ARTICLE · 人工智能
MiniMax 怎么做 Agent：Model-Harness 协同只是第一步，还有 Inference-Harness 协同
一语总结本文分享 MiniMax 构建 Agent 的实践经验，提出通过 Model-Harness 和 Inference-Harness 的协同设计，构建从训练到服务的递归自我改进闭环。
文章基于 MiniMax DevRel 负责人的演讲，探讨了模型公司在开发 Agent 时的独特竞争优势。MiniMax 经历了从内部「Agent 实习生」到桌面应用 MiniMax Code 的演进，核心逻辑在于建立一个训练-服务的闭环：利用 Agent 辅助模型研发（写算法、优化 kernel），并通过自研 Harness 收集真实用户行为数据转化为训练信号（Gyms）反哺模型。文章重点提出了「Inference-Harness co-design」概念，解释了自研 Harness 如何通过优化 Prompt 和工具调用模式来提升推理端的缓存命中率与调度效率，从而降低成本并提升性能，最终认为 AGI 是一个递归自我改进的闭环系统而非单一模型。
- 构建「训练-服务-数据」的闭环飞轮。
通过自研 Harness 将真实用户在复杂工作流中的行为转化为可重复、可打分的 Gyms，作为强化学习的信号，使模型在真实世界场景中持续进化。
- 实现 Inference-Harness 协同设计以优化推理效率。
通过控制 Harness 端的 System Prompt 和工具调用模式，使推理需求更可预测，从而提高缓存命中率并降低 token 消耗，这是第三方 Harness 无法实现的工程优势。
- 利用 Agent 实现研发流程的递归自我改进。
模型（如 M2.7）编写 Agent 代码，由 Agent 执行实验运行与分析，将研究员从繁琐的调试中解放，提升假设验证的并行度。
- 重新定义 AGI 为一个闭环系统。
AGI 可能不是某个特定的模型权重（checkpoint），而是一个涵盖训练、服务、数据收集并能自主运转的递归自我改进系统。
MiniMax 怎么做 Agent：Model-Harness 协同只是第一步，还有 Inference-Harness 协同
文章基于 MiniMax DevRel 负责人的演讲，探讨了模型公司在开发 Agent 时的独特竞争优势。MiniMax 经历了从内部「Agent 实习生」到桌面应用 MiniMax Code 的演进，核心逻辑在于建立一个训练-服务的闭环：利用 Agent 辅助模型研发（写算法、优化 kernel），并通过自研 Harness 收集真实用户行为数据转化为训练信号（Gyms）反哺模型。文章重点提出了「Inference-Harness co-design」概念，解释了自研 Harness 如何通过优化 Prompt 和工具调用模式来提升推理端的缓存命中率与调度效率，从而降低成本并提升性能，最终认为 AGI 是一个递归自我改进的闭环系统而非单一模型。
文章金句
"AGI 可能不是某个特定的模型 checkpoint，而是整个闭环的递归自我改进系统。
"模型公司做 Agent 独特的优势在于：它能把 agent harness 和模型推理放在同一个团队里协同设计。
"Agent 不是模型的附属品，是连接训练和服务、连接实验室和真实世界的那根轴。