作者 ｜ 黄小艺邮箱 ｜ huangxiaoyi@pingwest.com中证配资排行
对 AI 创业公司而言，token 毛利账单已经变成生死线。
这笔账算的是：一家公司调用模型花掉的 token 成本，最终能从用户身上赚回多少收入。
比如，一个 Agent 产品为了完成一次任务，模型调用成本是 1 元。如果它最终只能从用户那里赚回 1.15 元，token 毛利就是 15%。据硅星人了解，对 AI 应用公司来说，token 毛利基本要做到 30% 以上，商业模式才有可能进入可循环状态。
过去一年，模型厂商不断降价，把 token 单价往下打。但对 Agent 公司来说，单价只是成本的一部分。它们真正要自己控制的，是一次任务到底要烧掉多少 token。
这也是 Harness 开始变得重要的原因之一。
Agent 比聊天机器人更费 token。它要规划任务、调用工具、检索网页、读取文件、管理记忆、选择 Skill，最后再把结果整理出来。同样一个用户请求，背后可能跑十几步，每一步都在消耗 token。
OpenSquilla 想做的，就是把这套运行过程里的 token 浪费率降下来。
OpenSquilla 是一个开源 Agent Harness 框架（https://github.com/opensquilla/opensquilla）。它在 Agent 应用和模型之间加了一层运行中枢。简单来说，这里有至少四个重要的环节：第一层，决定调哪个模型，第二层，决定喂进去多少上下文，第三层决定多个 Skill 怎么编排，第四层贯穿所有，不停让前三层越用越准，形成某种自我进化的机制，让这些能力最终内化进Harness里。
这层 Harness 负责的事情很直接：让 Agent 少花不该花的 token，同时让它越用越懂用户，最终可以拯救那些烧token停不下来，越烧越亏，甚至就要烧到破产的Agent产品们。
硅星人了解到，OpenSquilla 由上海基元律动科技有限公司开发。根据多个公开报道，创始人王云鹤曾任华为大模型负责人，长期研究模型压缩和高效计算；CTO 韩凯是原同厂实验室首席研究员。最新消息显示，基元律动成立仅几个月后，已完成首轮融资，估值高达1亿美元。
自Anthropic等头部公司提出并带火Harness概念后，真正将自己定义为Harness公司的创业公司事实上并没有出现大批量高估值融资潮，这样看来，基元律动的融资是一个代表性的案例。
OpenSquilla的信息显示，它最近在Github上的受欢迎程度很高，同时又完成高估值的融资。对于这样的热门新项目，我们很好奇Harness 层究竟能把 Agent 的成本和能力进化做到什么程度？
近期，我们也去和OpenSquilla的韩凯聊了聊，尝试弄清楚他们的产品究竟如何设计，为何可以帮助Agent产品们实现对token账单更好的控制。以下是关于这个产品和项目的完整拆解。
1
第一层：智能路由就是token管家
过去做 Agent，很多团队默认会先选一个主力模型。
最简单的做法，是绑定一个旗舰模型。效果稳定，开发也省事。问题是，一旦 Agent 开始进入真实任务，这个方案很快会变贵。
因为 Agent 的一次任务里，并不是每一步都需要最强模型。
复杂推理、代码生成、长文分析，确实需要强模型。但分类、摘要、格式整理、工具结果清洗、上下文压缩，这些动作不一定需要。很多 Agent 账单高，不是因为任务本身都很难，而是每一步都用了同一档模型。
这也是现在 Agent 创业公司最尴尬的地方：用户不懂模型，也不该懂模型。让用户在一排模型里自己挑，本质上是产品把自己的工作甩了出去。
我们问韩凯，OpenSquilla 为什么把模型路由放在第一层。
他的回答是，模型正在变成一组能力和价格都不同的 SKU。不同模型的强项、价格、延迟、上下文长度都不一样。Agent 如果长期只绑定一个模型，就很难同时做到效果和成本可控。
OpenSquilla 的做法，是在任务进入大模型之前，先用本地路由模型判断任务复杂度。它会根据语义、关键词、语言、上下文长度、对话轮次等特征，把任务分成不同等级，再匹配不同模型。
这件事的核心，不止是“省一点钱”。
它把 token 成本从事后结算，变成了调用前决策。过去 Agent 公司月底才知道自己烧了多少钱；OpenSquilla 想让每一次调用发生之前，系统先判断这一步该花多少钱。
据团队提供的数据，OpenSquilla 的智能路由和 OpenRouter 相比，路由精度高 4.4 个百分点，成本低 75%；和 Anthropic Opus 4.7 跑同类任务相比，精度基本持平，成本相差约 9 倍。
元股证券:ygzq.hk同样是智能路由，OpenSquilla和 OpenRouter 的区别在于，它们解决的不是同一层问题。
OpenRouter 是云端 API 网关。用户把 prompt 发过去，它再从几十个模型里挑一个转发。它的底层也有判断，但更偏向在已知模型集合里按成本/速度做选择，或者在同一模型的不同提供商之间调度，默认逻辑是通用的：它服务的是所有开发者，不会随着某一个 Agent 的真实使用反馈自动变聪明。
而OpenSquilla 的路由长在 Harness 里，本质上是一个本地集成树模型，它看的是这个 Agent 长期怎么干活：哪些任务成功了，哪些失败了，哪些地方烧 token，哪些模型性价比更高，这些信号会回流到路由里，继续训练它。
韩凯的判断是，Agent 公司不能只等模型厂商降价。模型厂商决定 token 单价，Agent 公司自己决定每个任务怎么花 token。
这就是 Harness 的第一层价值：把模型调用管起来。
1
第二层，上下文管理：Agent 烧掉的，很多是不该读的
模型选错，是一类浪费。上下文塞太多，是另一类浪费。
很多 Agent 系统为了省事，会把 Skill 描述、工具说明、历史记忆、网页内容、中间步骤，一起塞进 prompt。这样做开发最快，成本最高。
模型每调用一次，都要重新读一遍这些东西。哪怕当前任务只用得上其中一小段，剩下的 token 也照样计费。
这在聊天机器人里还没那么明显。聊天机器人通常是一问一答，上下文相对短。Agent 不一样。它会连续规划、调用工具、检索网页、读文件、生成中间结果，再把这些结果带到下一步。上下文会越滚越大。
我们问韩凯，OpenSquilla 具体怎么减少这部分浪费。
他的回答是，Harness 要先判断“当前任务到底需要什么”，而不是默认把所有东西交给模型。
所以 OpenSquilla 会按需加载 Skill。一次任务只注入可能用到的 Skill，不把几十个 Skill 的说明全部塞进去。记忆也是一样，不是把历史对话整段搬进 prompt，而是从本地数据库里检索相关片段。
工具结果也会先处理。网页检索返回的 HTML 里，有标签、样式、导航栏、广告和重复内容。OpenSquilla 会先裁掉这些内容，再交给模型。
这件事听起来像工程细节，但对 Agent 公司就是账单问题。
用户不知道 prompt 里塞了什么，也不知道一次工具调用返回了多少无关文本。他只会看到产品好不好用，价格贵不贵。中间这些浪费，最后都会落到 Agent 公司的毛利里。
据团队提供的数据，OpenSquilla的上下文管理可以额外带来约 20% 到 50% 的成本降低。
韩凯的意思很直接：模型看到的每一个 token，都应该和当前任务有关。用不到的 Skill，不加载。无关的记忆，不召回。重复的网页内容，不进入上下文。
1
第三层，MetaSkill：Skill 变多以后，用户反而更累了
上下文裁剪解决的是别让模型读太多无关信息。但 Agent 跑复杂任务时，还有另一层问题：Skill 如何被正确选择、组合和调用。
Agent 圈过去一年很流行 Skill。
一个 Skill 可以理解成一套可复用能力：怎么搜资料、怎么写稿、怎么处理表格、怎么调用某个工具。理论上，Skill 越多，Agent 越强。
但真实使用里会出现另一个问题：Skill 多到一定程度，用户开始不知道该怎么用。
一个复杂任务，可能需要多个 Skill 配合。比如写一篇文章，要先查资料，再核事实，再学习风格，再写初稿，再审校。每一步都有 Skill，但谁来决定先后顺序？谁来决定哪个 Skill 该用、哪个不该用？
很多时候，用户只能自己当项目经理。
这也是韩凯谈到 OpenSquilla 的 MetaSkill 时最强调的一点：Skill 不应该只是一堆模板。真正难的，是让 Agent 自己把 Skill 组织起来。
在 OpenSquilla里，一旦触发MetaSkill，用户说一个目标，AI就会拆步骤、选 Skill组合、安排依赖关系，确定是分步处理，还是并行处理。一个目标，多个步骤，多个Skill，每个步骤和skill的组合，独享一段上下文。
这里的行业问题是，Agent 的能力正在从“单个模型聪不聪明”，转向“多个能力能不能被组织起来”。
模型、工具、记忆、Skill 都在增加。用户不可能理解每一个组件，更不可能每次都手动编排。Agent 产品如果还让用户自己选模型、选 Skill、排流程，就会卡在专业用户手里，很难变成普通人能用的产品。
MetaSkill 想把这层复杂度藏起来，让用户只需要讲目标。Harness 负责判断路径。
韩凯的判断是，Skill 未来不会只是用户手写的一份提示词，而会变成可检索、可组合、可复盘、可更新的系统能力。
这也是 OpenSquilla 所谓“可进化”的地方。
1
第四层，可进化：把 Context 训进 Harness
如果用一句话概括OpenSquilla 的可进化，那就是：让 Harness 学会用户的上下文。
很多用户用 Agent 都有一个共同体验：第一次让它做任务，往往要改好几轮。结构不对，语气不对，格式不对，重点不对。用户不断补充：“不要这样”“按这个格式”“这里保留”“下次记住”。
问题在于，Agent往往是，知道错了，下次还敢。这意味着用户每次都在重新指导它，经验没有沉淀下来。
MetaSkill则是想要把这些过程留下来。当一个任务来回改了三次，最后用户满意了，OpenSquilla 会回看这段过程：用户补了哪些条件，纠正了哪些偏差，最终认可了什么结果。然后把这些信息沉淀进 Skill 或工作流里。
下次遇到类似任务，Agent 不必从零开始。
智能路由也是同一套逻辑。前面讲到，它不是一张静态规则表，而是一个可以根据任务反馈继续更新的参数化模型。MetaSkill 学用户怎么做事，路由学任务怎么花钱。
这也是 OpenSquilla 对 Harness 的判断。因为用户输入进来，Harness 先接住，做完编排、组织、调度，再交给模型。模型输出之后，也需要 Harness 做后处理、分发和执行，所以，Harness 是离 Context 最近的地方，也最应该学习 Context。
这件事对 Agent 公司也很重要。用户少纠正一次，系统就少跑一轮。少跑一轮，就是少烧一轮 token。用户觉得它越来越懂自己，也更愿意继续用下去。
配资炒股排行所以OpenSquilla 的自进化，最后还是回到账单和留存。
过去很多人把 Harness 理解成模型外面那层工程壳：接工具、管会话、做安全、调 API。OpenSquilla 的判断更激进一点。
它押注的是：Agent 真正进入商业化后，中间这层 Harness 会变成最关键的位置。
模型提供能力，应用定义场景。Harness 决定这套能力能发挥的上限，和成本能压到的下限。
而这会形成新的商业动态平衡。
点个“爱心”，再走 吧
配资网提示：本文来自互联网，不代表本网站观点。
