26 分钟不谈 GPU黄仁勋在怕什么黄仁勋最新一次公开访谈全程没提 GPU、算力或新模型参数。他和 LangChain 创始人 Harrison Chase 聊了 26 分钟只谈一件事当 Agent 开始真正替人调用工具、执行流程企业该把工程资源放在哪里他认为要少写重复代码多造能把事情做完的 Agent。他把写代码类比成打字写出一段 Python 重要但不再等于完成一个 Agent 系统。工程师还要决定 Agent 能看见什么、能调用什么、失败后怎么恢复以及输出由谁验收。生成代码只解决“写出来”Agent 工程还要解决“跑得动、做得对、出错能停、过程可追溯”。Harness模型外面那层被忽视的“工作台”黄仁勋反复提“ Harness ”它包括 Prompt、工具说明、记忆、上下文管理、任务拆分、重试、评测和权限控制。模型负责推理Harness 负责把推理组织成可以验收的工作。LangChain 让 Nemotron 3 Ultra 运行 Deep Agents 评测没重新训练模型权重只调整系统 Prompt、工具描述和中间件。结果评测成绩从原始状态追到 0.86最高分闭源模型为 0.87差距只有 0.01单次评测成本从 43.48 美元降到 4.48 美元便宜了近 10 倍。这表明同一个模型放进不同 Harness能力释放程度不同。对开发团队来说执行轨迹像测试日志一样重要长期积累的相关内容会变成公司的 Agent 工程资产。便宜 10 倍改变的不是账单是开发方法黄仁勋说成本下降会改变开发方法而不只是让相同的事更便宜。Agent 完成任务要多轮推理、调用多个工具还可能并行尝试不同路径。成本高时团队会减少评测和探索成本下降后带来“多试”“常测”“多部署”的能力。合理推演是当开放模型的 Harness 调优成本足够低企业会“先用前沿模型探路再把高频任务专门化”。真正拉开差距的是公司自己的工具说明、业务词汇、权限边界、历史轨迹和验收数据它们决定 Agent 是否理解这家公司。公司未来建在 Harness 上但密钥不能直接交给 Agent黄仁勋判断未来的公司会把越来越多能力建在 Harness 上。过去企业把流程写进 ERP、CRM 和固定审批规则Agent 时代部分流程会变成“给定目标、工具、权限和验收标准再让系统规划路径”Harness 是承接业务规则的新容器。这也解释了开放栈被强调的原因。但 Agent 有行动能力NemoClaw 蓝图把 Deep Agents Code、Nemotron 3 Ultra 与 OpenShell 运行时组合起来模型负责推理Harness 负责组织任务OpenShell 把代码执行放进沙箱并施加策略。黄仁勋认为 Agent 不应直接拿到长期密钥运行时应根据任务和策略临时注入权限。工程实现要回答四个问题它以谁的身份行动哪些命令可以执行失败后如何停止或回滚谁能复盘完整轨迹。没有边界Agent 能力越强风险敞口越大。别把 Agent 当同事它首先是受控软件Harrison Chase 问当 Agent 用自然语言协作、表现得像人该在多大程度上把它拟人化。黄仁勋回答自然语言让交互更顺畅但不应模糊责任边界。判断 Agent 是否完成任务要看外部证据拟人化可帮助理解协作关系但工程管理要去人格化。社区传闻部分企业尝试让 Agent 拥有“虚拟员工编号”和“汇报关系”但目前仍在实验阶段未形成行业共识。程序员的工作清单正在重排黄仁勋对就业问题的判断延续供给逻辑生产数字服务成本下降会产生更多需求。对程序员而言工作清单会重排样板代码、格式转换和重复调试会更多交给 Agent任务定义、系统设计、评测构建、权限治理和异常处理会更重要。软件供给扩大后新工作会从“亲手完成每一步”转向“设计一套能持续完成任务的系统”个人是否受益取决于能否跨过职责迁移。最后缺的不是模型是一整套 Agent 栈把黄仁勋的访谈拼成工程全景图模型负责推理Harness 负责计划、记忆和工具运行时负责隔离与执行Evals 和 Guardrails 负责判断结果能否交付。少任何一层Agent 可能只停在演示阶段。团队实施顺序是先用真实任务建立评测再让模型和 Harness 跑起来随后补足沙箱、身份、日志和人工接管最后讨论规模化部署与成本优化。企业真正需要长期经营的是模型周围的工程环境Harness 可能是下一代软件公司最核心的基础设施。结语黄仁勋这次访谈把讨论从“哪个模型更强”拉回到“系统怎么搭”。LangChain 的评测数据显示差距不在模型在 Harness。当 Agent 从 Demo 走向生产企业竞争核心会转向能否把业务流程、权限边界和验收标准装进可迭代、可评测、可追责的系统Harness 就是那个容器谁先建好它谁能让 Agent 真正入职。