国产智能体刷新OSWorld全球纪录：90.2%背后的Harness工程化突围

2026年7月27日，国内人工智能企业实在智能宣布，其智能体产品"实在Agent"在计算机操作智能体权威基准OSWorld中取得90.2%的成功率，位列总榜与Agentic Framework分榜双榜首。据公开可查的OSWorld榜单，此前最高分数为83.6%，这是该榜单首次突破90%大关。

OSWorld由香港大学、卡内基梅隆大学、滑铁卢大学等机构于2024年在NeurIPS发表，通过在真实操作系统中部署Chromium、LibreOffice、GIMP、VS Code等真实应用程序，由机器自动判定智能体是否完成任务。

各大厂在发布旗舰模型时几乎都会引用OSWorld成绩。例如OpenAI发布GPT-5.4时强调“首次超越人类”，Google发布Gemini 3.6 Flash时强调“83%全场最高分”，Anthropic发布Claude Sonnet 5时强调“81.2%”。

01 Harness工程化：被低估的"登顶密码"

智能体领域近年来形成的一个核心共识是：Agent = Model + Harness。模型是"大脑"，负责推理与决策；Harness是包裹模型的"身体与工作环境"，是引导大模型执行任务并确保稳定运行的完整工程框架——简单来说，除了模型本身以外，所有让智能体不跑偏、可落地、能自愈的东西，都属于Harness。

这个等式背后是一条清晰的工程规律：模型决定天花板，Harness决定能不能落地。有工程案例显示，在相同模型、相同提示词的前提下，仅通过优化任务拆解、状态管理、步骤验证、失败恢复等Harness环节，任务成功率就能从70%以下提升到95%以上。

更极端的例子是Pi Research的受控实验：仅仅改变Harness传递给模型的编辑工具格式，某模型在代码基准上的成功率就从6.7%飙升至68.3%，实现近10倍增长；Vercel团队则发现，通过Harness强管控将模型可用工具从15个裁到2个，任务准确率反而从80%提升到100%。Anthropic在《Demystifying evals for AI agents》工程博客中明确："当我们评估一个智能体时，我们评估的是harness和model一起工作"——这意味着任何基准分数都内含了harness的工程贡献。

行业研究进一步提出"约束条件假说"：在长时序、多步骤的实际任务中，决定系统最终可靠性的瓶颈已经不再是模型本身，而是包围在模型外部的Harness基础设施。一个成熟的Harness必须具备六大闭环能力：

● 上下文管理：动态供给信息，避免上下文窗口过载导致推理质量下滑

● 工具系统：按需调用、最小权限暴露，避免工具过多引发混乱调用

● 执行编排：目标理解→信息补全→分析→输出→校验→纠正/重试的任务导轨

● 记忆与状态管理：任务状态、会话中间结果、长期记忆三者分离，避免系统混沌

● 评估与观测：输出验收、环境验证、日志追踪、错误归因，让系统"知道自己对不对"

● 约束验证与失败恢复：明确能/不能做什么，输出前后双重校验，重试/换路径/回滚到稳定态

这些能力在工业界已有成熟实践。Replit Agent生成代码后必须等待人类确认才能部署，这是典型的人在回路设计；Claude Code的Harness精确控制模型能执行的文件及系统操作范围；LangChain在Terminal Bench 2.0中引入自我验证回路，明确要求"你的工作将被程序化测试验证"，并依赖LangSmith追踪系统记录每次行动、分析失败模式分布，再通过迭代优化针对高频失败点进行修复。

作为自2018年起深耕Computer-Use赛道的厂商，实在智能将八年积累的操作系统交互经验、异常处理机制、真实桌面环境数据，沉淀为一套成熟的Harness工程体系，形成"手脑一体"架构。

● 多模态感知与执行闭环：在执行侧，实在Agent形成了"API优先、GUI兜底"的混合调度能力——当API能跑通就走API，跑不通就切到GUI像素级操作，兼容跨应用、跨系统的长链路任务流转。这种"工具系统+执行编排"的一体化设计，正是Harness工程中最硬核的部分。

● 长链路状态与记忆管理：在跨应用工作流中维持任务级状态，应对需要连续穿梭多个软件的五六步流程，对应Harness中"记忆与状态管理"的核心职责

● 安全与治理层：权限校验、操作审计、异常中断与回滚机制，对应Harness中"约束验证与失败恢复"的职责。实在Agent已实现全链路操作留痕——操作动作、决策逻辑、异常处理三个维度自动记录，每一步都有时间戳和截屏，满足审计追溯要求；同时支持全栈私有化部署，数据不出机房

● 多模型路由：兼容豆包、Qwen、DeepSeek等主流大模型，支持端侧轻量模型与云端VLM混合调度，体现Harness"可拆卸性"原则——模型可插拔，工程底座不变

● 全流程工具链闭环：形成"设计器开发—运营平台管控—机器人执行—运维监控优化"的全链路工具链，对应Harness中的"评估与观测"体系

Stanford、清华等机构的研究显示，在同一底层模型前提下，仅改进Harness工程设计，OSWorld等基准上的性能差距可达6-17个百分点。中移智库在2026年的研判更为直白："2025年人们证明了AI Agent'可以工作'；2026年，人们要通过Agent Harness让AI Agent'可靠工作'"。这意味着，实在Agent的90.2%不仅是一个基准分数，更是Harness工程化能力成熟度的外显——它标志着智能体竞争的焦点，正从"模型参数"转向"Harness工程化 + 真实场景数据"。

02 从"榜单高分"到"生产力落地"的产业命题

在OSWorld的评测语境中，参赛者可分为三类技术路线：通用模型（General model）具备广泛的通用能力，"操作电脑"只是通过提示词激发的诸多能力之一，它本身仍能胜任对话、代码生成等其他任务；专用模型（Specialized model）则是专门针对"计算机操作智能体"这一角色训练而成，其他能力不在其设计重点之内；智能体框架（Agentic framework）则将至少一个通用模型和/或专用模型组织为结构化的工作流——常见形态是以GPT系列模型担任"规划器"，由专有或任务专用的模型担任"定位器"，分工协作完成复杂任务。

实在Agent提交的正是Agentic Framework，在OSWorld 361个实战课题中，实在Agent拿下325.59分。其中跨应用协同（multi_apps）93个任务获78.81分，领先第二名近10个百分点；GIMP图像处理26题拿下24题（成功率92.3%）；系统底层操作（os）24个任务实现零失误满分。在日常高频场景中，Calc（46.0/47）、Impress（42.96/47）、Writer（22.0/23）、VS Code（22.0/23）、VLC（16.89/17）、Thunderbird（13.0/15）等均保持高完成度，构成了稳定的技术基本盘。

这意味着，在不依赖专门训练模型的前提下，仅通过架构与工程创新，智能体框架+通用模型同样能达到世界级水平。

我们注意到，OSWorld的361个任务以短周期、单应用或简单跨应用任务为主。在当前公开的榜单上，仅有排名前列的13个项目突破了人类整体成功率基线（72.36%）。

这组数据揭示了一个不争的事实：90.2%是智能体在"计算机驾照考试"中的高分，但真实企业的财务、HR、供应链场景里，还充斥着软件版本更新、随机广告弹窗、系统通知抖动、网络延迟卡顿等非标准干扰。

实在Agent接下来的工程焦点，是从90.2%向工业级99.99%可靠性跨越——通过人机协同与安全断路器机制，在涉及高风险操作时自动提权确认，并提供操作撤销与回滚能力。

相关分析指出，当前国内AI智能体产业已进入"重场景、看实效"的深耕期。在"Model + Harness"双轮结构中，Harness工程化——即对真实业务场景的长期沉淀、操作数据积累与工程化迭代——正在成为决定智能体"能不能真干活"的核心变量。这对于具备自动化背景、拥有大量企业客户与真实桌面操作数据的国产厂商而言，是一个结构性优势窗口。

实在Agent目前已服务超6000家企业客户，其中90%为世界500强、央国企、上市企业和地方龙头，覆盖跨境、制造业、能源、交通航空、医药、零售电商等行业。海量真实桌面环境的操作数据与异常处理机制，正是Harness工程迭代最宝贵的原材料。

从产业格局看，实在Agent的90.2%成绩，是国产智能体在"计算机使用"这一特定赛道上的一次标志性突破。它释放出的核心信号是：智能体竞争的焦点，正从"模型参数"转向"Harness工程化 + 真实场景数据"。模型能力逐渐同质化的当下，谁能把模型"驯化"为可靠的生产力，谁就掌握了下一阶段的主导权。