据作者现场录音整理，按讲者脉络转述，不是逐字稿。讲者是阶跃星辰开发者业务、产品与生态 GM，负责模型的产品平台和生态。先用英文自我介绍，之后用中文讲，无问答环节，幻灯片内容只能从口述还原。

一句话

长程 agent 能不能交付可信结果，模型能力只是底座；要靠 harness 补上四个工程环节（保存目标和进度、挑选上下文、执行前定好验收条件、云端持续执行），模型侧的具体能力也要靠专门做数据和评测才有，不能等泛化。

论断

1. 选模型看四项工程能力

做长程 agent 时，她建议评估模型看激活参数、长上下文、原生视觉、工具调用四项，说这几点"大家在每一个模型评估当中可能都需要把这几个点纳入进去"。

“因为长的任务呢，会需要反复的推理和调用工具，所以单步的开销会不断累积，在模型能力和计算效率是要一起考虑的”

  • 阶跃 9 月发布的旗舰模型，每 token 激活 27B，没给比较对象。
  • 长上下文在实践里主要用来装代码、长文档和任务记录，需求不在这三类里，过长的上下文不一定效果最好。
  • 原生视觉的用途是让 agent 看截图、设计稿、渲染结果，检查产出物是否符合预期。

2. 有些能力做了就有，没做就没有

她说社区反馈模型在 bug 修复和重构上表现好，原因是团队专门、细致地做了这件事，内部自建了 codebench，仓库领域、语言、任务都自定义。她说这是教会她的一课。

“就是有些事情你做了就有，你没有做就没有。它不是完完全全的所有的事情都是等待泛化的”

  • 专家评测里约七成评测者认为模型能自主完成复杂 coding，评测规模和比较对象没说。
  • 6 月她在公司内部发起"美育计划"，认为下一代模型要有审美。她说审美是一种选择和判断，前提是先灌入领域知识，缺领域知识的维度输出就不稳定。
  • 团队有两个新岗位：model product 定义下一代模型、参与每代演进，以及 product engineer。他们的工作之一是持续学习跨领域知识，找前沿场景放进模型。

3. 长程实验：反馈要影响下一步

她拿三个需要反复执行、读结果、再调整的长程实验，归纳 harness 要补的环节。

“如果一次的任务执行的修改它没有改善呢， agent 是需要分析原因的，再尝试另一条路，把前面获得的信息用到下一步当中去”

  • 单张 H100 上做 kernel 优化，agent 持续迭代超过 22 小时，没说优化结果。
  • 后训练数据流程优化，准确率从 53.3% 提到 60%，没说是什么任务的准确率。
  • Pokemon 实验：3000 多轮探索、累计 600 万 token，完成约 2/3 主线任务。
  • 她说据她所知，业界 agent 执行时长已到 26 小时甚至 48 小时，没说来源。

“把模型的能力真实的用到工作流里，需要补充很多的工程环节”

4. 在上下文之外保存目标和进度

步骤一多，agent 会忘记早先的要求，或重复失败的路径。他们用三类长期记录：任务树（目标、步骤、进度、下一步）、会话（交互历史）、文件系统（代码、日志、成果）。每一步取回当前目标、相关文件和最近的工具反馈，组成工作上下文。

“当你的步骤多了以后呢， agent 会忘记早先的要求，或者它会重复失败的路径，需要在当前的上下文之外去保存进展”

5. 按预算挑选当前上下文

文件、日志、截图这些原始输出先过一道预算：长文本分段或截断，图像压缩，再组装成主 agent 的工作记忆。subagent 只回结论，完整记录沉淀到任务树和外部状态里按需检索。她说这个决策很关键。

“主线的上下文结论是优先的， subagent 会返回结论，完整的执行记录会沉淀到任务树和外部的状态里面”

  • 例子：排查构建失败只需报错位置、相关代码和最近操作，旧日志存在外部，要追溯时再取回。
  • 尺度随任务调，确实需要完整模块或长历史时就完整取回。

6. 执行前写清验收条件

循环是选行动、跑构建测试或渲染、对照任务检查、更新状态、进下一轮。她说 verify 几个月前还要按任务类型逐个做，现在 harness 里已有一些通用能力。

“这里有一个我们很重视的环节，就是尽量在执行前说清楚验收条件”

  • 网页的例子：编译通过只是一步，功能是否符合需求要用户和 harness 一起定义。
  • 她类比十年前讲究代码品味和一致性，要像约束集团代码库一样约束 harness 的产出。
  • 她认为判断在一般意义上很主观，但在具体任务场景里是客观、可以被评估的。

7. 云端是脑，本地和 sandbox 是手

整体架构分三层：模型、agent harness、Studio（托管执行，承载云端 harness 和远端工具）。她认为这套组合在业界基本雷同，是面向 always on 的基础范式。

“上面的云端 harness 呢，它更接近脑，负责组织计划和上下文，选择工具啊，等待结果”

  • 中间层保存目标、计划和会话历史，下一次能接上进度；本地客户端断开后，云端工作仍能推进。
  • 访问本地资源和文件用本地电脑，适合隔离运行的操作交给远端 sandbox。
  • 结尾提到：agent harness 已开源；Studio 体验站点在官网上线，有免费额度；桌面端计划 11 月发布。效率部分她跳过了。

存疑

  • 9 月旗舰模型的具体型号、开源 agent harness 的名称都没听清，需对照幻灯片或官网。
  • Pokemon 实验的前提条件没听清，可能是"没有游戏专用工具的情况下"。
  • 53.3% 到 60%、22 小时、3000 轮、600 万 token、27B 激活这些数字没见到幻灯片。
  • 年初"非常火"的技术栈她说的是 OpenAI，原词可能是别的框架，需回放。