在 Gamma 输入一句把笔记做成二十页演示文稿，背后是一分钟内十几个模型来回上百次调用。联合创始人 Jon Noronha 拆解 agent harness：为什么好不好看没法打分，护城河是模型还是外面那层工程，这个方向还剩下哪些空位。

你有没有想过，在 Gamma 里输入一句“帮我把这些笔记做成 20 页的演示文稿”，后面到底发生了什么？答案不是某一个模型接过去写完，而是在大约一分钟里，十几个不同的模型被叫起来，来回干了上百次活，最后才把一份成品交到你手上。

这是 Gamma 联合创始人兼首席产品官 Jon Noronha 在 Greg Isenberg 的 The Startup Ideas Podcast 里讲的。Gamma 是一个做演示文稿、文档、网页和社交图片的 AI 工具，2020 年成立，2023 年开始火起来，据 Greg 说年收入已经到了一亿美元。今年它把整个产品重做成了一个 agent（智能体）。Jon 把这件事拆开给大家看：agent harness 到底是什么，一份演示文稿背后有多少步，为什么“好不好看”没法靠打分来判断，以及这个方向上还有哪些空位。我挑了其中我觉得最有用的几条线，每一节先讲他的做法和想法，再写我自己的判断。

agent harness 是什么，看 Claude Code 就能明白

要说清楚 harness，得先把这个词拆成两半。agent 指的是一个更高层的循环：让大模型自己去干活，检查自己干得对不对，需要的时候调用工具，一轮一轮做下去，直到做出结果。早年的 AI 产品不是这样的。Gamma 最早只是一次一次单独调用模型，让它写一页幻灯片，或者列一份大纲，再由工程师手工把这些调用串成固定的流程，比如“生成一份 10 页的演示文稿”。这一两年最大的变化，是最强的 AI 产品都不再手工串了，而是让一个模型在循环里自己安排步骤。

harness 原意是马具，这里指 agent 干活时用到的全部工具：在环境里执行操作的工具，检查自己成果的工具，还有向用户问清楚偏好的工具。Jon 举的例子是 Claude Code。它是一个写代码的 harness，教 agent 怎么翻遍你电脑里的文件，怎么跑测试，还用规则约束它，比如某些情况下先进入计划模式，改完代码要把测试跑一遍。Gamma 不写代码，它是一个做创意的 harness，所以教给 agent 的东西不一样：要懂你的审美，要帮你理出一个故事，生成图片以后还要知道图片摆上去好不好看。

说到这里，绕不开一个说法：harness 是不是新一代的“GPT wrapper”（套壳产品）。Greg 的看法是，harness 就是新的套壳。Jon 觉得里面有几分道理，但他一直不太认同“套壳”这个叫法，因为它暗示九成的功夫在大模型，外面只是薄薄一层。他的看法正好反过来：各家大模型的核心能力其实很接近，把模型变成产品的那点魔法，几乎都在 harness 里。连 OpenAI 和 Anthropic 自己，也把大量精力花在做 harness 上。

我认为这个反过来的看法很值得想一想。过去讲一个 AI 产品，第一句话总是“它用的是哪个模型”，现在更该问的是“它围着模型搭了什么”。模型变成了可以随时换的零件，Jon 自己就是这么用的，新模型一发布，一小时内就拿去试。真正拉开差距的，是那一整套让模型能把事做完、做对的东西。那么这套东西到底有多重，看 Gamma 一次生成的过程就知道了。

一份演示文稿的背后，有 20 个模型、200 次调用

看一个最常见的情形：用户贴进来一堆乱七八糟的笔记，或者一份 PDF，让 Gamma 做成 20 页的演示文稿。提示一发出去，Gamma 先在云端开一台完整的电脑，这叫 agent sandbox（沙盒），agent 在里面拿到用户的提示、上传的文件和其他背景信息，再逐个任务做下去。

它做的第一件事，往往是弄清楚还缺什么信息。所以你会先看到一个表单，问你几个问题：这份演示文稿是给谁看的，是学校里的教学，还是给成年人，还是工作汇报。必要时它还会去 Notion、Slack、Linear 这些工具里把相关内容拉进来。光是这头十秒，就已经调用了三四个模型，贵的便宜的都有。接着是写大纲，再选模板。Gamma 有几千个不同风格的模板，要用视觉模型判断哪一个适合你，用向量搜索在这几千个里找，你说想要红色或蓝色，还要接着改。到这一步演示文稿还没开始做，已经有三四十次调用、四五个模型。

点下生成以后，写字、排版、做图一起上。Gamma 要生成大量图片，有的只是装饰，有的是图表、示意图和信息图，这些调用是并行跑的，一个一个来，用户早就走了。大约一分钟，整份演示文稿在你眼前流出来，这时候累计大概 100 次调用，用过 10 到 15 个模型。

然后才是最容易被忽略的一段。Gamma 不会直接把初稿给你，而是让一个视觉模型把每一页都看一遍，找毛病：文字没对齐，人物的头被图片切掉了，对比度不对，边距没留好。一页简单的幻灯片里，人眼一下就能看出来的问题多得惊人，还有些问题要设计师的眼睛才看得出来。找出问题以后，系统修一轮，再查，再修，好几轮之后才交给你。前后加起来，大约 20 个模型，200 次调用，到你手上只是一份成品。

最后这套检查还有一个细节：市面上的现成模型做这件事，效果一直不理想，所以 Gamma 开始自己做专门用来判断一页好不好的模型。我从这里看到的是，生成变得便宜以后，难的就是“发现哪里错了”。一次调用就能写出一页幻灯片，但要让 20 页都过得去，靠的是让模型自己挑自己的毛病，再改。这一步，用户看不见，却是做出来的东西能不能直接用的关键。既然这么重，什么样的问题才值得自己搭一个 harness？

什么样的问题，值得自己做一个 harness

如果明天要做一个垂直领域的 agent harness，该从哪里下手？Jon 的经验是，当问题和单纯写代码差别很大的时候，自己做一个 harness 最有价值。差别在两点：第一，这件事很主观，要做很多判断，两个人对“好”的看法会不一样，所以需要人在循环里；第二，用的人在乎输出的细节。

拿游戏来说，很多人在用 Claude Code 做游戏，他看好那种“个人电子游戏”，自己一边说一边让它长出来。写代码的 agent 做游戏已经很强了，但它不擅长去问玩家想让游戏往哪里走。像 Roblox 和 Minecraft 里那样，很多人是在给自己塑造一个世界，而且多半不是程序员。他想象这个 harness 本身就运行在一个 3D 世界里。

要怎么形成自己的优势？Jon 讲了三种。一种是你对世界有一个很独特的看法，而且比别人走得快，别人抄你的时候，抄的是你三个月前的样子。一种是你手里有别人没有的数据，比如你已经有一个成功的平台。第三种他强调了好几次：不一定是软件。软件已经很挤，是个吓人的市场，硬件、实体服务、各种真实世界的生意，都可以把 AI 用进去，比如一个人给你按摩，一家餐厅给你上菜，这里面有真实的价值交换。他说自己是做软件的，对这些不熟，但如果不做软件，他会往这个方向想。至于法律和医疗，已经有很多人在做 harness，他自己今天不会再去做法律方向，因为太挤了。

回到怎么设计的问题，Jon 给了一个很朴素的答案：harness 就是一堆让 agent 完成任务的工具，所以要问的是，哪些独特的工具是我已经有的，或者我能造出来，而且别人还没有的。再往前一步，问问自己，按我的人生经历、我所处的位置、我认识的人，我最适合做什么。

我认为这套问法比“哪个行业有机会”实用得多。行业是别人看得见的，大家会一起涌进去，而工具和经历是你自己的。同样是做一个 agent，懂 HVAC（暖通空调）维修的人知道派单卡在哪里，懂球鞋的人知道什么样的图片会让人觉得是假货，这些细节写进 harness 里，才是别人抄不走的东西。这些细节，很大一部分和“好不好”的判断有关，也就是下面要说的品味。

AI 味到底是什么，为什么靠打分打不出来

品味的反面，是 Jon 这一年一直在用的一个词，叫 AI smell，AI 味。意思是人用 AI 做东西，常常一眼就能看出来。写作上最明显：一封邮件来了，你觉得这个词他平时不会用，也不是他说话的样子。图片上现在也一样，他在旧金山走在街上，每家咖啡馆、每家餐厅贴的海报，他都能认出是 Nano Banana 或者 GPT Image 画的，因为这类东西他每天都在看。而且他觉得，越来越多的普通人也开始认得这种味道了。

Gamma 自己就是这件事的受害者。早期用的人少，你用 Gamma 做出来的东西很出挑，等大家都用了，所有东西都开始长得像 Gamma，没人愿意被认出是用 AI 做的。所以这次大改版的一个核心目标，是把创意风格的范围迅速拉开。Jon 说，AI 味不会消失，但可以有一千种，而不是一种，让用户跳到不同的小圈子里去。他用服装做类比：衣服也有味道，你一眼能认出那件 H&M 的衬衫，现在流行宽松牛仔裤，过阵子又会变回紧身的。人在不同的外观之间循环，工具也要跟上这个循环。为此，Gamma 做了一套自动系统，不断轮换不同的创意外观，Jon 说这本身也是一种 harness。

那能不能做一个“这看起来太普通了”的评测？Jon 先解释了什么是 eval（评测）：可以理解成软件测试，一个写死的问题，加上一种判断答案的办法。比如用户说“做一个关于老虎的演示文稿”，agent 应该先问一句是给孩子看还是给成年人看，因为这是两种完全不同的演示文稿。把很多这样的题凑在一起，就成了一套基准，可以说“B 模型比 A 模型高 3%”。每次大模型公司发新模型，也是拿一堆这样的分数来讲。

但在创意领域，评测遇到了难处。“这个好不好看”带着品味，“这像不像我”带着个人，没有一个客观答案。Gamma 做了一些代替指标，比如你给了品牌规范，它有没有照着做，这是客观问题，可以测。但他们从来不只靠评测。Jon 认为这里藏着一个竞争的角度：创始人真正能带进自己领域的，是品味。你自己知道什么好看，也在和用户聊，用户也有自己的判断。越是没法验证的领域，比如服装，越有空间留给不同的看法。他觉得做服装设计应该有一百个不同的 harness，Nike 的和 Adidas 的就该不一样，因为它们对“好”的理解不同。

对 Gamma 来说，用户五花八门，所以更多靠 A/B 测试，也就是同时跑两个模型或者两套提示，在很大的用户群里看哪个表现更好。他们看的指标有几个：生成以后用户花多少时间修改，会不会分享或者导出，还有没有迹象显示用户投入了时间。他最喜欢的指标是付费，因为这个最难作假，人只有真的觉得有价值才会掏钱。有时也会看一周后、一个月后还有没有人回来，这个慢一些，同样难作假。

我认为这一段的意思是，品味和实验不是对立的，它们是两条腿。品味决定你往哪个方向试，数据告诉你试得对不对。只靠评测，会把一切压成可以打分的东西，做出来的东西越来越像；只靠品味，又没法知道一千个不同的用户到底怎么看。Gamma 的办法是，先有一个明确的看法，再用付费和留存这种难作假的信号去验证它。

站在别人的模型上做产品，怎么做才不吃亏

看法有了，接下来是用什么来搭。Gamma 的东西建在别人的模型上，对创业的人有什么建议？Jon 的回答很干脆：这没什么可羞愧的。Gamma 从一开始就在 Anthropic、OpenAI 和 Google 的模型之间来回换。外面一直有一种声音，说你必须自己训练、自己微调，不然就没有优势。他觉得对早期创业公司来说这不现实。一是训练模型花的钱太多，二是外面的模型一直在变好，他很少想去和这些模型正面竞争。

在他看来，早期最该打的是另一场仗：先攒下真实的用量。有了用量以后，事情会变，Gamma 现在已经在做一些很有收获的微调，用来降低成本，有些地方还能做更多个性化。他们还发现一些大模型做得不好的专门任务，比如前面说的判断一页幻灯片好不好，所以自己在做研究。但这是走到一定阶段以后的事，早期还是用现成的好模型。

至于闭源和开源，Jon 说云端闭源模型被低估了。开源模型有很多关注和热情，但看钱流向哪里，都流向了闭源模型，因为它们真的很好，很多事已经替你做好了。对做应用的人来说，最好的一点是闭源模型之间竞争很激烈。如果 Anthropic 一家遥遥领先，情况就不同了，但现在 Anthropic、OpenAI 和 Google 彼此只差几个月，大家互相逼着往前跑，应用层的人最受益。

再说技术栈。Jon 曾经提到，自己对 AI 技术栈有多浅感到意外，现在还是这样，他的说法是“广而浅”：用的模型很多，但用法都比较简单。他们靠提示工程走了很远，还有 context engineering（上下文工程），也就是给模型提供合适的背景信息。他觉得这几乎就是整场游戏：能不能从用户那里拿到对的信息，能不能把 AI 的输出用对的方式交给用户，能不能把这一切提炼成让模型的活儿变得很轻松的东西。活儿变轻松了，随便哪个现成模型都能给出好结果。所以在他们那里，98% 的价值来自提示，因为提示简单，也容易搬到别的模型上。微调只是在这之上的优化，用来控制成本，或者再挤出 2%、3% 的质量。他还顺便说了一句，现在没有人手写提示了，都是 Claude 帮你写的。

新模型发布以后怎么办？他们通常在一小时之内就接进来，前提是这个模型有可能好用。Gamma 的 harness 里有各种各样的任务，有的用最强的大模型，有的用 Haiku 或 Gemini Flash 这类小而快的，有的用更小的 GPT 模型。每出一个新模型，他都想看看能不能补上这条“性价比的前沿线”。就在录这期节目的前一天，Claude Haiku 5.5 刚发布，他在去录音的路上就启动了八个实验，节目一结束，准备去看结果，大概会砍掉四个。这些实验测的是改一页幻灯片里的小地方，修改大纲，这类快而便宜的活。

这是整场里最实用的一个做法：先把任务拆开，再给每一块配最合适的模型。大模型不是用来堆的，是用来精确分配的。能做到“一小时开测，两小时看数据”，前提是有一个足够大的用户群，这也是 Jon 一直说要先攒用量的原因。有了用量，试新模型的成本就很低，每一次换模型都是一次便宜的升级。

最让他意外的实验结果，是”麻烦”反而有用

说到试，Gamma 同时跑着十到二十个实验，很多不到一天就有结果。Greg 问他有没有哪个结果让他意外。Jon 讲了几天前刚做完的一个：fast mode（快速模式）。

fast mode 的意思是跳过前面讲的那些环节，比如先给你看大纲、先问你几个问题。假设很自然：去掉麻烦，人们就能更快走到那个“哇，好用”的时刻。Jon 自己很希望这个实验赢，但它没有赢。结果是，那些慢下来的环节，比如审大纲、选故事的大致走向、回答前面的问题，让用户的满意度高得多。这些人觉得自己在作品里投入了东西，之后做的事更多，而且付费的比例也更高。他把这叫作“好的麻烦”，good friction。

实验也不只有“成”和“不成”两种答案，往里挖一点还有别的。Gamma 后来给手机上的新用户上线了一个 fast mode 版本，因为在手机上没人愿意打一堆字回答问题。

这种对实验的热爱，来自 Jon 在 Optimizely 的经历，那是一家专门做 A/B 测试的公司。他说，做实验这件事，最后拼的就是你上场打击的次数，跟销售、约会差不多，是个数字游戏，不要指望一次大测试能让整个生意突然打开。Greg 接着说，第一个实验多半不会成功，就像练肌肉，要每天去健身房，两个月后才可能看到腹肌，中间会经过一段“悲伤的低谷”（trough of sorrow）。发社交媒体、写博客、发陌生邮件，都有这么一段。两个人都认为，凡是做成的事，都要游过这样一段低谷。

我觉得“好的麻烦”这个结果，对所有做 AI 产品的人是个提醒。AI 产品的直觉是尽量替用户做完，尽量少打扰，Jon 的数据说明，用户在作品里留下一点自己的选择，作品才成了他们的。这和前面说的品味是一个道理：用户要的往往不是最快，而是“这是我做的”的感觉。

还有哪些 harness 值得有人去做

空位在哪里？先看 Jon 自己最想要的，是一个给 Slack 做的 harness。公司里有海量的消息，你总是在想哪些是真的要你处理的。现在最多能把 30 条消息总结成一条，他想要的是一个真的替他管起来的东西，而且能学会他。他想打开任何一条找他的 Slack 线程，就看到已经起草好的第一稿，是他自己会回的那种口气。Greg 问怎么学，靠问卷还是靠观察，Jon 说靠观察，他发过大概十亿条 Slack 消息，应该足够了。他对邮件也不满意，Gmail 里那种“好的，我周四很乐意去看牙医”的快速回复，没有一次是他会说的话。他想要的是一个能在工作中真实地代表他的 agent，这很难，因为它很个人，所以一直没人做成。

另一个例子是买沙发，这是他最近刚买过的。图像模型很擅长告诉你沙发放在你家里是什么样，但它们说不准尺寸，而 68 英寸和 58 英寸的沙发，对一面特定宽度的墙来说，差别很大。他想象的 harness 是这样的：先把沙发渲染到你的房间里，再用传统的程序在画面里画一条线，按像素量出沙发有多长，看大小对不对，不对就让模型调整。在他看来，这是模型公司短期内不会去做的事。它还可以对你说，这张沙发不适合你，Restoration Hardware 有另一张更合适。买沙发是高客单价的事，所以也可以和商家谈分成，Greg 的想法是，对方给你 5% 的佣金，因为你帮他们卖出了更多沙发。

这类产品怎么在和大模型公司的竞争里活下来？Jon 把用户分成了三层。第一层是纯消费者，只想买一张沙发。第二层是“准专业”用户，比如一个兼职做室内设计的人，家里还有两个孩子，按小时收费，这样的人需要工具，会去找最好的，会愿意为此订阅。第三层是真正的专业人士，比如 Restoration Hardware 自己的设计师，他们用的肯定不只是 ChatGPT。他怀疑最能做成长久生意的，是最上面一层、更大的公司。

还有一点是 Gamma 自己的体会：世界很大。Gamma 不到四分之一的收入来自美国，用户分布在咨询、教师、市场、销售、律师等各种岗位，他以前不知道律师也做演示文稿。他的看法是，一家大公司，在某种意义上就是一千个小众叠在一起，所以不用从很大的地方开始，可以只从一个开始，再看相邻的地方能不能做。Greg 补了一句：“先嫁给那个小众，再跟产品约会。”意思是爱上你要服务的人，产品会改很多次，对人的了解不会白费。

最后，Jon 的提醒是，创业是一条漫长又常常孤独的路，所以你必须真的爱你做的东西。他给自己定过一条规矩：这件事自己必须能天天用，也真的相信。这条规矩把很多“无聊的生意”排除在外，但他觉得这样对自己更好。他说，要问自己，每天想花八个小时做什么，而朋友们并不想花那八个小时，从那里出发。

我自己的一点思考

听完这场对话，我最大的感受是，做 AI 产品的重心，正在从模型挪到模型外面。Jon 讲的每一件事，不管是 20 个模型各管一段，还是让 AI 看着每一页幻灯片挑毛病，还是新模型一小时内就接进来试，都是在说：模型是可以换的零件，真正属于你的，是你在它外面搭起来的那一整套。包括工具，包括检查的办法，包括你对什么叫好的看法。

第二点是关于品味。评测能测到的是“有没有照做”，测不到的是“好不好看”和“像不像我”。Jon 的做法是不回避这个问题：先有自己的判断，再用 A/B 测试、付费这些难作假的信号去验证。我认为这对任何做主观领域的人都有用。越是没有标准答案的地方，越没办法靠抄现成的评分表走远，一个人的判断力就成了产品的一部分。

第三点，是他反复提到的“你自己”。做哪个行业，不是看哪里热，而是看你有哪些别人没有的工具，认识哪些人，每天愿意花八个小时做什么。里面有一个我很同意的地方：他自己是做软件的，却一再提醒大家，软件已经很挤，真实世界里的生意，只要把 AI 用进去，还有很多没被重新做过。

如果要用一句话记住这场对话，我会选这一句：模型大家都用得到，能拉开差距的，是你在它外面搭的那些东西。