黄仁勋最新访谈：下一代软件公司操作系统是Harness

就在最近，黄仁勋在一场26分钟的深度对话里，全程未提GPU、算力、模型参数等常见话题。他将全部注意力集中在一个命题上：程序员必须从“写代码”切换到“造Agent”。

LangChain团队基于Nemotron 3 Ultra模型，配合Harness系统级优化，在Deep Agents基准测试中取得0.86分，与当前最高分0.87仅差0.01分。但关键点在于，单次推理成本从43.48美元降至4.48美元，压缩近90%。模型权重未作调整，真正发生质变的是模型之外的工程层。

26分钟避谈GPU：黄仁勋在警惕什么？

在与LangChain创始人Harrison Chase的公开对话中，黄仁勋全程未提及GPU、芯片迭代、大模型参数等传统焦点。他关注一个更本质的问题：当Agent已能自主调用工具、编排流程、闭环执行任务，企业的工程重心应放在何处？

答案清晰且坚定：减少重复性编码，加大面向目标交付的Agent构建力度。

他举例说明：掌握打字技能固然重要，但这不等于成为作家。同理，写出语法正确的Python代码只是基础能力，已不能等同于交付一个能运行、能验证、能维护的Agent系统。工程师的核心职责正在迁移——需要去定义Agent能看见什么、能用哪些工具、如何恢复异常、最终输出应由谁验收。

生成式AI解决了“能写出来”的问题，但Agent工程要回答的是“能不能跑通、对不对、失败了怎么办、过程能否审计”。

Harness：被长期低估的“智能工作台”

黄仁勋反复强调一个概念：Harness。它涵盖的范围远不止Prompt工程，还包括工具描述规范、记忆管理、上下文裁剪、任务分解逻辑、重试策略、效果评测框架，以及权限管控体系。模型只负责推理，Harness负责将推理转化为可交付、可度量、可追责的工作流。

公开信息已证实，LangChain在Deep Agents评测中未调整Nemotron 3 Ultra的模型权重，仅重构了系统级Prompt、精细化工具接口说明和中间件逻辑。结果显著：得分从初始水平直接跃升至0.86，与闭源最强模型0.87仅差0.01。但单次评测开销从43.48美元骤降至4.48美元，降幅接近90%。

这张图清晰展示：同一模型置于不同Harness架构中，实际能力释放程度差异巨大。评估Agent系统时，仅看模型榜单已严重失准。对开发团队而言，“执行轨迹”正变得越来越像“测试日志”——它不仅能定位分数损失点，还能将一次偶发失败沉淀为可复现、可回归的验证用例。持续积累的Prompt模板、工具契约、轨迹样本和评测数据集，迟早会变成组织独有的Agent工程资产。

成本降低10倍，改写的不是预算表，而是研发范式

黄仁勋指出一个关键点：成本骤降带来的根本性改变，并非让旧任务变便宜，而是彻底重塑开发节奏和决策逻辑。Agent完成一项复杂任务，常需多轮推理、跨工具协同，甚至并行探索多种路径。若每次尝试成本高昂，团队自然会保守——压缩评测频次、限制策略探索范围。

成本下探释放了三种能力：
第一是“多试”——同步比对模型选型、Prompt结构、工具链组合和重试机制；
第二是“常测”——将评测深度嵌入CI/CD流程和线上监控体系；
第三是“广布”——将过去仅服务核心场景的Agent，规模化部署到长尾业务流程中。

合理的推演路径是：当开源模型加上Harness调优的成本足够低，企业会普遍采用“前沿模型先行探路，高频任务后续固化”的双轨策略。问题刚出现、边界模糊时，依赖前沿模型快速验证上限；待任务反复出现、验收标准稳定后，再收敛为轻量、专用、高确定性的Agent实例。这里的“专用化”不局限于模型微调层面。真正构筑护城河的是企业私有的工具语义体系、业务术语词典、权限策略图谱、历史执行轨迹和真实验收反馈数据——它们共同定义了Agent对这家公司的“理解深度”。

未来企业的数字基座将筑于Harness之上，但密钥绝不可直交Agent

黄仁勋抛出一个更具前瞻性的判断：未来企业的核心能力，会越来越多地构建在Harness这个新基础设施上。传统时代，业务流程固化在ERP、CRM和刚性审批流中；Agent时代，部分流程会进化成“输入目标+可用工具+权限约束+验收标准→系统自主规划执行路径”。Harness，就是承载这些动态业务规则的新容器。

这也解释了为何开放技术栈被反复强调：企业需要完全掌控自己的记忆库、轨迹数据库、评测资产和调优记录，并自主决定部署位置和运行环境。但当Agent能直接调用终端命令、读写数据库、调用内部API时，它已超越聊天机器人，成为具备真实行动力的软件进程。

NemoClaw蓝图整合了Deep Agents Code、Nemotron 3 Ultra和OpenShell运行时。模型负责认知推理，Harness负责任务调度和上下文治理，OpenShell在沙箱中执行代码，对网络访问、凭证使用、文件操作和日志输出实施细粒度策略管控。

黄仁勋划出一条明确红线：Agent不得持有长期有效密钥。更安全的做法是，由运行时根据当前任务上下文和预设策略，动态授予最小必要权限，确保Agent仅在指定时间窗口、限定作用域内访问必需资源。

落地到工程层面，至少需要清晰回答四个问题：

• 它代表谁的身份执行操作？
• 哪些指令被允许执行？
• 出错时如何终止或回滚？
• 谁有权完整复盘整个执行链路？

缺失这些边界控制，Agent能力越强，潜在风险面就越广。

勿将Agent视作同事，它首先是受控的生产软件

Harrison Chase提出一个敏感问题：当Agent用自然语言协作、行为模式越来越像人，我们是否应该给它拟人化身份？黄仁勋的回应很冷静：自然语言确实是高效交互界面，但不能因此模糊权责边界。Agent可以设定角色名和职能标签，但不能因为语气笃定就被默认可信，更不能因为“像同事”就绕过权限校验和结果验证。

判定任务是否完成，必须依赖外部可观测证据：单元测试是否全绿、代码Diff是否符合预期、数据是否落库到指定位置、审批链是否完整留痕。它宣称“已完成”，只是一个待验证的中间输出。适度拟人化有助于团队建立协作直觉，但工程治理必须坚持去人格化原则：每次工具调用绑定明确身份，每项高危操作触发策略审查，每个最终产出经独立验证器确认。

业内已有企业试点为Agent分配“虚拟员工编号”和“组织汇报关系”，但据可查资料，这类实践仍属早期探索，尚未形成通用标准或行业共识。

程序员的核心能力清单正在被重写

黄仁勋对职业演进的判断延续了他一贯的供给端视角：当数字服务的单位生产成本持续下降，社会需求不会停滞在原有规模，反而会催生大量此前因成本过高而被搁置、因优先级不足而被延后的新型需求。对程序员来说，真正的变革不在于“是否还要写代码”，而在于工作重心的结构性迁移。

模板填充、格式转换、重复性调试等机械劳动，会加速由Agent承接；而任务建模、系统架构、评测体系设计、权限治理体系搭建、异常处理机制设计，正成为更高阶的核心能力。这一转变未必保障所有岗位原封不动。随着软件供给能力指数级提升，新兴角色会从“亲手执行每一步”转向“设计一套可持续交付结果的系统”。个体能否受益，取决于能否成功跨越这次职责边界的迁移。

最后缺失的不是更强模型，而是一整套Agent工程栈

将黄仁勋的论述整合成一张完整的工程全景图：

• 模型层：专注基础推理能力；
• Harness层：承担计划制定、记忆管理、工具调度；
• 运行时层：实现安全隔离与受控执行；
• 评测与护栏层（Evals & Guardrails）：保障输出质量与合规底线。

任一层缺失，Agent都难以脱离Demo阶段。

这个架构也隐含了团队落地路径：先锚定真实业务任务构建可量化评测，再驱动模型和Harness协同运转；接着补齐沙箱环境、身份认证、全链路日志和人工接管机制；最后才进入规模化部署和成本精细化运营阶段。模型能力会持续进化，但企业真正需要长期深耕的，是与自身数据资产、工具生态、权责体系深度耦合的工程环境。黄仁勋所说的Harness，极有可能成为下一代软件企业的核心基础设施层。

结语

这场访谈最有价值的地方，是黄仁勋将行业焦点从“谁家模型更强”拉回到“系统如何构建”。LangChain公布的实测数据提供了有力佐证：0.86分和0.87分的微小差距，4.48美元和43.48美元的巨大成本落差——胜负手不在模型本身，而在Harness。

当Agent从演示走向真实生产，企业竞争的本质，会从“是否接入先进模型”转向“能否将自身业务流程、权限规则与验收标准，稳定、可靠、可迭代、可审计地封装进一套Agent系统”。Harness，就是那个承托一切的容器。谁先建成它，谁的Agent才能真正入职上岗，而不是永远停留在聊天框里。