把 Agent 拆成「快脑」和「慢脑」:开源项目 Agnes 让决策快 14 倍,成本只剩 1/27
想象你是一家工厂的老板。模型一个比一个强,Demo 一个比一个漂亮,可真正把 AI 放进车间,账…
文章目录
想象你是一家工厂的老板。模型一个比一个强,Demo 一个比一个漂亮,可真正把 AI 放进车间,账单一拉,你就笑不出来了:一条产线一天要调用几万次大模型,每一次都在烧钱;更要命的是,同一个错误它今天犯、明天还犯,第 100 次执行和第一次几乎一模一样。

一分钟速览
- Agnes Harness 采用 Apache 2.0 协议开源,GitHub 已收获 2.1k Star,允许商用
- 核心是「Sys1 双系统决策」:复杂推理交给大模型,高频操作交给 9B 的 Agnes Sys1.0
- 在家庭漏水判断任务中,大模型平均思考 7.6 秒,Agnes Sys1.0 只需 0.53 秒,快 14.3 倍
- 单次决策成本从约 0.00247 美元降到约 0.000091 美元,约为原来的 1/27
- TTT 测试时训练 + RSI 递归自我改进,让 Agent 既适应新任务,又能沉淀经验
为什么 Agent 又慢又贵
很多 Agent 之所以慢,不是模型不够强,恰恰是因为它太能干——什么活都往它身上塞。判断「下一步该调哪个工具」「要不要继续等待」这种高频、明确的操作,本来不需要完整跑一次大模型推理,却偏偏每一次都要跑。
Agnes Harness 的做法是分工。需要复杂推理的部分继续交给大语言模型,扮演 System 2;而那些重复性强的决策,交给专门训练的 9B 决策模型 Agnes Sys1.0,扮演 System 1。它通过插件接入,专门回答三个问题:调用哪个工具、继续等还是立刻执行、拿不准时要不要请大模型出场。
14 倍速度,1/27 成本
官方给出的两组数据很直观。在一项模拟家庭漏水的任务里,判断下一步该干什么,大模型平均需要 7.6 秒,Agnes Sys1.0 只需要 0.53 秒,速度是前者的 14.3 倍。
成本差距更夸张。在行李房任务中(完成物品称重、竖直摆放和暂存),双方各完成 100 次判断,在线大模型的单次调用成本约为 0.00247 美元,Agnes Sys1.0 约为 0.000091 美元,算下来单次决策成本只有约 1/27。
把两个系统组合起来,效果并不是简单的叠加。Agnes Harness 让一只机器狗在仿真环境里完成「找到门并穿过去」的任务,相比每一步都调用大模型的方式,整体任务耗时缩短了 32.9%。
学完就忘,是设计而不是缺陷
速度上来了,新问题随之而来:今天换台设备、明天接个新任务,9B 的 Sys1.0 没见过怎么办?总不能每次来新活就重新训练一遍。
Agnes 的答案是 TTT(测试时训练)。模型先看新任务要干什么,自己出几道有标准答案的练习题,做完之后根据结果调整判断方式。整个过程不动 9B 模型的主体参数,只微调末端一小部分负责校准的参数。
有意思的是它的设定:学完就清空。原因是怕学串——今天操作 A 设备、明天操作 B 设备,如果每次都把学到的东西塞进模型,时间一长必然互相打架。所以每次只针对眼前任务临时调整,干完恢复原样。
参数可以恢复,经验不能丢。这就轮到「双层自进化」的另一半:RSI(递归自我改进)。每次任务结束,系统会把执行过程复盘一遍,找出反复报错的环节、最耽误时间的步骤,再调整 Prompt、Memory、Skills 和 Subagent 的配合方式。发现更好的方法后,先在当前任务里验证,确认有效才整理成版本化的 Playbook,留给后续任务复用。
实测案例是一个设备入库验收任务:第一次,Agent 在称重台还没稳定时就急着读数,操作顺序也没排明白,折腾 30 分钟最终超时;RSI 把坑记了下来,第二次直接按验证过的流程走,不到 8 分钟完成。
从屏幕里走出来
Agent 在屏幕里练得再熟,到了工厂现场也不能靠鼠标拧螺丝。Agnes Harness 给出的连接方式是插件化:业务工具、模型适配器、工作流、Skills 甚至操作界面都能封装成插件,已有的业务系统可以通过 MCP 直接接入。
硬件部分则定义了一套 MHS(Model Hardware Standard,模型硬件标准)。设备接入后先按统一格式「报家门」:当前是什么状态、能执行哪些动作、能返回什么数据;至于先调用谁、后调用谁、任务怎么拆,交给 Haystack 统一安排。官方还做了一个火星救援 Demo:Agent 接到任务后先派搜索设备找人,再协调机器人和气闸,把人安全带回基地。
安全边界也划得很清楚:Agnes 负责任务编排,实时控制和物理安全仍由设备控制器负责。
成绩单与现实
官方公布了一份覆盖 9 项基准的阶段性自评:6 项拿下对照组第一,另有 1 项与 Codex 并列第一。其中考验复杂任务规划的 DeepPlanning 拿到 87.07 分,复杂代码基准 BigCodeBench-Hard V1 通过率 40.69%。
当然,自评成绩只能当参考。更值得看的是它想解决的那个真实痛点:有 SaaS 从业者每月收客户 400 美元,却被报错的 Agent 在不到 6 小时里重试 3.1 万次,一夜烧掉 4700 美元 Token;也有公司高管坦言已经裁掉一半 Agent,因为盯着 AI 干活的时间比它省下的还多。
趋势洞察
Agent 落地这两年,行业共识正在悄悄转变:从「能不能做」转向「划不划算」。当一个 Agent 完成前 80% 的任务像魔法、最后 20% 却要调试四小时,商业模式就站不住了。Agnes Harness 的思路——用小模型接管高频决策、用测试时训练适应新场景、用复盘沉淀经验——本质上是在把 Agent 从「每次都从零开始的临时工」,变成「越干越熟练的老师傅」。
这条路能不能走通,还要看真实场景的检验。但至少它指出了一个方向:下一代 Agent 的竞争,可能不在参数规模,而在工程效率。
本文地址:https://www.163264.com/22141


