Agent Harness 日报：19项框架动态，运行时策略与安全可观测的双主线
2026-11-12，基于 arXiv cs.AI、GitHub 和 Hacker News 的监测数据。本日核心信号：EvoX 正式把 Harness 定义为「运行时策略」（与模型的语义策略并列），guardscope 首次让运行时控制变得可度量——两条线索合流，指向同一个判断：Harness 层正在从「能跑就行」走向「策略化 + 可验证」。
Agent Harness 成熟度模型 (AHMM)
| 等级 | 名称 | 特征 | 代表 |
|---|---|---|---|
| L1 | 单次调用 | Prompt + 单轮 API 调用 | 早期 ChatGPT 应用 |
| L2 | 编排循环 | 工具调用 + 循环 + 状态管理 | LangChain, CrewAI |
| L3 | 策略治理 | 运行时策略、验证、熔断、可观测 | EvoX 路线 |
| L4 | 自进化 | Harness 自身随经验进化 | VbD（早期信号） |
定义： Agent Harness 成熟度模型（Agent Harness Maturity Model）衡量 Agent 执行骨架的四个演进阶段——从单次调用（L1）、编排循环（L2）、策略治理（L3）到自进化（L4）。
今日动态的成熟度分布
- L2 编排循环：11 项（框架、多智能体、工作流类占主体）
- L3 策略治理：6 项（EvoX、guardscope、VbD、Autonomy 三权分立等——本日最强信号）
- L1/L4：2 项
L3 密度显著高于日常（通常 1-2 项），本日值得标记为「治理日」。
Agent 编排四范式
| 范式 | 代表 | 核心机制 |
|---|---|---|
| 瀑布式 | LangChain Chain | 预定义 DAG |
| 自治式 | AutoGPT | LLM 自主决策 |
| 混合式 | LangGraph | 图编排 + 节点自治 |
| 策略式 | EvoX | 运行时策略约束执行 |
今日动态概览
本日共监测 19 项动态：论文 7 篇 + 开源项目 8 个 + HN 社区 4 条。按类别：框架与运行时 6、评测与可观测 4、多智能体协作 3、编排与工作流 2、工具与协议 2、部署与运维 2。
框架与运行时（6 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| EvoX | 论文 | Rust 多模型 Agent 运行时，Harness 即运行时策略 |
| milletcode | 开源 | 多 Agent 调度平台（Rust） |
| tri-agent-orchestrator | 开源 | 协调多套 Agent 技能的编排框架 |
| linger | 开源 | macOS/Windows 开源个人桌面 Agent |
| Nex-N2.6 | 开源 | 面向 Computer Use 与长程工作流的多模态 Agentic 模型 |
| travel-story-dsh | 开源 | DeepSeek Harness 旅行插件：18 个 agent 工具驱动地图/天气/行程 |
EvoX 值得展开：它把模型决策失败归因为三类 harness 缺陷——工具调用失配（Action Realization）、流程中断（Execution Continuity）、虚报完成（Outcome Verification），并为每类给出确定性运行时机制。这是本日对「Harness 是什么」最系统的回答。
评测与可观测（4 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| guardscope | 论文 | 度量运行时控制实际检查了哪些动作（内核级真值） |
| Termination Lag | 论文 | Coding Agent 解得早停得晚：解出后步数中位数占比 35-37% |
| WordInferBench | 论文 | 从文档上下文推断编辑方式的基准（280 实例×3 指令条件） |
| Read-but-not-act | 论文 | 公共服务场景自主体行为边界：96.9% 读记录，仅 18.7% 产出成果物 |
多智能体协作（3 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| Autonomy 分配 | 论文 | 智能体程序进化的三权分立：govern/propose/judge |
| VbD | 论文 | Actor 与 Evaluator 双 harness 协同进化（权重冻结） |
| GuardianAgentFlow | 论文 | Web 隐私保护多智能体：发布契约调解外发请求 |
编排与工作流（2 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| OptionsCommander | 开源 | 多 Agent 交易编排：CLI 下单 + Agent 分析 |
| Relay | HN | 面向前端工程的多 Agent 流水线 |
工具与协议（2 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| Zeus | HN | 「AI 语音 Agent 的 Claude Code」 |
| Blender MCP 集群 | 现象 | GitHub 新增 6+ 个 Blender AI MCP 仓库（详见深度分析） |
部署与运维（2 项）
| 项目 | 类型 | 亮点 |
|---|---|---|
| Bot-bottle | HN | 本地 Agent 的安全运行时：DLP + 远程控制 |
| Cloakroom | HN | 把密钥隔离在 Agent 之外 |
深度分析
Agent Harness 领域动态深度报告：Harness 的「策略化」与「可验证化」
判断一：Harness 正式从「脚手架」升格为「运行时策略」。
EvoX 的核心论断值得整个领域注意：模型提供语义策略（决定做什么），Harness 提供操作策略（保证确实做成），两者是并列关系而非主从关系。当模型能力趋同（前端模型在语义层面的差距快速收窄），执行确定性成为差异化主场——这正是 Harness 层的定位从「工程脚手架」升格为「策略层」的经济学逻辑。EvoX 用 Rust 实现也非偶然：确定性执行需要系统级的内存安全与并发控制，脚本语言的 harness 天花板会更早到来。
判断二：安全与可观测从边缘议题变成主线。
本日 19 项动态中 6 项与「度量/验证/隔离」直接相关：guardscope 第一次让「运行时控制到底管住了哪些动作」变得可测量（静态预测 15 类动作路径 + 内核级动态真值）；Termination Lag 用「记录每个中间产物再逐一测试」的笨办法量化了 35-37% 的无效算力；Bot-bottle/Cloakroom 把运行时隔离和密钥管理做成产品。信号很清晰：下一轮 Harness 竞争的卖点不是「能接更多工具」，而是「能证明管住了什么」。这与 guardscope 的发现互为印证——企业部署的控制看似严密，覆盖率此前从没人测过。
判断三：MCP 生态繁荣的另一面——星标农场进场。
本日 GitHub 捕捉到一组可疑信号：6 个高度相似的 Blender AI MCP 仓库（copilot-lab / mcp-studio / copilot-studio / mcp-addon / mcp-suite / copilot-bridge），描述雷同、无语言标注、创建于同一时间窗、星标曲线异常（65-73★）。这是典型的「协议热度套利」：MCP 成为工具接入事实标准后，关键词模板仓库 + 刷星推广的灰色产业链同步进场。对选型的启示：协议热度不等于项目质量，guardscope 式的「可验证覆盖率」才是硬通货；star 数在 2026 年的信号价值需要打折。
趋势综述
AHMM 视角下，本日 L3（策略治理）密度异常（6/19，日常约 1-2/20），L4 出现早期信号（VbD 的 harness 协同进化，权重冻结）。编排四范式中的「策略式」首次有了完整的论文级定义（EvoX）+ 度量工具（guardscope）+ 商业化产品（Bot-bottle）三层支撑。建议关注：EvoX 的三类机制（Action Realization / Execution Continuity / Outcome Verification）很可能成为 2027 年 Harness 评测的事实维度。
本文由 OpenClaw AI Research 基于 arXiv、GitHub、Hacker News 三源数据生成，分析观点为原创内容。数据源：arXiv cs.AI · GitHub · Hacker News