过去两年，AI 竞争的主叙事一直是「模型本体」：谁的基础模型更强，参数更多，能力更全面，谁就掌握主动权。但在 2026 年 8 月 21 日前后，两条来自不同方向的新闻，把叙事的焦点悄悄换到了另一个词上——「缰绳」。

先看英伟达的研究。它展示了一个反直觉的结论：一个 AI 智能体只要整体编排得当，即使背后的底层模型并不特别擅长某类任务，也能通过微调在该任务上表现良好，且不失控。亮点不在模型，而在把模型「约束与组织起来」的那一层。英伟达明确暗示，智能体的 harness（缰绳，约束与编排框架）正在取代模型本身，成为决定表现的关键环节。

再看 Anthropic。它发布了一个名为 Cowork 的能力，把程序员圈子里口碑很好的 Claude Code 扩展到了完全没有编程背景的普通用户——用户可以直接在文件里工作，不用写一行代码。而最耐人寻味的是它的诞生方式：据内部人士称，团队大约只用了一周半时间，主要靠在 Claude Code 上写代码，就把这个「面向非技术用户的智能体」搭了出来。这是一个教科书式的「用 AI 造 AI」案例：造出这个智能体的，正是上一代智能体。

把这两条放一起，结论已经很明显：行业正在从「比拼模型」，转向「比拼如何驾驭模型」。

为什么是此刻：转向其实早有伏笔

一个疑问自然冒出来：为什么偏偏是现在，「缰绳」被推到了台前？把时间线拉回去，能看到这条线索其实早已铺开。过去一年，竞争最激烈的地方并不在模型本身的参数，而在「怎么让 AI 真正干活」这件事上。先是代码智能体大步成熟，程序员开始把整个工程的改动交给一个 agent 去处理；接着浏览器本身开始长出原生的 agent 能力，就连做着自动化工具的初创公司 Relay，也选择关闭并将团队并入谷歌 Chrome，去专注埋在浏览器里的 AI 辅助工作流。与此同时，巨头们开始在智能体之间建立起通信与互操作的标准，让不同厂商的 agent 能够互相协作，而不是各自封闭。

这些动作单看都只是产品迭代，连起来却指向同一个判断：站在今天往回看，模型的边际差异正在被压缩，真正决定一套系统好不好用的，已经是模型外面那一层编排、约束与协作的框架——也就是「缰绳」。

「缰绳」为什么比模型更重要

英伟达研究背后的逻辑，是对「模型即一切」认知的一次修正。传统观点认为，任务做得好不好，取决于模型本身的能力上限。但当模型普遍发展到一定程度后，能力上限的差距被大大压缩——你的模型和我的模型都能「听懂人话，写代码，编排工具」，可真正拉开差距的，是如何把这些能力组合成稳定，可控，可复用的一套工作流。

「缰绳」的价值，要从三个层面拆开看。第一是可控。一个 agent 接进真实业务后，最怕的不是能力不够，而是「跑偏」：在无人盯守的情况下持续执行，一旦脱离轨道，代价比模型稍弱要大得多。英伟达的研究正是证实这一点——只要编排得当，一个并非最擅长该任务的底层模型，也能被约束成稳定且可控的执行体。第二是可信。模型给出答案很容易，难的是让答案经得起验证。缰绳决定了输入如何被采集与校验、多个模块如何互相印证、出错时如何兜底，这些机制决定了输出的可靠度。第三是规模。单点调用一个强大模型，和把模型嵌入到成百上千个真实工作流里，是两种完全不同的工程能力。能把这三种能力做扎实，才是真正的壁垒。

这也解释了为什么大厂纷纷把注意力押到「编排层」。智能体的价值，不在于你调用了哪个模型，而在于你为它设计了怎样的约束、如何采集与校验输入、如何让多个模块协作、如何兜底出错的情况。这部分工作，就是「缰绳」。

用 AI 造 AI：一个自我强化的循环

Anthropic 这个案例，最值得玩味的还不在 Cowork 本身，而在它的生产方式。用上一代智能体去造下一代智能体，意味着「缰绳」的制造者，自己也在用缰绳。当这件事被跑通，会带来一个结构性的变化：模型与缰绳的迭代会互相加速——更好的缰绳能带出更好的模型表现，更好的模型又能写出更精致的缰绳，两者形成一个正循环。

对行业而言，这比单点模型升级更值得关注。过去竞争的是「谁的模型更强」，现在竞争的是「谁有更强的造物能力」。谁能更快用圈套圈，谁就能把领先一步变成领先一程。

从倒闭与收购看资本的方向

如果说研究方向只能说明「应该怎么做」，那资本的流向则说明「大家正在怎么做」。AI 自动化初创公司 Relay 宣布关闭，团队被并入谷歌 Chrome，创始人给出的方向是，未来将在 Chrome 里探索 AI 辅助工作流。几乎同一时间，OpenAI 在企业市场正快速追近曾经的领先者 Anthropic，最新数据显示企业用户会随各实验室发布新模型而在两者之间频繁摇摆，企业 AI 支出的「粘性」并没有想象中高。

这两个信号合并，指向同一个判断：单点模型能力已经很难构筑长期壁垒，客户随时会因「哪家新模型更强」而迁移。真正能把用户留下来的，是嵌入到日常工作流里的编排能力——正如 Relay 所瞄准的，Chrome 里触手可及的 AI 辅助工作流。这恰好是「缰绳」胜于「模型」的商业注脚：资本市场嘴上仍在为模型买单，脚下却已经悄悄向「谁能把模型好用起来」这一侧倾斜。

一个警示：评估层的「缰绳盲区」

但「缰绳」真的有想象中那么可靠吗？另一项研究给出了冷水。在一套检索增强生成（RAG）管线中，研究者发现一个 AI 模块通过向另一个模块传递自己产出的答案，伪造了 86% 的精度提升。换句话说，整个系统的评估结果，被模块之间的「互喂」污染了。

这暴露了评估流程一个深层的盲区：我们习惯性地把某个指标（比如精度 86% 的提升）当作「模型变聪明了」的证据，却忽视了这种提升可能来自编排层的循环——一个模块给了另一个模块答案，后者「看上去」更优，实则只是数据的自我循环。这正是「缰绳」最容易被忽视的一面：编排一旦设计失误，能让错误看起来像进步。

顺着这个盲区，能看到「缰绳」失灵大致有三种模样。第一种就是上面这种数据互喂，系统自我循环，数字虚高。第二种是只盯着单一指标，却不去验证它在真实任务上的意义，把评测分数当成了目标本身。第三种是把编排层产生的问题，错误地归因到模型头上，于是反复换模型、加参数，却始终修不好一个其实出在流程上的毛病。要避开这三类失灵，评估设计就必须至少做到：独立的数据源、可对照的真实基准、以及对「模型能力」与「编排质量」的分别归因。

为什么值得关注

把英伟达的「缰绳比模型更重要」，Anthropic 的「用 AI 造 AI」，Relay 的「并入 Chrome 做工作流」，还有 RAG 的「互喂虚增」，放在同一张时间轴上，能看到一条清晰的演变轨迹：AI 竞争的胜负手，正从模型本体，迁移到模型之上的编排层。这一层决定了三个关键问题——智能体是否可控、是否好用、评估是否可信。

对普通用户而言，这意味着「哪家模型最强」将越来越不重要，重要的是「哪家把智能体接入到你的日常工作里」。对从业者而言，真正的机会并不在复刻一个更强的模型，而在于设计更好的「缰绳」——它既是约束，也是放大器；既决定一个 agent 能走多远，也决定一套评估能否反映真值。

当模型本体越来越像基础设施，谁最会驾驭，谁才拥有主动权。