大脑装上了身体：Agnes AI 开源 Agent 执行底座 AGH，让智能体真正动手干活

这次开源的不是模型，是"让模型干活的地方"

10 月 10 日到 11 日，新智元报道了一个值得 vibe coding 圈注意的国产动作：Agnes AI 开源了 Agnes Harness（AGH），定位是"面向真实任务的 Agent 执行基础设施"。同时开源的还有 MHS 设备交互协议、MOS 感知数据协议、AgnesHub 设备连接组件，以及配套的 Python/TypeScript 开发库和 mhs-check 一致性测试套件。另外，Agnes 还顺手公布了新一代模型 Agnes 3.0 Pro 的成绩单，GPQA 91.11 分，科研编程基准 SciCode 56.13 分，与 GPT-5.6 Sol（Max）的 57.1 分只差 0.97 分，Tau3-Banking 银行业务模拟评测 48.0 分拿下本次对比第一。

这些数字先放一边。本文想聊的不是"又一个国产模型刷榜"，而是 AGH 本身：过去两年 Agent 的竞争几乎都发生在模型层——谁上下文更长、谁工具调用更准、谁 benchmark 更高。但真正折磨过你我的人，恰恰不是模型能力，而是模型之外的那层东西：agent 跑到一半断了、跑偏了、卡在某个工具上反复重试，最后留下一句"我尽力了"。AGH 赌的就是这一层。

AGH 是什么：一句话，Agent 的"运行底座"

按照官方的说法，AGH 是一套面向真实任务的 Agent 执行基础设施，管四件事：持续执行、工具调用、状态管理、结果反馈。开发者有两种用法：打开 Web 工作台——一个本地对话界面，指定工作目录，让 Agent 直接读文件、跑命令、改工程；或者走命令行。核心的 Agent Loop 是这样转的：模型判断下一步该干什么，Harness 负责把工具真正调起来、把执行结果喂回去，直到任务结束或人工介入为止。

这个分工看起来平淡无奇，但它把一直以来混在一起的两件事拆开了：模型负责"想"，Harness 负责"干"。我们这两年用各种 coding agent 时最大的不适感，恰恰来自这层没被拆开——模型一边想一边干，干错了你连它是"想错了"还是"手滑了"都分不清。AGH 的架构选择，至少在概念上承认了：执行本身是一门独立的手艺，值得有一套专门的基础设施来管。

轨迹页面：终于有人把 Agent 的"黑盒执行"打开了

AGH 里最对我胃口的设计，是它的"轨迹"页面。任务跑完之后，你可以沿时间轴回看整个执行过程：模型在哪个步骤调用了哪个工具、每一步花了多久，点开还能看到工具参数和执行状态。它的宣传话术是帮你定位"模型判断失误还是工具执行失败"。

这句话值得展开讲讲。凡是用 agent 做过稍微复杂一点任务的人都遇到过这种绝望：一个 40 步的任务在第 31 步崩了，你翻日志翻到眼花，最后也说不清是提示词没写清楚、模型幻觉了参数，还是目标 API 那天正好抽风。于是你的调试手段退化成"换个说法再跑一遍"——这根本不是工程，这是玄学。轨迹回放把执行过程变成可观测、可复盘的数据结构，意味着 Agent 的调试第一次有了"断点"的概念。这对我们这种一人项目尤其重要：你没有 SRE 团队帮你盯 agent，执行层自己就得把可观测性做好。

往深了说，这是 Agent 工程化必经的一步。传统软件有日志、有 trace、有 profiler，Agent 到现在才开始补这门课。AGH 把"轨迹"做成一等公民，方向是对的，至于回放粒度够不够细、开销大不大，要等社区真用起来才知道。

插件、MCP、Skills：生态位卡得很准

AGH 的扩展机制分了三层：插件机制让你接入自己的业务工具；MCP 连接已有服务；验证过的任务方法可以沉淀为 Skills，跨项目复用。另外还有一个 App Server，让 Web 端和 CLI 共享同一个后台会话。

这里最有意思的是 Skills。它的逻辑是：你在某个项目里调教好了一套完成某类任务的方法，不要让它烂在聊天记录里，把它沉淀成 Skill，下个项目直接复用。这和本站之前那篇《提示词→Skill 沉淀》的指南讲的是同一件事——只不过那篇是从个人工作流角度讲的，AGH 是把它做进了基础设施层。当"沉淀"从个人习惯变成平台能力，Skill 就开始有了流通的可能：今天是你自己复用，明天可能就是社区互相安装别人的 Skill。这条路如果走通，Agent 的能力增长就不再只靠模型厂商发新版，而是靠整个社区往执行层里添砖加瓦。

MCP 的接入则是个务实的选择。不自己造轮子，直接兼容已经跑起来的 MCP 生态，AGH 很清楚自己要做的是"执行层"而不是"连接层"，边界感不错。

MHS 协议：Agent 从屏幕里走出来

如果说 AGH 是"让 Agent 在软件世界里靠谱干活"，那同步开源的 MHS（Model Hardware Standard）就是"让 Agent 摸到物理世界"。MHS 是一套设备交互协议，配合 MOS 1.0 感知数据协议、AgnesHub 设备连接组件和一致性测试套件 mhs-check，让 Agent 在同一套执行环境里，既能调软件工具，也能连可编程硬件。

官方给了两个演示：办公室里一台移动小车找到指定的书并语音朗读出来；虚拟火星基地 Mars World 里，官方仓库提供了 11 台虚拟设备做多设备救援模拟——Agent 调度飞行器去搜索、安排机器人去救援、协调基地气闸开合。演示归演示，但方向很清晰：Agent 的"工具调用"不应该止于 API 和命令行，物理设备也应该是一种可以被统一调度的"工具"。

这个想法其实比看起来更激进。过去具身智能和软件 Agent 是两拨人、两套栈：搞机器人的谈 ROS、谈实时性，搞 Agent 的谈 function calling、谈上下文。MHS 试图用一套协议把这两拨人拉到同一张桌子上。如果成了，以后你写 Agent 应用，"让小车去三楼拿快递"和"调个 API 查天气"在代码层面可能是同一类操作。这对独立开发者是好消息——硬件集成的门槛一旦降下来，vibe coding 的题材会从"又一个效率工具"扩散到"能碰到真实世界的东西"。

当然，协议开源只是第一步。硬件生态的冷启动是出了名的难：没有足够多的设备厂商实现 MHS，协议就只是一纸文档。AgnesHub 和 mhs-check 一致性测试是在为这件事铺路，但路还长。

模型成绩：Agnes 3.0 Pro 交卷，Flash 继续免费

回到模型本身。Agnes 3.0 Pro 这次公布的成绩：GPQA 91.11 分，SciCode 56.13 分——SciCode 是科研编程基准，这个分数只比 GPT-5.6 Sol（Max）的 57.1 分低 0.97 分；Tau3-Banking 模拟银行业务评测 48.0 分，在本次对比里排第一。API 即将上线，3.0 Flash 继续免费。

说实话，单看数字，Agnes 3.0 Pro 已经挤进了第一梯队的讨论范围，尤其是 SciCode 这种贴近真实科研编程的基准。但老读者都知道我们对厂商自报成绩的一贯态度：对比集是自己选的，测试条件是自己定的，数字看看就好，真正重要的是 API 上线之后社区实测的表现。不过有一点是确定的：Agnes 选择在这个时间点把模型成绩和执行基础设施打包发布，信号很明确——它不想只当"模型供应商"，它想定义 Agent 是怎么做事的。

我们的判断：战场正在从"模型"下沉到"执行层"

把这次发布放在 2026 年的时间线里看，趋势很明显。上半年大家还在卷模型：参数、上下文、benchmark；下半年动作越来越多地出现在执行层：持续运行、状态管理、轨迹可观测、技能沉淀、硬件连接。模型在变成商品，差异化在往执行层迁移。

这句话对 vibe coding 读者的直接意义有三层。第一，选 Agent 工具的时候，别只看它背后是什么模型，要看它的执行层做得怎么样：断点续跑、失败重试、执行回放，这些才是决定你深夜三点会不会被气醒的东西。第二，把你调教好的工作流沉淀成 Skill，别让它烂在聊天记录里——AGH 这次把 Skills 做成一等公民，说明"沉淀"正在从个人技巧变成行业共识，早做早受益。第三，留意 MHS 这类硬件协议，Agent 能碰到物理世界的那一天，"一人公司"的题材边界会打开很多。

最后说点冷静的。AGH 的 GitHub 仓库（AgnesAI-Labs/agnes-harness，Apache 2.0 开源）目前是 developer preview 状态，仓库 9 月 22 日才创建，star 数还是两位数量级。也就是说，它现在是一个"方向正确、诚实标注自己还没 ready"的早期项目，不是开箱即用的生产工具。我们写这篇不是推荐你现在就切过去，而是因为它指出的方向——执行层、可观测性、技能沉淀、软硬一体——很可能就是未来一两年 Agent 基础设施的关键词。先看懂方向，再决定什么时候上车。

为什么是这个时候、为什么是开源：三点背景

第一，FDE（Forward Deployed Engineering，向前部署工程）这个概念今年在国内招聘市场热得发烫。它的核心意思就是：模型能力再强，最后一公里都得有人把 Agent 真正"部署"进客户的业务流程里——接内部系统、处理异常、保证长期稳定运行。AGH 这类执行基础设施，恰恰是 FDE 工程师最缺的那块砖：以前这类活全靠各家自己造轮子，现在有人把它开源出来，意味着交付 Agent 项目的起跑线被整体前移了。对独立开发者来说，这意味着你接"帮小公司搭 Agent 工作流"这类活时，手里多了一套现成的底座，而不是从零写重试和状态机。

第二，开源许可证选的是 Apache 2.0，是最宽松的那一档：商用、魔改、闭源分发都不受限。这和某些国产大模型"只开放 API、权重捂着"的做法形成对比。Agnes 的算盘不难猜：模型层它要直面 GPT、Claude 的竞争，胜负难料；但执行层目前还没有公认的赢家，先用 Apache 2.0 把生态位占住，赌的是"谁先定义执行层的事实标准，谁就掌握 Agent 应用的话语权"。这个逻辑和当年 Kubernetes 赢下容器编排很像——赢的不是技术最强的，是生态先跑起来的。

第三，时间点卡得很巧。10 月初正好是各家 Agent 工具都在补"长任务可靠性"的时候：Claude Code 补 checkpoint，Codex 补后台任务，Cursor 补远程执行。大家都意识到，Agent 的下一个瓶颈不在"能不能写出代码"，而在"能不能把一个 3 小时的任务从头跑到尾"。AGH 在这个窗口把"持续执行 + 轨迹回放 + Skills 沉淀"打包开源，等于把各家正在内测的能力一次性商品化、开源化。这对大厂是压力，对我们是红利——基础设施越卷，独立开发者的杠杆越大。

顺带区分一下，免得和之前的文章搞混：本站之前提到过的 openJiuwen AgentOS 讲的是"企业多智能体编排"，AGH 讲的是"单个 Agent 的持续执行 + 硬件连接"，一个管"一群 Agent 怎么协作"，一个管"一个 Agent 怎么把活干完干靠谱"，不在一个层面上。