8 月 4 日，AI Agent 领域在基础架构层面迎来了三个不同方向的重大突破。实在Agent 在 OSWorld 评测中以 90.2% 的成功率登顶全球榜首，成为首个突破 90% 的 Computer-Use Agent；LlamaFactory 作者郑耀威开源了 PenguinHarness，宣称 0.2 元就能让 Agent 自动构建另一个 Agent；Kimi K2.5 上线 Agent Swarm 并行集群模式，多个 Agent 可以同时分工协作。三条动态放在一起，勾勒出了 Agent 工程化的一条清晰路径：从”能跑”到”靠谱”，从”手写”到”自进化”，从”单兵”到”集群”。
这三个方向其实和站内一直在做的 质量门禁、需求变更影响评审 和 回放对照 是一个逻辑链条的不同阶段。
事实梳理：实在Agent 登顶 OSWorld
据 OSWorld 官方最新榜单和多家媒体报道，杭州企业实在智能旗下的”实在Agent”以 90.20% 的执行成功率登顶总榜与 Agentic Framework 分榜双榜第一，成为该基准自 2024 年设立以来首个突破 90% 成功率的方案。此前的最好成绩是 2026 年 5 月 Pointer 的 83.6%，人类操作员的基准线是 72.36%。
OSWorld 包含 361 个真实桌面和网页任务，要求 Agent 在 Ubuntu、Windows、macOS 真实系统环境中完成跨应用操作，采用基于执行结果的机器验证。实在Agent 的核心差异在于”API 优先 + GUI 兜底”的混合执行策略：有 API 的系统走 API，没有 API 的遗留系统通过 ISSUT 屏幕语义理解技术看懂按钮和输入框后像人一样操作。
更有趣的是榜单分赛道的数据：TOP10 中有 6 个选择了框架路线（Agentic Framework），整体成绩普遍高于纯通用模型方案。这验证了一个正在行业里形成的共识——Agent = Model + Harness，光有大脑不够。
事实梳理：PenguinHarness 开源
8 月 4 日，LlamaFactory（GitHub 7 万星）作者郑耀威领导的 PrismShadow 团队开源了 PenguinHarness，定位为”桌面端/服务器的全自动 Agent 构建器”。
核心能力：输入一句自然语言描述，Agent 自动完成脚手架搭建、代码生成和运行说明，端到端构建应用。团队给出的对比数据：构建一个带分块检索和流式输出的 RAG 应用，PenguinHarness 耗时仅为 Codex 的一半，成本低至 1/200。另一个关键能力是自进化——Agent 构建出来后，可以在实际使用中根据反馈持续优化，准确率从 50% 提升到 90%，不需要手动微调。
已经有一些实际落地案例：体检机构用它生成了与医学专家能力类似的报告核查 Agent，制造业企业用多个 Agent 做流水线巡检，产线停机减少 65%。这个工具的定位，恰好落在 知识库陈旧内容巡检 里讨论的 Agent 持续优化闭环中。
事实梳理：Kimi K2.5 Agent Swarm
据多家技术社区报道，Kimi K2.5 推出了 Agent Swarm 并行集群模式，口号直接就是”孤独狼式 AI 的终结”。核心架构是让多个 AI Agent 各自承担子任务、协同完成复杂流程，避免了单体模型在算力和决策链条上的瓶颈。
同时期的几个配套动态也值得注意：TigerData 发布了 Agentic Postgres（专为 AI Agent 打造的数据库），微软 Azure AI Foundry 和 LlamaIndex.TS 合作推出了旗舰 MCP 示例应用，LLM Sandbox 专注于安全执行大模型生成的代码。这些工具的集中出现，说明多 Agent 协作正在从实验走向工程化。
多 Agent 协作的一个核心挑战是执行结果的一致性验证，这和 回放对照 要解决的问题高度重合：当多个 Agent 并行处理后合并结果，你怎么知道每个子任务的结果都是正确的？
老达点评
这三条动态合在一起，指向一个正在加速的趋势：Agent 工程化正在从”能把 Agent 跑起来就行”进入”怎么让 Agent 在真实业务里持续可靠地跑”的阶段。实在Agent 的 90% 证明了 Harness 层的价值，PenguinHarness 的 0.2 元自进化证明了 Agent 构建的门槛可以被大幅降低，Kimi K2.5 的并行集群证明了多 Agent 架构不再是概念验证。
我特别关注 PenguinHarness——不是因为”0.2 元”这个数字，而是它把 Agent 自进化这件事变成了开箱即用。以前说 Agent 自进化，需要团队有很强的 ML 工程能力；现在你可以在自己电脑上装一个工具，让 Agent 自己构建和改进 Agent。这可能会改变很多人对”Agent 工程化到底要多高门槛”的认知。
总结
8 月 4 日，实在Agent 登顶 OSWorld 证明了 Agent 执行可靠性的新高度，PenguinHarness 开源降低了 Agent 自进化的门槛，Kimi K2.5 Agent Swarm 把多 Agent 并行协作推向了实际可用。这三个方向——高可靠性、自进化、集群协作——共同标志着 Agent 工程化进入了新阶段。
