英伟达这波研究把话题彻底带偏了：大家还在卷模型参数量、基准分榜单

乍一听挺反直觉。这两年不都在吹「模型即服务」、「大模型涌现智能」吗？怎么突然轮到工程框架当主角了？翻了下 NVIDIA 那篇论文，核心实验挺暴力：拿几个在 Function Calling、规划推理上表现平平甚至拉胯的开源模型，硬塞进精心调教过的 Agent 框架里，配上完整的工具调用 schema、状态机式的执行循环、异常重试与回滚机制，结果在复杂多步任务上成功率直接干翻同参数量甚至更大参数量的「裸模型」基线。更夸张的是，同一个弱模型，换俩不同成熟度的 harness，通过率能差 30 个百分点以上。

这就有意思了。以前我们调 Agent，焦虑点全在「这模型够不够聪明」「要不要再 SFT 一轮」「Context 窗口会不会爆」。现在看来，那些让模型「不幻觉、不死循环、不调错工具」的工程手段——统一的 Tool Calling 协议、显式的 Planning+Execution 分离、带确认机制的 Human-in-the-loop、甚至连日志回放、轨迹复盘这些「非 AI」基建——才是决定上线生死的硬指标。

举个最接地气的场景：让 Agent 去「订机票、订酒店、发行程给同事」这串长链路。裸模型大概率第二步就把日期搞错、第三步把酒店确认号发错群。但如果 harness 里内置了「每步执行前必读上一步结构化输出」「关键操作必须二次确认」「失败自动回滚到上一个检查点」这些确定性逻辑，模型哪怕只会「按规范输出 JSON」，整条链路也能跑通。模型变成了「受约束的执行器」，框架才是真正的「大脑」。

这对技术选型的启发很实在：别再盯着 HuggingFace 排行榜前十名纠结选谁了。同等预算下，把精力砍一半给模型微调，另一半砸在 harness 的鲁棒性、可观测性、回放调试能力上，ROI 往往更高。尤其是中小团队，练不起 70B、更别提 400B，但写一套带类型检查的 Tool Router、加一层基于规则的 Guardrail、搞定 LangGraph/LangChain/AutoGen 这些框架的定制化改造，门槛低得多，效果却立竿见影。

当然，这不代表模型能力不重要。当任务上升到「零样本泛化到从未见过的工具」「极度模糊指令下的意图推断」这种上限场景，强模型依然不可替代。但对于 90% 的落地业务——表单填报、数据清洗、工单分派、报表生成——工程约束 > 模型智力 这个结论，足够让我们重新排优先级了。

下一步我打算把手里那个基于 LangGraph 的内部运维 Agent 拿来做消融实验：固定模型不变，只动 harness 里的重试策略、状态序列化格式、工具签名校验严格度，看看成功率曲线怎么走。有兴趣一起跑数据的可以留言，顺便交换下各自框架里的「避坑清单」。