过去三年，"Agent 的瓶颈在模型"是一个被广泛默认的假设。但 2025-2026 年的工程实践把问题推到了另一层：瓶颈不在模型的智力，而在模型运行的环境与约束。承载这层环境与约束的东西，被称为 Harness（马具）。

过去三年，"Agent 的瓶颈在模型"是一个被广泛默认的假设。但 2025-2026 年的工程实践把问题推到了另一层：瓶颈不在模型的智力，而在模型运行的环境与约束。承载这层环境与约束的东西，被 Martin Fowler 一派称为 Harness（马具）--即"Agent = 模型 + Harness"中除模型以外的那一半。

围绕大模型的应用工程，经历了三次重心迁移。每一次迁移，都不是模型变强了多少，而是把多少"非智力"的工作从人手里移交给了工程结构。

最值得注意的信号不是某篇论文，而是卖模型的人开始自己卖 Harness。Anthropic 的 Claude Code、OpenAI 的 Codex / Operator、以及国内的 WorkBuddy、TRAE Work、Kimi Work，本质都是"模型公司把编排层自己做了"。这带来一个尴尬事实：

梁文锋的判断--"下一代模型必须有持续学习能力"--若成真，会从根本上改写这场讨论。因为持续学习意味着模型可以从私有数据流中不断吸纳知识、自我迭代。那么一个自然推论是：

• 如果模型自己就能学会使用工具、积累领域知识，那么今天靠"喂数据 + 编流程"的 Harness 是不是就多余了？
• 如果通用模型越来越"懂事"，行业公司花大力气搭的那层约束与编排，会不会被模型原生能力直接覆盖？
• Harness 究竟是 Agent 时代永恒的"操作系统"，还是只是一段模型还不够聪明时的过渡补丁？

这正是本报告要回答的问题。我们不抽象辩论，而是把问题拆成可验证的子命题，用真实市场的案例逐一检验。

要回答"Harness 会不会被吸收"，先得承认 Harness 不是一个均匀的整体。它至少包含三层资产，而这三层被模型吸收的速度天差地别。

证据早已出现：函数调用、结构化输出、工具协议（MCP）、Computer Use，起初都是应用层补丁，如今悉数进入模型/API 层。Anthropic 自己在 Opus 升级后主动拆掉了当年费力搭的部分约束组件--模型公司亲口承认：薄 Harness 创新会被模型能力吃掉。

把市场上的 AI 产品按"被下一个版本吞掉的风险"排成一条谱，可以直观看出生死线：

Cursor 是"薄 Harness 层"最典型、也最矛盾的样本：它证明了包装商能高速增长，也亲手演示了为什么这条路的天花板由别人决定。

第三方对 40+ 公开评价的综合健康分仅 42/100（D 级）；Trustpilot 上 1.7/5（200+ 差评主导），而 G2 / Capterra 却高达 4.5-4.8/5。分裂的根源是经济模型：包装商每请求都付费给模型方，毛利只有 25-60%。当模型公司自己下场做 Claude Code / Codex，Cursor 唯一的护城河（IDE 集成）被源头抹平。

真实迁移已经发生：有用户从 Cursor "$2k/周 premium 模型"切到 Claude Code Max，支付 1/10 价格；2026 年 7 月多家企业（赛诺菲等）因续约报价涨 5 倍，明确表示"大概率不续约，转 Claude Code"。

Cursor 证明：最薄的 Harness 层最先被吸收。模型公司的"自营 harness"不是威胁，而是预言--它宣告编排层终将回归模型/平台。这与核心问题的推论一致：当源头把车造好，套壳者失去存在理由。

有人会说：那我不套壳，我自己训模型总行了吧？金融行业的龙头恰恰这么做了。但"做了"和"市场认"之间，隔着一道被通用模型反超的鸿沟。

彭博 2023 年从零训出 BloombergGPT（500 亿参数，3630 亿金融 token）。但 Queen's University 独立研究显示：

通用模型没读过彭博数据，反而更强。彭博 2023 论文后再无公开模型更新，2026 年 2 月转向 RAG 架构的 ASKB。真正的护城河是 Terminal（32.5 万订阅、$3.2 万/年、110 亿年收入），不是模型。

东方财富自研"妙想"金融大模型（千亿参数、已过备案、数千张 GPU）。但有真实用户实测短板：

自建模型也没守住。这进一步收紧结论：不仅"编排层"会被吸收，连"智能层"也在被通用模型持续抹平。两者都落在谱的左半边。

到这里，一个诱人的假设出现了：既然自建和套壳都不行，那行业公司是不是应该"放弃自建、专心融入模型公司的产品"？这个假设，被同花顺的事实直接推翻。

原假设认为"同花顺等金融服务商致力于融入模型公司产品，而非自己做"。事实相反：

• 自建：同花顺 2019 启动"All in AI"，2024 初推出金融垂类大模型 HithinkGPT（问财），研发人员 3141 人（占六成以上）。
• 反向供给：它同时给阿里千问接入 1.3 万只股票分钟级行情 + 100 万份财报，推出 iFinD MCP、SkillHub；并反向供给 Kimi、以及 10+ 家券商（国泰海通、长江、广发等）的大模型。
• 市场认：i问财 2026 Q1 付费用户破 150 万，同比 +230%，App Store 4.5/5。

普通投资者行为印证"互补而非替代"：清华五道口 + 蚂蚁调研显示超四成个人投资者用 AI 研判，但通用模型实测槽点极多--同款选股指令 DeepSeek 推 5 只、豆包推 3 只无交集，同一平台问 3 次结果 3/4/10 只无重合，Kimi 直接拒绝"无法访问实时行情"。结论是：通用模型是"抓信息"的入口，专业工具才是"做决策"的落脚。

同花顺指向了耐久层的入口：真正留下来的不是模型权重，而是数据供给关系。这恰好预示--当模型获得持续学习能力，最值钱的不是"谁训了模型"，而是"谁握有持续、合规、实时的数据流"。

如果说前三例分别否定了"壳""模型""融入"三条路，这一节给出被市场真金白银投票肯定的正面样本--它们的护城河，没有一行是模型权重。

护城河是 5 亿+ 专有文档语料（券商研报、专家电话纪要，via 9.3 亿美元收购 Tegus）。它自己明说："每一代 AI 进步都放大我们的护城河，而非削弱。" 投资人 JPMorgan / 高盛既是股东又是客户--护城河不由模型技术决定，由产品嵌入客户工作流的深度决定。

摩根士丹利一行模型都没训，走的是纯 harness 路线：GPT-4 + 自有 10 万+ 研报知识库 + 严格 Eval 框架 + 零数据留存。98% 投顾团队每日使用，文档检索效率从 20% 提升到 80%。

至此，开篇问题的剖面清晰了：模型层与通用 harness 层都被吸收，但数据·工作流·合规层不仅幸存，还随 AI 进步放大。这正是我们要带去回答核心问题的那一半答案。

把前四例拼起来，行业龙头与通用模型之间不是零和，而是共生分工：模型公司吃"智能广度"，行业公司吃"判断深度 + 数据供给"，形成螺旋上升的正循环。

上一章是"龙头版"--它隐含一个资源前提：自建模型 + 反向供给弹药，需要资本、数据、牌照、渠道。小公司、一人公司（OCP）根本不在同一条起跑线上。它们要找的是第三条路。

对没有双押宝资格的人，正确姿态不是对抗平台，而是把平台当现成的 Harness 来用--不再浪费精力搭编排层（那层最易被吸收），把全部筹码压在一个窄到平台懒得做的点上，并攥住一样平台拿不走的东西。

这玩意儿就算 WorkBuddy 明年原生支持"估价"，也替代不了--缺的是本地实时流 + 长尾规则 + 合规格式，这三样 ROI 太低，平台永远懒得下沉。而你骑着平台的模型，反而越升级越省劲。

现在可以正面回答开篇提出的那个问题了。答案不是简单的"会"或"不会"，而是分层的。

梁文锋判断的"持续学习"一旦成真，非但不会逆转上述结论，反而加速它：

• 模型能从私有数据流自我迭代 -> 纯 harness 中间商（既没数据也没模型）被双向挤压，死得更快
• 但拥有独家、持续、合规数据流的行业公司 -> 从"模型方"转型为"数据燃料供给方"，更值钱。同花顺给千问供行情/财报，正是这个角色的提前演绎
• OCP 的私有数据环同理被放大--它不需要训模型，只需让自己的使用闭环越滚越厚