Work Agents：从模型到系统，智能体如何可靠完成数字工作

基础模型正从「生成信息」走向「执行数字工作」，智能体开始跨工具、跨应用、跨工作流完成复杂任务。但一个关键问题尚未被系统回答：智能体究竟凭什么可靠地完成被委托的工作？一篇以工作为中心、系统级视角的论文试图填补这一空白，把工作智能体定义为「基础模型 + 运行时 harness」的组合体，在有状态工作空间中执行任务并交付可验证的结果。

重新定义工作智能体：不只是模型，而是系统

论文的核心主张是，把智能体理解为单一模型是一种误读。真正的工作智能体是一个系统：基础模型提供推理与生成能力，运行时 harness 负责工具调用、状态管理、错误恢复与结果校验。二者共同作用，才能在有状态的工作空间中推进任务。

这一视角的价值在于，它把讨论重心从「模型有多强」转移到「系统如何可靠交付」。当任务跨越多个工具和应用时，可靠性来自模型与 harness 的协同，而非任何单一环节的堆砌。这也解释了为什么同一模型在不同 harness 下表现差异明显。

两个刻画工作条件的维度

论文提出两个互补维度来描述智能体的工作条件：工作持续性（work persistence） 与 工作开放性（work openness）。前者衡量任务在时间上的延续程度——是一次性响应，还是需要长期维护状态、持续推进；后者衡量环境的开放程度——是封闭可控的工具集，还是需要适应未知变化的开放环境。

这两个维度构成了理解工作难度的坐标系。持续性越高、开放性越强，对系统的状态管理、适应能力和验证机制要求就越高。

有状态工作空间（stateful workspace） 指的是智能体执行任务时所处的、需要持续维护和更新状态的环境。与无状态的单轮问答不同，有状态工作空间要求系统记住之前的操作结果、当前任务进度以及环境的变化，并据此决定下一步行动。例如，一个跨多个应用完成报销流程的智能体，需要跟踪已上传的票据、已填写的表单字段和待审批的环节。状态管理是有状态工作空间的核心挑战：状态丢失或不一致会导致任务失败，而状态过多又可能引入噪声。运行时 harness 通常通过外部存储、会话记忆或工作流引擎来维护状态，使模型能够在长周期任务中保持连贯性。

数字工作的五种形态

依据任务范围与组织方式，论文把数字工作划分为五种形态。这一分类的意义在于，不同形态对能力的要求并不相同，用同一套评价标准衡量所有智能体并不合理。分类为后续的能力分析与评估设计提供了共同语言。

运行时 harness（runtime harness） 是围绕基础模型构建的执行框架，负责管理智能体与外部环境之间的所有交互。它通常包括工具调用接口（将模型的意图转化为具体的 API 请求或操作指令）、状态管理（维护任务上下文、记忆和中间结果）、错误处理与重试机制（当工具调用失败或返回异常时进行恢复），以及结果校验（确认输出是否满足任务要求）。Harness 的设计质量直接决定了同一模型在不同系统中的表现差异：一个精心设计的 harness 可以弥补模型在规划或纠错上的不足，而一个粗糙的 harness 则可能让强模型的表现大打折扣。因此，理解工作智能体必须同时关注模型能力与 harness 工程，二者缺一不可。

可靠执行工作所需的五类核心能力

在上述框架基础上，论文识别出可靠完成工作所需的五类核心能力族。虽然原文未逐一展开每类能力的细节，但其指向清晰：这些能力覆盖从任务理解、工具使用到状态维护与结果验证的完整链条。

值得关注的是，这些能力并非全部由模型承担。部分能力依赖 harness 的设计——例如状态跟踪、执行监控与结果校验，本质上属于系统层面的工程问题。这进一步印证了「智能体是系统」的论点。

三层优化路径：模型、Harness 与联合优化

论文考察了三条优化路径：模型优化、harness 优化，以及二者的联合优化。

模型优化聚焦基础模型自身的能力提升；harness 优化则改进运行时环境，让同样的模型能更稳定地完成工作；联合优化关注两者的匹配与协同。实践中，联合优化往往被忽视——团队容易把资源集中在模型侧，而低估 harness 对最终工作成果的影响。论文把三者并列讨论，实际上是在提示：可靠性的提升空间分布在系统各处，不应只盯住模型。

联合优化（joint optimization） 指的是同时调整基础模型和运行时 harness，使二者在能力与约束上相互匹配，而非各自独立优化。其核心洞察在于：模型的最优行为依赖 harness 提供的工具接口、状态表示和反馈信号，而 harness 的设计也应考虑模型的固有偏好与局限。例如，若模型擅长生成结构化输出，harness 可以设计更严格的解析与校验规则；若 harness 能提供清晰的错误信息，模型则更容易从失败中恢复。联合优化常被低估，因为团队往往按职能分工，模型团队和工程团队各自为政，导致系统整体性能次优。论文强调三者并列，正是为了提醒实践者：可靠性的提升空间分布在模型与 harness 的交互界面上，需要协同设计。

从工作成果出发评估智能体

评估方法同样被重新审视。论文从「工作成果」的视角分析现有评估方法与指标，而非仅看中间步骤或单轮表现。这与「交付可验证结果」的系统定义一脉相承：智能体的价值最终体现在工作是否被可靠完成，而不是它在过程中说了什么。

这一取向对实际选型有直接参考意义。当评估只关注模型基准分数时，系统层面的可靠性差异会被掩盖；以工作成果为锚点，才能反映真实部署中的表现。

可验证结果（verifiable outcome） 是指智能体交付的工作成果能够被独立检查、确认或度量，而不仅仅是过程性的描述或中间步骤。例如，一份正确填写的表单、一个成功部署的代码变更、一笔准确完成的交易记录，都属于可验证结果。与之相对，智能体在过程中生成的解释、计划或推理链，虽然有助于理解其行为，但不能替代最终成果的验证。以可验证结果为锚点的评估方法，要求定义明确的成功标准和检查机制，这通常需要结合领域知识设计自动化或半自动化的验证流程。这种评估取向更贴近真实部署场景，因为在实际工作中，委托方关心的是任务是否被可靠完成，而非智能体如何描述自己的过程。

未来方向：持续委托、开放环境与能力进化

论文最后讨论了三个未来研究方向：持续的工作委托、对开放环境的适应，以及工作执行与能力提升之间的相互作用。

第三个方向尤其值得思考：智能体在执行工作的过程中积累经验，这些经验反过来能否提升其能力？工作执行与能力改进之间存在反馈回路，这可能是工作智能体区别于传统工具的关键特征。

总体来看，这篇论文提供的统一框架，把系统构成、工作条件、能力要求、优化路径与评估方法串联起来，为理解、优化和评估工作智能体提供了共同语言，也为构建能交付可靠、可验证、有实际价值成果的系统指明了方向。