英伟达CEO黄仁勋在近期一场约26分钟的访谈中，全程未提及GPU或算力，而是将话题聚焦于一个概念：Harness。他与LangChain创始人Harrison Chase的对话，勾勒出一幅AI应用开发范式正在转移的图景——企业未来的核心竞争力，可能不再仅仅取决于使用了哪个大模型，而在于如何构建模型之外的那套工程系统。

黄仁勋的核心观点是，程序员的工作重心应从“写代码”转向“造Agent”。他将写代码类比为打字：打字是作家的必要技能，但远非工作的全部。同理，生成代码只是Agent系统的一小部分。工程师还需要决定Agent能看见什么信息、能调用哪些工具、任务失败后如何恢复，以及最终由谁来验收结果。这套负责组织、管理和约束模型推理行为的系统，就是Harness。

访谈中披露了一个具体案例。LangChain团队使用Nemotron 3 Ultra模型运行Deep Agents评测时，没有重新训练模型权重，仅通过调整系统提示词、工具描述和中间件等Harness层面的元素，就将评测成绩从原始状态提升至0.86，与闭源模型的最高分0.87仅差0.01。更引人注目的是成本变化：单次评测成本从43.48美元骤降至4.48美元，便宜了近十倍。

这一数据直接支撑了黄仁勋的另一个判断：成本下降改变的不只是账单，而是整个开发方法。当Agent执行一次任务需要多轮推理、调用多个工具甚至并行尝试不同路径时，高昂的试验成本会抑制团队的探索和评测频率。成本大幅降低后，团队可以更频繁地进行多维度对比测试，将评测嵌入日常开发与生产监控环节，并最终将Agent从少数高价值任务扩展到更多细分业务流程中。

黄仁勋进一步推演了企业的实施路径：在问题边界尚不清晰时，先用前沿模型探索能力上限；当任务重复出现、验收标准逐渐稳定后，再将其收敛为成本更低的专用Agent。这里的“专门化”并非仅发生在模型权重中，更关键的是企业自身的工具说明、业务词汇、权限边界、历史轨迹和验收数据。这些要素共同决定了Agent是否真正理解这家公司。

因此，黄仁勋认为未来的公司会把越来越多的能力构建在Harness之上。过去，企业将流程固化在ERP、CRM等系统中；在Agent时代，部分流程将转变为“给定目标、工具、权限和验收标准，让系统自主规划路径”。Harness正是承接这些业务规则的新容器。这也解释了为何开放技术栈被反复强调——企业希望掌握自己的记忆、轨迹、评测数据和调优数据，并自主决定它们运行在何种基础设施上。

在安全与权限控制方面，黄仁勋的立场十分明确。他通过NemoClaw蓝图说明，Agent不应直接持有长期访问密钥。更合理的做法是由运行时环境根据当前任务和策略，临时注入最小必要权限，确保Agent只在必要的时间、必要的范围内访问必要的资源。落实到工程层面，至少需要回答四个问题：Agent以谁的身份行动、哪些命令可以执行、失败后如何停止或回滚、谁能复盘完整轨迹。

当被问及是否应将Agent拟人化时，黄仁勋保持了冷静的工程视角。他认为自然语言交互让协作更顺畅，但不应模糊责任边界。Agent可以拥有角色和名字，但不能因为语气自信就被默认正确，也不能因为“像同事”就跳过权限审核与结果验收。判断任务是否完成，最终要看外部证据：测试是否通过、数据是否写入正确位置、审批记录是否完整。

对于程序员群体的未来，黄仁勋延续了其供给逻辑：当生产一项数字服务的成本下降，社会不会只满足于原有数量，而是会产生更多此前做不起的需求。具体到个人，样板代码、格式转换和重复调试等工作将更多交由Agent完成，而任务定义、系统设计、评测构建、权限治理和异常处理的重要性将显著上升。

整场访谈拼凑出的工程全景图是：模型负责推理，Harness负责计划、记忆和工具调度，运行时负责隔离与执行，评测与护栏负责判断结果能否交付。黄仁勋所描述的Harness，可能正是下一代软件公司最核心的那层基础设施。当Agent从演示走向生产，企业竞争的核心将从“用了什么模型”转向“能否把自己的业务流程、权限边界和验收标准，稳定地装进一套可迭代、可评测、可追责的系统里”。