研究解读 · 小互解读
LangChain：只调 harness 不换模型，让 Nemotron 3 Ultra 跑分逼近 Opus 4.8，成本约 1/10，证明企业无需花重金购买闭源 API
系统提示、工具描述、中间件三处动刀；Deep Agents 套件典型约 0.80→0.84，最佳 0.86 对 Opus 0.87。
五句话看完
- LangChain 固定 Nemotron 3 Ultra 权重，只改 harness（系统提示、工具描述、中间件），不改模型、不改温度等生成参数。
- 方法是评测驱动闭环：评测 → 读失败轨迹 → 聚类行为 → 改一处外壳 → 再评测；先小样本筛，再上全套。
- 提示词用短的单目标指令块；中间件做强制执行 + 在出错点塞信号。
- 关键机制：同一句规则写在工具描述里无效，塞进工具返回结果就有效；对话中途注入比系统提示常驻更稳。
- 典型 ~0.80→0.84，最佳 0.86 对 Opus 4.8 最佳 0.87；整套约 $4.48 vs $43.48，中位延迟都约 10 秒/题。
⚑ 立场提示：本文是 LangChain 官方博客的方法论案例，数据来自其 Deep Agents 内部评测与自家 trace 分析，非第三方复现。
1WHAT
他们做了一件什么事
LangChain 发了一份 Nemotron 3 Ultra 的 harness 调优手册：模型不动，只改它外面那层脚手架，看开源模型在 agent 任务上能被抬到多高。
一句话：同一个开源模型，换一套合身的外壳，最佳跑分逼近 Claude Opus 4.8，全套评测成本大约低一个数量级。
◆
为什么值得看：同一套权重、不同脚手架，分数可以差一截。他们此前把 gpt-5.2-codex 在 Terminal-Bench 2.0 从 52.8 提到 66.5，没动模型。这次把同一思路用在开源模型上，并给出接近 Opus 的成本对照。
架构：agent 不是裸模型。外壳（harness）包着内核（模型）。LangChain 这次只拧外壳三块：系统提示、工具描述、中间件；内核权重原封不动。
生成参数保持厂商推荐默认。文中的提升，不是靠把 temperature 拧一下「碰运气」得来的。
官方图：模型在内、harness 在外。合得上，能力花在任务上；合不上，能力花在和脚手架较劲上。图源：LangChain Blog
站内相关解读
AI 自我进化的关键，藏在模型外面那层叫 harness 的外壳里
Lilian Weng 的 harness 工程长文；本篇是 LangChain 在开源模型上的实操手册。
2MISMATCH
外壳不合身时，马力去哪了
开源模型已经能扛真实 agent 活，价格是前沿 API 的零头。但再能干的模型，丢进不是为它建的 harness，也会发挥失常。
打个比方
模型像发动机，harness 像底盘和挡位。发动机再好，挡位和传动对不上，马力也会浪费在空转和打滑上。调 harness，是在改挡位和传动，不是换发动机。