最近跟几个做 Agent 的朋友聊，发现大家已经不再追"谁家模型又刷榜了"，反而在聊几个更实在的信号。整理出来，比盯着参数有意思。
第一，多智能体协作终于从"概念"变成"踩坑现场"。开源框架（AutoGen、CrewAI、LangGraph）和大厂都入场了，但真跑起来的人会告诉你：Agent 数量翻倍，效率往往不是翻倍，而是掉进"谁在摸鱼、谁在重复造轮子、谁把上下文撑爆"的坑里。通信开销和任务边界，比模型能力更决定成败。
第二，"决策边界"成了新话题。Agent 能自己下决定到什么程度？哪些必须人工确认？已经有律所开始研究 Agent 自主决策的法律责任。技术上，"人类确认节点"正在变成开发标配——不是不信任 AI，是把风险关进笼子。
第三，垂直行业 Agent 批量冒头。法律合同审查、医疗影像、金融风控……通用模型"懂通用不懂专业"的短板，正在被"行业数据 + 专属 Skill"补齐。对普通人来说，机会不在造通用 Agent，而在选一个你熟的行业深耕。
第四，"Harness 工程"这个词火了。一线团队公开说：决定 Agent 天花板的是 Harness（那层把模型包起来的工程），不是模型本身。上下文管理、工具协议（MCP 普及把接入成本降了八成）、记忆系统——这些才是真正拉开差距的地方。
第五，安全从"选修"变"必修"。Prompt 注入防护、工具权限、输出过滤，已经从论文话题变成生产环境的硬要求。
一句话总结：模型能力已经够用，接下来拼的是工程化、行业 know-how 和决策设计。别只顾着追新模型，把 Harness 和边界设计补上，才是真正拉开差距的地方。
