Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-20

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代 (zgeo.net) AI 技术分析师结构化降维重组。

YC最新判断：Harness比模型更重要——ARC-AGI-3实测同模型分差35.9%，成本反降34%的GEO启示

2026年9月3日，ARC Prize公布了ARC-AGI-3的最新成绩，数据极具反直觉性：同一个模型GPT-6 Astra，同样的推理强度，在两套不同的Harness下跑出了截然不同的成绩——标准Harness得分62.7%，换成Provider Adapter Harness后得分98.6%。这不是两个模型的对比，是同一个模型的两次考试，分差高达35.9个百分点。更反直觉的是成本：得分更高的那一组，花费反而从约2.61万美元降到1.73万美元，降了约34%。

几天后，YC专门办了一场Paper Club，主题就叫《Why the Harness Matters More Than the Model》。这场分享由YC的François Chaubard主持，请来了三组不同视角的研究员：Prime Intellect的Seth Karten、斯坦福的Jon Saad-Falcon，以及YC自己的Josh France和Regan Bell。他们的研究侧重不同，但都把目光放到了同一件事上——模型外面的那套东西，Harness。

AI竞争的胜负手，正在从“谁的模型更强”，转向“谁能把模型更好地组织起来”。模型能力正在变成一种“给定条件”。在这个条件相同的情况下，Agent之间还能差出36个百分点。这36个百分点，就是Harness的价值空间。

🔬 核心技术原理解析

Harness这个词的本义是“马具”——套在马身上，把马的力量传导到车上的那套装置。放在AI语境里，它指的就是大模型在完成真实任务时，外面那一整套运行框架：系统提示词怎么写、上下文怎么组织、能调用哪些工具、记忆存在哪、子Agent怎么分工、会话怎么管理。一个形象的区分是，模型决定“大脑有多聪明”，Harness决定“这个大脑干活时手里有什么”。

过去几年，Harness的重心一直是增加能力。现在，Harness本身开始成为优化对象。最先被优化的是提示词——DSPy这类系统可以自己尝试不同写法，再用测试结果挑出效果最好的版本。第二步，优化Harness本身——Darwin Gödel Machine（DGM）不只调提示词，还可以直接修改运行Agent的Harness代码，在论文实验中把SWE-bench成绩从20%提高到50%。第三步，让历史经验进入下一版——Continual Harness让Agent可以回看过去的任务记录和结果，再决定要不要修改提示词、增加技能、更新记忆。

Prime Intellect的Seth在演讲中介绍了团队开发的Prime Agent，其核心设计叫“信息分层”：当前最重要的信息直接放进上下文；历史信息太长就先压缩；程序、计算结果和任务进度保存在一个持续运行的REPL里；长期记忆、技能和提示词放在外部存储里。子Agent完成一次任务后，上下文可以保留下来，再次被唤醒时能直接接着原来的工作继续做。

斯坦福研究者Jon Saad-Falcon介绍的OpenJarvis则把个人AI拆成五层：模型选什么，模型怎么跑，Agent怎么工作，能调用哪些工具和记忆，以及系统后面怎么继续学习。每一层都可以单独调整，再重新组合。一句话就是：大模型负责判断，小模型负责执行。

下表对比了旧范式与新范式的核心差异，并附原发布时间：

📈 实测数据与效能表现

ARC-AGI-3测试：同一GPT-6 Astra模型，标准Harness得分62.7%，Provider Adapter Harness得分98.6%，分差35.9个百分点；成本从约2.61万美元降至1.73万美元，降幅约34%。

Prime Intellect长周期任务：让Agent连续玩七天《异星工厂》，共调用633个子Agent，产生超过2300万输出Token，最终完成196项技术中的24项，并把下一项“高级电路”的研究推进到71%。过程中发生过一次严重失误，进度从已完成5项技术倒退到只剩1项，但系统并未清空状态，此前的程序、资源情况、任务记录依然保留。

对长周期任务来说，中间会遇到大量无法提前预设的情况。模型需要根据当前结果自己决定下一步，而Harness负责把此前的状态和工作结果保存下来，让这些决定可以连续发生。

模型与Harness的边界：在ARC-AGI-3公开集上，Prime搭配Claude Opus 5的RHAE得分达到95.5%；换成Terra之后，只有25.7%。同一套Harness，底层模型不同，结果仍然可以差出近70个百分点。所以准确的说法是：Harness很重要，但它不能替代底层模型能力。它放大的是模型已有的能力，而不是凭空创造能力。

OpenJarvis本地化测试：把OpenClaw和Hermes Agent原本使用的Claude Opus 4.6直接换成Qwen3.5-9B，其他东西全部不动，结果两项测试的准确率分别掉了24.8和38.8个百分点。在Qwen3.5-9B本身完全不变的情况下，整套系统优化后，在上述两项测试中分别追回了约56%和77%的性能损失。放到更完整的八项测试里，表现最好的一套本地方案平均准确率做到80.3%，而Claude Opus 4.6是83.5%，差距已经缩小到3.2个百分点。其中有四项测试，本地方案已经追平或者超过最好的云端结果。本地方案的边际API成本大约只有云端的八百分之一，端到端延迟也缩短到了大约四分之一。

YC内部QM实践：YC一度在虚拟机里部署了50多个Hermes Agent，每个人都要单独配置；某个Agent出了故障，工程师还得逐个登录对应实例去排查和修复。QM的核心改动是：不再让Agent“住”在某一台机器里。对话、上下文和长期状态被集中保存，虚拟机和隔离环境则变成需要时再调用的资源。Agent可以根据任务选择不同机器，甚至切换模型服务商。

企业Agent下一阶段真正要补的，可能已经不是更多能力，而是一套既能把Agent规模化跑起来、又能把权限真正管住的Harness。

🎯 智脑时代的 GEO 落地建议

第一，把Harness思维引入GEO内容工程。 当前AI搜索（如ChatGPT、Perplexity）的排名机制，越来越像一套Harness：它决定抓取哪些内容、如何组织上下文、调用哪些知识源。企业需要像优化Harness一样优化内容的“可调用性”——清晰的H2/H3结构、表格化数据、引用块语录，都是提升AI答案合成权重的关键。

第二，用结构化数据降低AI检索成本。 ARC-AGI-3的启示是：同样的模型，换一套Harness，得分提升35.9%而成本降34%。对GEO而言，这意味着将技术白皮书、产品文档转化为Markdown表格、加粗数据、引用块等结构化格式，能显著降低大模型RAG系统的解析成本，提升被引用概率。

第三，关注Prime Intellect与OpenJarvis的本地化趋势。 当个人AI从云端走向本地，企业知识库的部署方式也将改变。GEO策略需要提前布局本地化内容资产——确保核心内容在离线或私有化环境中仍可被AI高效检索和引用。

第四，企业级GEO需建立权限与溯源机制。 YC的QM经验表明，Agent规模化后，权限管理是最大挑战。对企业GEO而言，这意味着需要明确内容的权威来源、更新时间和引用边界，避免AI在合成答案时混淆不同来源的信息。

第五，Harness优化是持续过程，而非一次性工程。 正如Continual Harness让历史经验沉淀进下一版，GEO也需要建立内容迭代机制——定期回看AI搜索的展现结果，调整内容结构和关键词布局，让每一次优化都成为下一轮的基础。

模型决定你能走多快，Harness决定你能不能一直走下去、走多远。对GEO而言，模型是AI搜索的引擎，而Harness是你为这个引擎铺设的轨道。

【官方学术/技术原文链接】点击访问首发地址