北京智能体新政里的 9 个新词，我逐个查了一遍
Harness Engineering、Token Economy、OPC、FDE、AIP、RaaS……这些过去只在论文、GitHub 和创业者 BP 里流通的词，第一次集体出现在官方政策文件中。
我不准备复述政策，只想回答：这些新词为什么现在出现？它们意味着什么？
前言
北京发布了一份只有 10 条的智能体政策——《北京市关于加快智能体引领发展的若干措施》。
真正让我印象最深的，不是补贴力度，也不是资金规模，而是它的语言。
Harness Engineering（驾驭层工程）、Token Economy（Token 经济）、OPC（一人公司）、FDE（前沿部署工程师）、AIP、超级软件……这些词几个月前还属于 AI 圈的"黑话"，如今已经正式进入政策文本。
一个行业什么时候真正开始成熟？
往往不是因为技术突然突破，而是因为它开始拥有一套被官方认可的语言体系。
我过去几年接触最多的，其实不是模型，而是模型外面的那层系统：上下文管理、Agent 调度、权限控制、调用治理、成本统计、运行观测……看到 Harness Engineering 被正式翻译成"驾驭层工程"，我的第一反应是：
模型之外，第一次被官方当成了一个独立的产业。
所以，这篇文章不复读政策，只拆解文件里最值得关注的 9 个新词，并结合自己的理解，说说它们背后真正释放出的信号。
一、Harness Engineering（驾驭层工程）：模型之外，终于有了名字
如果整份文件只能挑一个词，我会选 Harness Engineering。
因为我一直觉得，大模型真正的竞争，已经开始从模型内部，转向模型外部。
它到底是什么？
Harness 原本指马具。
在 AI 里，它不是 Prompt，也不是模型，而是包裹在模型外面的整套工程系统：上下文管理、工具调用、长期记忆、任务持久化、权限控制、状态管理、异常恢复、结果验证……
一句话：
Harness 的作用，就是把模型能力稳定兑现成真实结果。
模型提供的是潜在能力，Harness 决定的是交付能力。
政策第二条提出，要围绕上下文工程、任务持久化、多智能体协作、系统可扩展等方向建设智能体底座，本质上就是把这层工程正式纳入支持范围。
为什么值得关注？
这里释放了一个很明确的产业判断：
未来的竞争，不只是模型，更是模型外面的系统。
今年 Anthropic 等团队发表的《Agentic Harness Engineering》实验就证明了这一点：基础模型保持不变，仅优化工具、中间件、长期记忆和执行框架，Agent 的任务完成率依然可以获得接近 10 个百分点的提升。
更重要的是，真正带来提升的，并不是 Prompt，而是工具、记忆和工程系统。
这意味着 Harness 并不是"提示词技巧"，而是真正的基础设施。
我的判断
我觉得这是整份政策里最大的产业机会。
基础模型最终可能集中到少数几家。
但 Harness 不会。
因为每家企业的数据、流程、权限、业务规则、异常处理方式都不同，这些都必须重新搭建。
上下文管理、长期记忆、Agent 观测、权限治理、可信沙箱、跨模型路由……未来几年，这些都会成长为独立赛道。
过去几年，我做 AI 网关，本质上做的也是这层事情：API Key 怎么管理、Token 怎么限流、Agent 如何熔断、成本如何归集、权限如何控制。
以前大家觉得这些只是工程细节。
现在，它第一次拥有了正式的名字。
二、"实际任务完成能力"：一句不起眼的话，代表评价体系正在改变
政策第一条没有说"持续提升模型性能"，而是提出：
持续提升大模型实际任务完成能力。
我觉得，这句话比很多新名词都重要。
为什么？
过去几年，大模型竞争的是 Benchmark。
数学多少分、代码多少分、推理多少分。
这些衡量的是模型有多聪明。
Agent 不一样。
Agent 面对的是一个真实目标，需要自己拆解任务、调用工具、读取反馈、修正错误，一直到真正完成工作。
这里有个简单的计算。
如果一个 Agent 要连续完成 100 步，每一步成功率都是 99%，那么最终全部完成的概率只有约 36%。
Agent 的价值，从来不是单步能力，而是整条链路是否稳定。
所以我一直把 Agent 的能力理解成一个乘法：
模型能力 × 长程可靠性 × 环境可操作性 × 结果可验证性
任何一项接近零，总价值都会接近零。
我的判断
这意味着评价体系正在发生变化。
未来真正重要的，不再是谁考试考得最好，而是谁真正把事情做成。
这也是为什么代码率先成为 Agent 最成熟的场景。
因为代码天然具备可验证、可回滚、可测试、可记录执行轨迹等特点，是最适合 Agent 学习和迭代的任务环境。
未来真正值钱的，不只是模型，而是真实任务环境、工具接口和执行数据。
三、需求智能与超级软件：软件行业开始从"功能"走向"结果"
政策提出，要发展以需求智能为核心驱动的原生 AI 软件和超级软件。
我觉得，这其实是在重新定义软件。
过去的软件，是人学习软件。
未来的软件，是软件理解人的需求。
我把软件智能分成三个阶段：
-
功能智能：AI 帮你写一句话、生成一张图。
-
流程智能：AI 能串起固定流程完成一段工作。
-
需求智能：用户只告诉目标，系统自己规划路径、调用工具、协调多个 Agent，最终交付结果。
超级软件真正"超级"的地方，不是功能更多。
而是它能够跨越不同软件之间的边界，把需求重新组织成一次完整交付。
用户不再学习按钮，而是描述目标。
软件不再提供功能，而是承担结果。
我去年说过一句话：
UI 最终会被 Skill 吞掉。
未来真正值钱的，不再是界面，而是数据、权限、服务能力，以及是否能够成为 Agent 默认调用的能力节点。
四、FDE（前沿部署工程师）：AI 时代的新职业
FDE（Forward Deployed Engineer）起源于 Palantir。
它最大的特点，是工程师直接进入客户现场。
不是远程做产品，而是和客户一起梳理流程、清洗数据、连接系统，再把现场经验沉淀回产品。
为什么这个岗位会写进政策？
因为行业 Agent 根本绕不开它。
企业的问题永远不会写在 PRD 上。
只有进入现场，你才知道哪些流程能自动化，哪些数据不能用，哪些权限拿不到。
很多互联网人相信产品应该足够标准化。
但行业 Agent 恰恰相反。
真正的产品，是从服务里长出来的。
先服务一个客户，再总结规律；服务十个客户，再抽象能力；等共性足够稳定，产品才真正诞生。
FDE 写进政策，本质上是在告诉整个行业：
不要幻想绕开现场。
五、OPC（一人公司）：最容易被误解的新词
政策第一次正式提出：
支持以 OPC（One Person Company）为代表的新型创业模式。
很多人理解成：
AI 来了，一个人就能开公司。
我觉得没那么简单。
AI 确实降低了很多知识工作的执行成本。
过去需要设计、运营、客服、财务共同完成的事情，一个人加几套 Agent 就能完成。
企业的最小规模正在下降。
但 AI 并不会自动带来客户、现金流、品牌和责任。
真正决定 OPC 能否成立的，依然只有三件事：
第一，知道什么问题值得解决。
第二，有客户愿意持续付钱。
第三，把一次劳动沉淀成可复用的 Agent 系统。
政策真正值得关注的，其实不是 OPC 三个字。
而是后面那一长串配套：算力、孵化、金融、知识产权、社区、登记……
它意味着过去属于公司后台的能力，正在变成公共基础设施。
未来，一个人或许真的可以拥有过去一个团队的生产能力。
但前提依然是——先证明自己能持续交付结果。
六、Token Economy：真正决定商业模式的，不是 Token，而是结果
这一条我觉得很多人容易误读。
政策没有停留在 Token 计费，而是明确提出：
鼓励从 Token 消耗计费走向价值计费。
这其实非常重要。
Token 可以衡量成本。
却很难衡量价值。
Agent 最大的问题就在这里。
两个任务消耗同样的 Token，一个成功，一个失败，它们的价值完全不同。
所以未来商业模式一定会不断向上走。
| 模式 | 卖什么 |
|---|---|
| TaaS | Token |
| AaaS | Agent 能力 |
| RaaS | 最终结果 |
越往上，越接近客户价值。
利润通常也越高。
当然，风险也越高。
因为卖结果，就意味着要承担失败、返工、成本波动、质量验收等责任。
所以我更关注两个指标：
每个成功任务的真实成本（Cost per Successful Task）
以及
每个成功任务创造的价值（Value per Successful Task）
如果只盯 Token 单价，公司最终只能卷成本。
真正值得优化的，其实还是 Harness。
很有意思的是，第六条讲商业模式，第一个词讲工程体系。
它们其实是一件事情。
没有稳定的 Harness，就不会有真正的价值计费。
七、AIP 与技能市场：未来争夺的是 Agent 的入口
过去互联网争的是 App Store。
未来争的，可能是 Skill Store。
政策提到技能市场、软件商店和 AIP，本质都在回答同一个问题：
未来软件如何被 Agent 调用？
Agent 不需要按钮。
它需要的是：
机器可读的接口、能力描述、权限说明、价格、服务质量。
谁最容易被 Agent 找到，谁就拥有新的流量入口。
所以未来软件竞争，很可能从"用户下载"变成"Agent 默认调用"。
这是新的网络效应。
八、银河算廊：AI 基础设施开始从训练转向生产
过去几年，算力主要服务训练。
未来几年，更多算力会服务推理。
Agent 是全天候运行的。
它需要云、边、端共同协作。
有的任务放在云端。
有的任务留在手机。
有的放到工厂。
有的必须在汽车本地完成。
银河算廊真正解决的问题，不是更多 GPU，而是如何把分散算力组织成一张稳定运行的生产网络。
以后调度的不只是 GPU。
还有不同模型、不同芯片、不同设备，以及不同地区的数据权限。
它更像智能时代的物流网络。
九、任务轨迹：未来最值钱的新资产
最后一个我最想强调的，不是政策里的某个名词，而是它背后的资产。
Agent 每完成一次任务，都会留下完整轨迹：
目标是什么；
计划如何制定；
调用了哪些工具；
哪里失败；
哪里人工接管；
最终有没有成功。
这些执行轨迹，以前只是日志。
未来，它会成为企业最重要的数据资产。
它既能训练模型，也能优化 Harness，还能帮助发现风险、分析业务流程。
如果今天让我给所有 Agent 创业团队一句建议，我会说：
从第一天开始，把执行轨迹当资产来保存。
未来，它可能比模型本身更值钱。
我的整体判断
整篇政策看下来，我有三个判断。
第一，官方开始承认，AI 的竞争已经从模型扩展到系统。
Harness、FDE、AIP，这些词都在说明一件事：未来真正决定价值的，是模型如何进入真实世界。
第二，未来的钱会更多流向"交付能力"，而不是"模型能力"。
模型越来越集中。
而企业真正需要的，是稳定完成任务。
这意味着更多机会会出现在 Harness、治理、安全、调度、Agent 基础设施这些方向
第三，安全会越来越像准入门槛，而不是成本。
金融、医疗、政务、制造真正关心的，不是谁模型最聪明，而是谁的 Agent 可控、可查、可停、可追责。
未来，安全能力本身就是产品竞争力。
这也是类似魔芋企业AI网关这类AI管控基础设施越来越多的原因，实现大模型全链路的统一管理、精准分账，成本优化、隐形守护的需求会随AI演变愈演愈烈，并让 AI 安全、可控、高效落地。
https://mai.moyu.cn
写在最后
我反复读这份政策，最大的感受不是"利好"，而是语言变了。
五年前，行业讨论的是 Transformer、参数规模、训练数据。
三年前，讨论的是 Prompt、Embedding、RAG。
今天，官方开始讨论 Harness Engineering、FDE、OPC、Result as a Service。
词变了，说明产业真正关心的问题也变了。
AI 正在从"模型时代"，走向"交付时代"。
未来几年，真正决定一家 AI 公司价值的，不再只是模型有多聪明，而是能不能把一件件真实任务稳定完成。
所以，我认为这份政策最重要的意义，不是补贴，也不是资金，而是它第一次把"如何让 AI 真正干活"写进了官方语言体系。
名字已经有了。
接下来，比拼的是谁能把这些词，真正变成产品。
这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。
更多推荐
13
0- 0
已为社区贡献4条内容
所有评论(0)