川海智库

报告概述

本报告围绕智能体（Agent）的工程演进和产品形态展开，系统梳理从提示词工程到驾驭工程的框架演化，以及从Copilot到Multi-Agent的发展路径。通过典型案例分析和厂商调研，探讨工程壁垒、商业化模式和未来趋势，对读者理解Agent产业现状和投资方向具有参考价值。

报告的核心结论

Agent工程从提示词演进至驾驭工程，后者成为差异化壁垒。

提示词和上下文工程主要优化输入侧，驾驭工程则通过文件系统、沙箱、工具调用等机制解决Agent长链路任务的稳定执行问题。OpenAI、Anthropic等案例表明，在模型能力趋近背景下，Harness成为产品竞争关键，LangChain通过优化Harness使Coding Agent得分从52.8%提升至66.5%。

Agent产品从Copilot向Coding Agent和垂类流程Agent演进，自主能力增强。

Copilot以辅助为主，Coding Agent因结构化环境率先成熟，垂类Agent在客服、法律、医疗等领域实现端到端执行。Computer Use进一步扩展泛化操作能力，未来向Multi-Agent协作发展，推动Agent从辅助工具转向数字劳动力。

Agent商业模式从按席位转向按任务量/结果收费，市场空间扩大。

Agent从占用IT预算转向人力预算和营销预算，按结果定价模式（如Sierra按成功对话收费）绑定ROI，推动AI产业商业化提速。OpenAI Codex周活跃用户达500万，Anthropic Claude Code ARR达25亿美元，验证商业可行性。

Agent未来可能实现AI自我迭代AI的循环，Agentic AI基础设施成企业关键。

Anthropic认为Agent或能演进出训练大模型的能力，形成高度自动化的智能生产系统。企业需搭建Agentic AI基础设施以拥抱AI，大模型和Agent正成为成长最快的AI产业方向，AI算力与MaaS云服务持续受益。

报告回答的关键问题

什么是Agent驾驭工程（Harness）？

驾驭工程是围绕大模型构建的工程化执行系统，通过持久存储、通用执行、安全验证等机制使Agent在长链路任务中稳定自主工作。它与提示词和上下文工程构成递进关系，LangChain、OpenAI、Anthropic的实践表明Harness是Agent产品差异化的核心来源，模型趋同下Harness成为壁垒。

Coding Agent有哪些典型产品和能力？

典型产品包括Claude Code、OpenAI Codex、Cursor等。核心能力包括陌生代码库理解、全代码库开发、跨工具链执行、测试与CI修复等。Coding Agent因任务边界清晰、ROI易量化成为商业化最清晰的Agent赛道，Anthropic内部开发者人均代码量提升8倍。

垂类流程Agent在哪些行业落地？

主要落地行业包括客服与销售（Sierra）、法律（Harvey）、医疗（OpenEvidence）、金融服务（AlphaSense）等。这些Agent具备专业领域知识和工作流集成能力，按结果收费，护城河在于行业集成和合规要求。Sierra服务超20家Fortune 50企业，ARR达1.5亿美元。

Agent的商业模式如何变化？

传统SaaS以按席位收费为主，Agent推动向按任务量或按结果定价转变。例如Sierra按成功解决的对话收费，Harvey按法律流程计费。这使得AI产品从IT预算扩展至人力预算和营销预算，市场空间显著增长，同时激励厂商提升Agent效率。

Computer Use技术如何实现跨界面操作？

Computer Use让模型通过屏幕截图理解GUI元素，生成点击、输入等动作，无需后端API。典型路径为：任务输入→模型决策→执行动作→状态回传→迭代。Anthropic、OpenAI、Google等均积极布局，Claude Cowork采用分层策略，Computer Use作为兜底选项，扩展Agent泛化能力。

报告中的代表性数据

从52.8%提升至66.5%

LangChain Coding Agent得分提升

2026年2月，在Terminal Bench 2.0评测中，LangChain仅通过优化Harness框架使Coding Agent排名从前30跃升至前5，未改变底层模型GPT-5.2 Codex。

完整Harness耗时6小时、成本200美元

Anthropic复古游戏案例成本与耗时

2026年3月，Anthropic以一句prompt无干预制作复古游戏编辑器，完整Harness可运行，而单Agent核心功能无法运行。成本和时间显著高于单Agent，但完成度与扩展性大幅提升。

7人团队5个月产出超100万行代码

OpenAI内部百万行代码工程

2026年2月，OpenAI利用Codex Agent自主迭代，零人工写码，耗时约人工1/10，具备发布、部署、修复全生命周期管理能力。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 报告系统梳理Agent工程从提示词工程、上下文工程到驾驭工程的三阶段演进，详细解释各阶段核心方法论及局限性。
  • 深入解读驾驭工程（Harness）的六大核心能力：持久存储、通用执行、安全运行、知识延展、上下文治理、长时程自主执行，并附典型案例。
  • 全面分析Copilot嵌入式助手（GitHub Copilot、Microsoft 365 Copilot、Salesforce Einstein Copilot）的产品形态与商业化。
  • 详细对比Claude Code、OpenAI Codex、Cursor等Coding Agent的产品演进、能力与商业数据，包含客户案例。
  • 系统介绍垂类流程Agent在客服（Sierra）、法律（Harvey）、医疗（OpenEvidence）、金融（AlphaSense）等行业的落地实践与定价模式。
  • 专题解析Computer Use的技术原理、产品形态（如Operator、Project Mariner、Manus）及Claude Cowork的分层策略。
  • 提供Agent能力演进路径图，从人机协同到自主执行再到AI自我迭代，并展望Multi-Agent分工协作的未来。
  • 投资建议聚焦AI算力基础设施、AI Infra及MaaS云服务厂商的成长机遇，风险提示覆盖技术、合规、算力供给等。
  • 正文包含丰富的图表，如Agent系统概览、智能体循环、Harness效果对比等，便于直观理解。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告