70
0红杉资本近期发起「Own Your Intelligence」系列专题，邀请在"企业自建智能"议题上走得最远的几家公司做系统分享。本期由 LangChain 联合创始人兼 CEO Harrison Chase 主讲，聚焦什么时候该自建 Harness，什么时候该放心交给现成框架。
Harrison Chase 开篇先给智能体拆了骨架：一个完整的智能体由 Harness（编排层）、Model（模型）和 Context（上下文）三部分组成。所谓"拥有你的智能"，意味着这三部分都要掌握在自己手里。其中 Harness 的本质极其简单，就是一个循环：模型接收请求、生成输出、调用工具、观察结果、继续下一步。真正需要定制的地方不在循环本身，而在循环的各个阶段插入中间件，比如模型调用前检查上下文长度并自动摘要，工具调用时拦截大型输入做上下文卸载，或者按需派发并行子智能体。
什么时候自建，什么时候直接用现成的？Harrison 给了一个清晰的判断框架：看任务落在模型的分布内还是分布外。通用编码、文件编辑这类与模型训练数据高度一致的任务，Claude Code、Codex 这类现成 Harness 已经做到最好，没必要重造轮子；而法律、金融这类偏离模型能力分布的业务任务，必须自建编排层。即使整体业务在分布外，其中局部动作可能仍在分布内，LangChain 的解法是引入 Model Profiles，根据所选模型动态切换最契合其训练分布的工具实现。
他强调评测与可观测性。智能体出错往往不是模型能力不够，而是进入上下文窗口的信息不对，因此必须能看到完整轨迹。数据飞轮的闭环是：运行智能体、收集轨迹、整理反馈、实验修复，甚至可以让后台 Coding Agent 自动分析生产轨迹并提交修复 PR。这让他引用 Satya 的观点有了落点：私有评测定义了组织内部"好"的标准，拥有记忆与轨迹，AI 投资才能复利增值。
视频链接：www.youtube.com
