里反复报错、哪一步最耽误时间,再调整Prompt、Memory、Skills和Subagent的配合方式。
如果发现了更好的方法,就先在当前任务中验证效果。
确认确实有效后,再整理成版本化Playbook(操作手册),留给后续任务直接复用。
Agnes Harness还真拿一个复杂设备入库验收任务试了一把。
简单来说,设备进了仓库,Agent得按流程操作称重台、读取重量,再完成验收。
称重台还没稳定就急着读数,操作顺序也没安排明白,折腾了整整30分钟,最后还是超时了。
注意,AI总结出来的新方法,得先经过仿真测试,确认靠谱了,才能写进Playbook。
就,允许你自己进步,但别拿我的设备试错啊。(doge)
到这儿,Agent总算不再是个每天从零开始的「赛博临时工」了。
在屏幕里练得再熟,到了工厂现场,总不能靠鼠标去拧螺丝吧?
不过,给Agent补身体,可不是上来就装机械臂。
订单、仓储、审批……每家工厂都有自己的一套流程和工具。
总不能接一个客户,就重新魔改一套Agent吧??
业务工具、模型适配器、Agent工作流、Skills,甚至操作界面,都能封装成插件。
Agnes Harness目前还没有现成的在线网页版,想体验得先在本地部署。
门槛倒不算高,准备好Node.js 24.10及以上版本和pnpm 10.34.5即可,使用云端模型API的话不用额外配GPU。
直接把GitHub地址扔给DeepSeek Harness,让AI帮我装AI不就得了。(doge)
我继续在旁边码字,大约50分钟后,Agnes Harness就在我的MacBook Air上跑起来了。
可以用项目提供的Demo模型,也能配置自己的模型API。
我顺手攒了一个审稿插件,用来检查错别字、语病、前后矛盾和数字单位问题。
人工确认代码和权限没有问题后,点击启用,状态随即变成了「本地」「就绪」。
好家伙,还真揪出了6处问题,连位置、问题类型和修改建议都给标出来了。
更有意思的是,新开一个对话窗口,只要说一句「帮我审稿」,Agent就能自动调用这个插件。
而且插件还有版本管理机制,新会话可以使用新版本,正在执行的任务则继续沿用原来的版本。
今天装进去的是审稿工具,换到工厂里,也可以是订单查询、仓储审批。
你以为到这儿就完了,大No特No,真正的硬骨头还是硬件。
机械臂、机器人、传感器,又该怎么听懂Agent的安排?
Agnes Harness的办法,是给这些设备定一套统一的「沟通规则」,它叫MHS(Model Hardware Standard,模型硬件标准)。
我现在是什么状态,能执行哪些动作,又能返回什么数据。
至于先调用谁、后调用谁,任务又该怎么拆,则交给Agnes Harness统一安排。
Agent接到救援任务后,先派出搜索设备寻找宇航员,再协调机器人和气闸,把人安全带回基地。
多个设备围着同一个目标接力干活,Agent这回终于不只是在屏幕里点鼠标了。
Agnes Harness负责安排任务,实时控制和物理安全仍由设备控制器负责。
目前,MHS正在以官方插件形式接入Agnes Harness的新版本。
到这儿,Agnes Harness这套系统,算是从头到脚捋了一遍。
大语言模型负责思考,Agnes Sys1.0负责快速判断,TTT适应眼前的新任务,RSI留下长期经验,插件和MHS则负责连接软件系统与真实设备。
9项评测,6项拿下对照组第一,另有1项与Codex并列第一。
具体来看,考验复杂任务规划的DeepPlanning,Agnes Harness拿下87.07分;拼复杂代码能力的BigCodeBench-Hard V1,通过率达到40.69%。
以后花钱请AI来干活,总算不用天天跟在屁股后面收拾烂摊子了。(doge)
年初,老板们还在FOMO,生怕自家公司接入AI慢了一步。
有人开始吐槽,AI Agent完成前80%的任务时宛如魔法,最后20%却能让自己调试整整4个小时。
还有人更惨,一位SaaS从业者称自己每月收客户400美元,却被报错的Agent在不到6小时内疯狂重试3.1万次,一夜烧掉4700美元Token,直接倒贴十几倍。
Cyera首席战略官Sol Rashidi此前透露,自己已经裁掉了一半Agent。
花在盯着AI干活上的时间,比AI替自己省下的时间还多。
一个Agent从进场,到运行、维护,再到复制,每一步都可能产生新的账单。
而Agnes Harness正在尝试的,正是把这四本账一笔笔往下压。
单个项目省钱是一回事,前一个项目的投入,能不能变成下一个项目的起点,又是另一回事。
就像开头Zaniel算的那样,AI已经把开发成本从90块打到了1块,剩下那10块,才是真正难啃的骨头。
如果今天跑通的流程、踩过的坑和积累的经验,都能留下来,变成下一次交付可以直接复用的能力,这10块就有机会被一点点摊薄。
而Agnes Harness走的,正是这条从10到0的路。
阿里正式发布Qwen4,智能体及编程能力进阶,迈向真实全场景
英伟达上演“奥特曼2.0”,员工集体请愿:让老黄回家!
「史上最严」湿实验预测基准发布!推理拉满、算力翻5倍也白搭
黄仁勋辞职,英伟达33年首换帅,市值蒸发超3万亿
原文发布于 量子位,正文由采集器自动抓取,版权归来源站点所有。
