模型是大腦，Harness 是身體：黃仁勳在 GTC 說的 2026 最關鍵 AI 工程概念

黃仁勳在 GTC Taipei 2026 的 keynote 裡，用一句話重新定義了 AI agent 的架構：

"The model thinks. The harness gives it form. Tools and skills let it act. And the runtime gives the agent a place to get work done."

這不是比喻，是架構定義。如果你還不知道 harness 是什麼，這篇文章值得你花 10 分鐘讀完——因為這可能是 2026 年對工程師來說最值得投資的一個認知升級。

一個工坊比喻，解釋了 AI agent 的整個架構

黃仁勳在 GTC Taipei 2026 的 keynote（2026 年 6 月 1 日）裡，用一個工坊的比喻把 AI agent 拆解得一清二楚：

"You can think of the model as the brain, the harness as the body, and the tools it uses working in a runtime. Think of it as a workshop."

中文翻譯：你可以把模型想成大腦，把harness 想成身體，工具在 runtime 這個工坊裡運作。

這個比喻聽起來簡單，但背後藏著一個核心論點：光有大腦還不夠，你需要一具能讓大腦行動的身體。

過去兩年，大家花了太多時間比較模型——Claude vs GPT、Gemini vs Llama，誰的 benchmark 高、誰的推理更準。但黃仁勳的工坊比喻直接跳過了這個問題，指向更根本的一層：模型能不能在現實世界做有用的事，取決於圍繞它的那個系統。

那個系統，就叫做 harness。

Harness 的四層架構

NVIDIA 在 GTC Taipei 同期發布的新聞稿裡，給了 harness 一個正式定義：

"They require a software layer called a harness to turn the model into an agent with functions like orchestration, context, memory, tool use and security."

把這個定義展開，harness 包含四個核心功能層：

flowchart TD
    M["🧠 Model / LLM\n（大腦：負責推理與生成）"]
    H["⚙️ Harness\n（身體）"]
    O["📋 Orchestration\n協調多 agent 的任務流程"]
    C["🗂️ Context & Memory\n跨 session 保留記憶與上下文"]
    T["🛠️ Tool Use\n接入外部工具與 API"]
    S["🔒 Security\n存取控制與政策執行"]
    R["🏭 Runtime\n（工坊：agent 做事的場所）"]

    M --> H
    H --> O
    H --> C
    H --> T
    H --> S
    O --> R
    C --> R
    T --> R
    S --> R

用人體比喻來說：

一個大腦（模型）可以想很多，但沒有身體（harness），它只能「想」，不能「做」。這就是為什麼現在市面上的 AI demo 看起來很厲害，但真正落地到生產環境時經常出問題——大多數問題不在模型，而在 harness 設計得不好。

為什麼 2026 年 Harness 比模型更重要

沒有大學教 harness engineering，沒有 bootcamp 教 agent memory 架構，也沒有任何學位能讓你準備好設計一個能在 production 撐一個月的系統——但這偏偏是 2026 年最值錢的工程能力。

為什麼這件事現在突然變重要了？

原因很簡單：模型能力正在商品化。

Claude、GPT、Gemini、Llama 在主流任務上的能力差距正在快速縮小。你今天選哪個模型，三個月後可能就不重要了，因為它們都會變得夠好。在這個前提下，競爭優勢的來源就從「你用哪個模型」，轉移到了「你用什麼 harness 把模型和你的業務系統接在一起」。

換句話說：模型是商品，harness 才是護城河。

這對不同角色的含義不一樣：

對工程師： 你的工作不再只是呼叫 API、貼結果。你的工作是設計 harness——決定 agent 的記憶怎麼存、任務怎麼拆、工具怎麼接、錯誤怎麼回收。這是系統設計，不是提示詞工程。

對創業者： 你真正需要差異化的地方，不是「我用比較強的模型」，而是「我的 harness 跟你的業務流程咬合得更深、更穩定、更能在 production 跑一個月不崩」。

對獨立開發者： 你現在能做的最有價值的事，是把一個具體的業務流程——研究、客服、數據整理、內容生成——用 harness 包起來，讓它能在沒有人工監督的情況下跑完。這才是真正的產品，不是 demo。

Harness engineering 的本質是一個信念：agent 失敗不是模型的問題，是系統設計的問題。

NVIDIA 在做什麼

NVIDIA 在 GTC Taipei 發布的 NemoClaw 和 Agent Toolkit，正是在做 harness 層的標準化：

• NemoClaw：連接主流 harness 框架的開放模型集合
• OpenShell：設定政策與隱私控制的安全 runtime
• CUDA-X Skills：讓 agent 可以直接呼叫 GPU 加速函式庫作為技能

這不是硬體公司做軟體的副業，而是 NVIDIA 意識到：光賣 GPU 不夠，你得讓 agent 跑得起來、跑得穩、跑得安全——這才是 AI factory 的完整定義。

如果你要在本地端跑 harness 開發環境，需要一塊夠用的顯卡。麗臺 RTX PRO 4000 Blackwell 24GB VRAM 對跑量化版本的 70B 模型剛好夠，是目前 CP 值最高的本地 harness 開發選擇之一。

你現在可以做什麼

五個具體行動，從今天開始：

1. 審視你現有的 AI workflow，找出哪些是「harness 缺失」 你現在用 Claude / GPT 做事的方式，有多少是每次都重新給 context？這就是記憶層缺失。有多少是你手動複製輸出去另一個工具？這就是工具接入層缺失。把這些點列出來，那就是你的 harness roadmap。

2. 為你的 agent 寫一份 AGENTS.md 就像 CLAUDE.md 是給 AI 讀的 codebase 說明書，AGENTS.md 是給你的 harness 讀的系統說明——告訴 agent 你的 workflow 是什麼、工具怎麼用、不能做什麼。這是最低成本的 harness 投資。

3. 把一個重複性任務設計成能跑一週不壞的 agent 不是 demo，是 production。選一個你每週都要做的事（市場研究、客服分類、內容摘要），把它設計成能在沒有你監督的情況下跑完，並且錯了能自動回收。跑一週，觀察哪裡壞。這就是 harness engineering 的實戰練習。

4. 學 orchestration 框架 LangGraph、AutoGen、或 NVIDIA 的 NemoClaw 都是成熟的 harness orchestration 工具。選一個，做一個兩個 agent 協作的 toy project。你會在這個過程中理解 harness 最難的部分：context 傳遞和任務邊界。

5. 把安全邊界設計進去，不要事後補 Harness 失控最常見的方式是 agent 有權限做不應該做的事。從設計 harness 的第一天就決定：這個 agent 能讀哪些資料、能呼叫哪些 API、不能修改什麼。OpenShell 這類工具的存在，就是為了讓你把這些邊界設計成不依賴 prompt 的硬性約束。

留一個問題給你思考：你現在最常用 AI 做的那件事，如果要把它設計成一個能跑一個月不壞的 harness，你會從哪裡開始？

歡迎在 Threads 或 X 上找我聊。