未来大多数公司都将建立在“Harness工程”之上 | 黄仁勋对话实录

7月8日，英伟达CEO 黄仁勋与LangChain创始人进行了一场对话。本次对话两人围绕过去六个月 AI Agent 领域的爆发式进展展开，深入探讨了英伟达为何要投入建设开放的 AI Agent 技术栈、企业应如何在前沿模型与专业化模型之间做取舍、开放生态对企业深度应用 AI 的意义，以及 AI Agent 在多大程度上可以被"拟人化"等话题。

黄仁勋指出，过去六个月里，模型能力、规模扩展、多模态等技术汇聚到一起，使 AI 真正变得有用；以信息和知识为基础、能够调用工具、管理记忆、具备安全护栏并能持续迭代的 Agentic 系统，是这一阶段最大的技术突破。

黄仁勋认为，专业化的前提是模型本身要足够优秀，但真正让模型变得强大的，是在其周围构建的 Harness 工程与专属领域信息的访问权限；他并提出，未来甚至可以在 Harness 内部针对性地对模型进行后训练。

他指出，一家公司本质上就是一大堆专有、重要工作流的集合，这类专属超级 Agent 将成为企业的核心资产。关于企业何时应该走向专业化，黄仁勋认为，只要模型能力足够优秀即可开始，且很多工作永远不需要替换模型，前沿模型与专业化 Agent 并存将是长期趋势。

黄仁勋表示，如今大多数公司建立在业务流程之上，而未来大多数公司将建立在 Harness 工程之上。每家企业本质上都建立在某种专属知识产权和专业化智能之上，这种专属智能定义了企业本身；因此他明确表示，企业把核心智能外包给第三方都是毫无道理的，企业必须依托开放工具在内部自主构建和掌控专属智能，前沿基础模型与企业专属能力是互补关系而非替代关系。

此外，黄仁勋还表示AI Agent不具备生物特性、意识和自我觉醒，人们目前对其的拟人化想象已远超其真实能力边界。

01

模型能力、Harness 工程和 Agentic 系统三者的汇聚，让 AI真正爆发

过去一年里，AI 和 AI Agent 领域取得了诸多进展，尤其是过去几个月变化更为显著。在模型性能持续提升的同时，业界也越来越意识到，在模型及其周边系统中，开放性、控制力和信任感正变得愈发重要。英伟达为什么会投入建设开放的 AI Agent 生态系统和技术栈，具体又是如何布局的？

黄仁勋：回顾过去的六个月，我们都会认同一点，尽管我们在 AI 领域已经深耕了 15 年，但正是这过去半年的时间改变了一切。所有的技术发展、大语言模型的进步、所有的规模扩展、所有的重大突破，还有全能模型以及多模态等等，这一切都非常不可思议。不过归根结底，正是在这过去六个月里，所有的技术汇聚到了一起，现在 AI 终于变得真正有用了。

当 AI 变得有用时，世界上每一家公司、每一家企业都想掌握它。现在的关键问题是如何实现。这正是 LangChain 发挥作用的地方。你一直很有远见，认为大语言模型是核心要素和关键的赋能技术，但为了将其转化为真正有用的产品，必须在它周围构建一个我们现在称之为 Harness 工程的系统。

回想过去，我们利用 LangChain 帮我们将大语言模型转化为可提示 API。我们用 LangChain 构建了我们的 RAG 系统，并且一步步使用 LangChain，最终催生了今天的 AI Agent。过去六个月真正的大突破，正是这些以信息和知识为基础的 Agentic 系统，它们可以使用工具进行搜索，能够管理自己的记忆，配备了安全护栏，并且具备不断迭代直至完成任务的能力。

但这一切最终都需要一些能力达到了一定水平的模型，使得所有技术都能在这个爆发点上汇聚，这正是 Claude Code 真正为 Agentic 系统带来想象力的地方。开源当然意义重大，还有你们在 Deep Agents 上做的所有工作，我们自己也在使用。所有的这一切交汇在一起，Agentic 系统就此诞生了。

我们之所以这么做，是因为多年来我们一直致力于构建开放系统。归根结底，AI 是一项基础技术，只有被应用在大量不同的场景中才能发挥其价值。当然，首要的用例是语言和认知智能，这自然非常重要。我们构想了这样一个世界，科学家、数字生物学家、设计师、机器人专家、学生、研究人员以及企业 IT 部门，所有人都能使用 Agentic 系统和 AI 来解决领域特定问题。

我们想要解决的很多问题，要么需要外界根本无法获取的专业领域知识，我们必须将其嵌入并注入到我们的 AI 中，要么是因为我们相信，当我们把 AI 放入一个飞轮中时，它最终会变得非常强大，成为一个超级 AI Agent。我们使用它，它变得更聪明、更实用，我们用得越多，它就越聪明。就像我们人类一样，随着时间推移不断学习。

所以我们构想了这样一个未来，AI 拥有强大的基础模型，Anthropic、OpenAI 和谷歌正在做的工作都非常出色。但人们也想要构建专业的 AI、特定领域的 AI 和专有 AI，我们希望促成这样一个世界的到来。

02

想要专业化需要一个足够聪明的模型，加上一套能注入领域知识的 Harness

专业化具体应该如何实现？是纯粹依赖模型本身，还是也需要依赖 Harness 以及外部的上下文？专业化究竟包含哪些要素？Nemotron 3 Ultra 在 LangChain 团队的 Harness 调优下，于内部基准测试中取得 86% 的成绩，已经非常接近 Claude Opus 的 87%，而 DeepSeek 和 MiniMax 的模型大致在 82%、83% 左右，说明部分开源权重模型已经达到前沿性能水平，且成本只有 Opus 的十分之一，这种成本因素将如何改变开发者的权衡取舍？

黄仁勋：专业化的前提是需要有足够优秀的智能，这也是我们研发 Nemotron 的原因。我们非常高兴你能成为 Nemotron 联盟的创始团队成员之一。我们打造的 Nemotron Ultra 相当出色。作为起点，Nemotron Ultra 是一个很棒的模型，但当你在它周围加上 LangChain 框架，套上 LangChain Harness，让它能够以特定领域的信息为基础时，它就会变成一个不可思议的模型。当一个聪明人能够访问极其重要的信息时，他就会变得超级有用。因此，信息的访问权限至关重要。

将其放入飞轮中，也许你甚至可以在 LangChain Harness 内部针对 Harness 对模型进行后训练，这样模型就能善于应用其周围的 Harness 工程。我认为这个时刻现在已经到来了，但我们需要一个开放的 Harness 系统，一个我们可以自己构建、应用，并且能随着时间推移不断改进的系统。

（关于成本因素）成本优势体现在几个不同的方面。我个人认为，当拥有高性价比的智能时，人们就会使用得更多。当拥有一个高性价比的 AI Agent 时，就可以在更大的搜索空间中进行迭代，结果可能会得出更好的答案。以 Nemotron 为例，它性价比高是因为它速度极快，计算效率高。当计算效率高时，它就能探索更大的空间。这就好比一个思维敏捷的人可以探索更多的思路。当能更快地尝试事物时，就能找到更好的答案。

这就是 Nemotron 3 Ultra 在 LangChain 框架和 Deep Agents 的 LangChain Harness 中的巨大优势。它的思考速度如此之快，探索速度如此之快，迭代如此高效，以至于它总能找到更好的答案。因此，我们创造了一个接近前沿水平的模型，这让我感到非常兴奋。但通过调整 Nemotron 周围的环境，你让它展现出了前沿能力。

其实对于人类内部来说，道理是一样的。当然，我们喜欢雇佣世界上最聪明的人。但除此之外，我们还要为他们提供工具和信息的访问权限，为他们创造周围的环境，赋予他们发挥全部潜力的条件。所以要调整环境，而不仅仅是调整模型，这正是 LangChain 的用武之地。

03

一家公司本质上是一堆专有工作流的集合

既然这些模型变得这么好、速度这么快、又这么便宜，应该如何看待前沿模型的使用？是否应该一直只用开源模型，还是说两者都有其用武之地？

黄仁勋：前沿模型一直在不断进步，我完全相信前沿模型会变得极其强大，而且它们在模型改进上还有很长的发展空间。Scaling Law 当然会继续发挥作用。它们的 Harness 工程也在不断改进。它们处理记忆的技术，无论是工作记忆还是长期记忆，都在以令人难以置信的速度发展。压缩技术，以及检索增强生成和知识图谱方面的所有进展，还有许多惊人的技术进步正在被整合到这些前沿模型 API 中。

我的想法是，我所有的工作总是从前沿模型开始。原因在于它很有用，我知道它的潜力所在。虽然要多花一点钱，但我完成工作的时间很快。

然而，随着时间的推移，我发现我想要给它们添加子 AI Agent。我想要连接在某些技能上表现得像超级 AI Agent 一样的子 AI Agent。比如我们在公司内部有与供应链相关的优化问题，或许还有与芯片设计优化和布局规划优化相关的问题。这些优化问题极其困难，所以不可能只让一个通用 AI 去大量运算，就指望能得出一个绝佳的答案。

因此，我们会创建超级子 AI Agent，我们会使用 Deep Agents，也就是内置 Nemotron 3 的 LangChain Deep Agents 来创建它们，我们甚至会将它们与专门的工具连接起来。那个东西是为了特定的一项工作而构建的。那个超级 AI Agent 并不打算帮我预订差旅行程，它只是想优化我们的供应链。在那种情况下，我确实非常需要 LangChain，我确实需要 Nemotron 3 Ultra，并且我要将它与大量的专有知识和专有技能连接起来。我有一个完整的团队专门致力于完善这些。

我认为这就定义了一家公司。一家公司实际上就是一大堆这类极其专有、极其重要的工作流的集合。现在我们有了内置 Deep Agent 和 Nemotron 3 的 LangChain，它为员工提供了所需的所有控制力，以及超级高效地访问不可思议的工具的能力。这就是未来。

04

从前沿模型走向专业化，触发条件是什么

如果企业遵循从前沿模型开始、再逐步专业化的路径，对企业的建议是什么？企业应该在什么时候考虑专业化？需要关注哪些触发条件？

黄仁勋：只要模型变得足够优秀就可以开始。所以我会从 Claude Code 和 Codex 开始，并且尽可能长久地使用它们。很多东西永远不需要替换，因为它们一直在变得更好，而且它们的发展轨迹将带来惊人的能力提升。

所以，我认为在未来，就像今天的公司一样，我们雇佣员工是因为他们的领域专业知识、对工作和工作流程的打磨，以及他们在公司里获得的所有终身学习经验都太有价值了。但我们也会聘请顾问，也会获得外部工具的许可，我们也会把工作外包给其他人等等。我认为这就是 AI 的未来。我们会继续使用前沿模型吗？绝对会，而且会大量使用。但我们是否也会用 LangChain 和 Nemotron 3 Ultra 创造专业的超级 AI Agent，而且这些 AI Agent 实际上可以说是你们的核心资产？答案绝对是肯定的。

05

未来的公司将建立在“Harness 工程”之上

企业在采用 AI 的过程中，为了让整个 Agentic 系统值得信赖、安全且具备合理妥善的治理，必须在模型周围构建所有这些系统，如何看待这一点？

黄仁勋：我只想补充一点，如今，大多数公司都是建立在业务流程之上的。而在未来，大多数公司将建立在 Harness 工程之上。因此，LangChain 将成为构建公司操作系统的工具，每个人都将使用 LangChain 来创建其专属的 Harness 工程，这就代表了过去的某项工作流。而现在，这个工作流中的 Harness 工程变得更加自主、更加 Agentic，且效率大幅提升。

系统由几部分构成，其中包括 Harness、模型，以及围绕它们的所有上下文信息，这些要素都可以在不同的时间点进行优化。围绕 Harness 进行了高投资回报率的绝佳实践，包括修改提示词和调用工具，而下一步值得期待的工作是探索对 Nemotron 的后训练，虽然这需要耗费更多时间，但这切实拉高了整个 AI 能力的上限。

黄仁勋：这非常了不起，这是一次巨大的突破。你刚才描绘的未来图景是，一旦你成功构建了 Harness 并让其顺畅运转，它就能融入企业的业务流程中并取得巨大成功。那么接下来的问题就变成了，我们如何让它表现得更好？当然，你可以不断优化你所输入的信息，也可以对 Harness 进行微调，但现在，你还可以在 Harness 内部直接提升 AI 模型的能力，也就是大语言模型 Nemotron 3 Ultra。我认为这是一项彻底的突破。这是过去从未存在过的能力，对此我感到无比兴奋。

06

企业不能外包核心智能，必须依赖开放的工具在内部自主构建

企业普遍强烈需要将基础底座建立在一个开放生态系统之上,因为投入的是全部专属知识与流程,掌握完全的控制权至关重要,如何看待开放技术栈在赋能企业深度应用 AI 方面的作用？

黄仁勋：从根本上说，每家企业都是建立在特定领域或某些专属知识产权之上的。我们之所以称之为知识产权，是因为其中的智力本质上就是一种智能。每一家企业都奠定在某种专业化的智能基础之上。比如我们公司就有自己的专长，我们并不擅长所有事情，但我们在某一领域做到了极致，每家公司都是以此为基石建立的。这种专业性、你们公司的专属智能，就定义了你们是谁。

你不可能不去控制它、优化它、让它变得更好。在我看来，无论是个人、企业还是国家，将核心智能外包出去都是毫无道理的。当然，世界上存在通用智能，也有很多我们所有人都能做的通用工作，这构成了经济活动的重要部分。例如软件编程实际上就是一项通用技能。大家都在使用 Python 或 C++ 编程。虽然你们将其应用在不同的领域，但编程技能本身在很大程度上是相通的，写作也是一项通用技能。正是基于这些底层基础技能，我们才能进一步应用自身的领域专属智能，而这正是 LangChain 和 Nemotron 的用武之地。

未来的社会底座将由这些通用基础模型构成，它们将被部署在云端并提供令人惊叹的能力。但在这个平台之上，我们必须建立属于自己的专业能力，这需要依赖开放的工具，且绝不能外包。我无法想象，当需要提升企业自身的智能水平时，还要去向第三方求助。我必须在企业内部直接完成提升。

未来的发展并不是非此即彼，而是一个完美互补的愿景。我们正在做的，就是确保自动化智能深度融入我们工作与业务的方方面面。最终，我们所有人都将因此变得更强大。

07

构建专属超级 AI Agent 所需核心要素已经集齐

英伟达今天宣布推出了 NeMo Blueprints 中的 Deep Agents 与 OpenShell 蓝图，将允许企业在 OpenShell 这个安全且开源的运行环境中，运行内置了 Nemotron 3 Ultra 的 Deep Agents 并充分发挥其优势，希望借此大幅降低企业部署和运行 AI 的门槛。如何看待这些系统蓝图？英伟达投入大量资源研发这些蓝图的初衷是什么？

黄仁勋：这是一项具有里程碑意义的成果。构建属于你们自己的特定领域专属超级 AI Agent 所需的所有核心要素，包括底层技术、核心组件、开发工具、Harness，以及像蓝图这样极具价值的示范，都已经全部为大家准备就绪了。

因为现有的开发工具依然有些晦涩难懂，而且涉及的组件过于繁杂。构建一个 AI Agent 绝非易事。它囊括了诸多不同的技术模块，包括大语言模型、调用的工具、需要处理的知识图谱、记忆系统、安全护栏系统、微调系统，以及基于 Harness 的后训练技术。

除此之外当然还有 Harness 本身。那么运行环境呢？等一切开发完毕，你还需要一个运行环境。你必须将其放置在沙盒中以确保安全性与隐私性，并配套严格的访问控制。这必须是企业 IT 部门能够切实掌控的平台。

08

给 AI 建一套“人力资源系统”

在企业内部部署运行环境，最困难的部分是否是伴随而来的所有安全管理事项？

黄仁勋：如果不解决安全管控和权限分配问题，根本就不可能实现部署。这就像公司不可能招进一个新员工却不办理入职手续、不分配权限一样。我们不会赋予每位员工访问所有文件和网络的权限。企业会根据员工的岗位职责和工作需求，为他们分配笔记本电脑、设计软件或编程工具的使用权。我们会为他们开通特定网络的权限，提供必要的信息，将他们与其他 AI Agent 或是共事的同事连接起来，同时提供一份工作指南，明确告诉他们，这是你的任务，过去我们是这么做的，现在请把它做得更好。

所以在很大程度上，我们就像是在为 AI 构建一套人力资源系统，它能赋能企业的 IT 部门以及各个业务单元，让他们能够在公司内部顺畅地构建、优化并部署这些 AI Agent。

09

AI Agent不具备意识和自我觉醒

现在很多人在谈论 AI Agent、并试图将它们带入人类社会体系时，往往会极度地将其拟人化，但 AI Agent 毕竟不是人类，它在某些方面远超人类，在其他一些领域却与人类截然不同，甚至表现不如人类，应该在何种程度上将这些 AI Agent 拟人化才是合理的？

黄仁勋：它只是一堆电子流。它是基于电子运行的软件，而不是由原子构成的物理实体。它没有生物特性，不具备意识，也没有自我觉醒。所以，它根本不是我们人类那样的存在。它只是一个工具，就像满屋子跑的扫地机器人一样。它在屋子里转悠、打扫卫生，做着我以前做的事。如今还有了自动割草机，想象一下一百年前第一台洗碗机问世时，看着它自动洗碗一定觉得非常神奇，我们甚至称它为洗碗机，听起来就像是在描述一个人。

在很多方面，我们最终都会对这些自动化工具习以为常。现阶段人们确实倾向于赋予 AI 过多的人类特征，但实际上它离具备人性还差得很远。它本质上只是软件和计算机程序。我们完全清楚它是如何工作的，毕竟围绕它运行的 Harness 就是我们亲手编写的。既然它能够不断迭代升级，我们显然也洞悉了它的底层逻辑。如果我们不了解它的工作原理，又怎么能不断优化它，怎么能修复它的漏洞？所以显而易见，我们非常清楚这些系统的运作机制，我们只需要理性看待它作为工具的本质即可。

与此同时我们看到的一个现象是，我们使用的 AI 越多，反而需要雇佣更多的人才。原因在于部署 AI Agent 是一门全新的技能。现在有大量的软件工程师转型去构建 AI Agent。他们过去靠敲击键盘编写代码，但现在他们都在致力于开发 AI Agent。如果问我的团队，我的软件工程师们绝对更热衷于开发 AI Agent，而不是枯燥地编写 Python 代码。传统的编程更像是单纯的打字，所以未来他们亲自打字的工作量会大幅减少。他们将进阶为系统工程师，投入到构建极其酷炫的自主系统中。他们正在设计评测、建立基准测试、打造安全护栏。将 AI 普及到现实世界中所需要付出的工作量是惊人的，这实际上创造了大量的就业机会，我的软件工程师们对此乐在其中。

评测是企业内部大规模应用 AI Agent 的关键前提，需要清楚它的表现究竟如何，而对其质量的量化评估，通常最适合交由企业内部的领域专家来完成,专家们可以轻松地提供反馈、与系统协同工作，从而将繁琐的日常事务自动化，最终腾出时间去从事更具智力挑战和创造性的工作。

黄仁勋：在很多情况下，无论你是一名医生、设计师还是软件工程师，你其实都在培养自己的 AI Agent。你把繁杂枯燥的任务剥离出来交给它去做。同时，我们都在努力让自己的 AI Agent 进化，去和我们一起完成那些过去根本无法触及的高难度挑战。这需要极高的想象力、创造力以及深厚的技术积淀。

10

目前的 AI Agent 技术栈中还缺少哪些关键拼图

目前 AI Agent 最好的应用场景大多是提高效率，核心思路是回溯过去在做什么、看能否自动化，但未来真正的突破口在于解决那些过去做不到、现在终于能做到的事情。要推动走向这个理想未来，目前的 AI Agent 技术栈中还缺少哪些关键拼图？

黄仁勋：我们今天宣布的恰恰就是一项极具意义的重大进展。我们正在为构建超级 AI Agent 提供最底层的构建模块、基础底座以及所有核心要素。我所说的超级 AI Agent，是指具备特定领域专长的 AI Agent。它们归你所有，由你亲自构建、持续优化和打磨。你可以向它们开放极其私密和独家的专有知识权限。最终，这种超级 AI Agent 将能够做到令人超乎想象的事情，并展现出极其卓越的表现。

我们已经把所有核心组件准备就绪，其中包括世界级的语言模型，现已完成针对性微调并能彻底释放 Nemotron 3 Ultra 全部潜力的 LangChain Deep Agents 框架，帮助所有人实现这一目标的蓝图，保障系统安全的 OpenShell 运行环境，以及无缝集成的底层加速技术栈。现在全球的每一家企业、每一位开发者，都具备了创建专属超级 AI Agent 的能力，并可以将其灵活部署在云端或本地环境。

我的一位好朋友刚刚为 DGX Spark 构建了一个系统。现在，你可以让这些 AI Agent 直接在放在笔记本电脑旁的 DGX Spark 上运行，或者在 DGX Station 上运行。如果你愿意，甚至可以在公司内部搭建属于自己的超级计算机，当然也可以选择云端部署。如今，AI Agent 能力已经触手可及，你可以在任何地方为自己构建专属的系统。所有的技术拼图都已拼齐，现在已经没有任何借口不去拥抱它了。

| 文章来源：数字开物