让 Agent 改一个按钮、修一个 Bug，今天已不算新闻。但只给它一份调研文档，让它从 0 写出高度还原的完整应用呢？这是一条横跨规划、架构、十几个模块编码、验证、修复的超长程任务：几个小时、成百上千个决策、前后强依赖，错一步就会沿着后面几十步一路放大。这正是今天大多数 Agent 最容易翻车的地方。最近，我们和 Efflora 团队基于 Qwen3.7-Max 模型，做了一场实验：仅凭一份产品调研文档，在隔离环境中从 0 交付了移动端和 Web 端两套可运行应用。这场实验也揭示了一个被忽视的工程真相：质量不是模型一次「生成」出来的，是被闭环「收敛」出来的。
Harness Engineering，本质上是在为 Agent 构建一个能够持续感知、持续反馈、持续优化的自主演进环境。它是通过约束机制、反馈闭环、工作流编排、效果评估以及持续优化循环等能力，将 Agent 的运行过程纳入一个可观测、可控制、可迭代的系统工程框架之中。目标是在长程和复杂场景下，让 Agent 不仅能够执行任务，更能够感知执行状态、评估执行效果、捕捉优化方向，并据此不断调整策略，从而实现自我迭代并交付高质量结果。Harness Engineering 和 Prompt Engineering、Context Engneering 并不是互斥的概念，而是发展阶段和嵌套关系，更像是随着 AI 能力的提升、基础设施的完善，一种重要性和关注点自然而然地升维。
用一个强 Agent 构建评测 Harness，系统性评测一群业务 Agent（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
2026年5月29日至31日，中国图像图形大会（CCIG 2026）在广州召开，论坛内容涵盖大模型、三维建模生成与具身智能、空间智能、脑机接口、机器视觉等热点方向，覆盖学术前沿、产业应用和技术创新，与会学术界和产业界同仁近4200余人。作为中国图像图形学学会的常任理事单位，淘天业务技术Meta技术团队连续第四年受邀出席大会，在专属展位区展示了Meta技术团队介绍与核心技术成果。此外，Meta技术团队受邀在“三维建模生成与具身智能”学术论坛上发表演讲，分享3D真人数字人在淘宝Vision领域的应用，报告现场有诸多相关方向高校老师和学生主动联系，表达未来加强交流合作，深化产学研协同创新，共同攻克关键核心技术难题的愿景。
今天，我们正式发布 Qwen3.7-Plus——将视觉与语言统一为一体化智能体基座的多模态模型。在 Qwen3.7 强大文本能力的基础上，Qwen3.7-Plus 全面升级了视觉-语言能力，同时保持了在编码、工具使用和生产力工作流方面的完整智能体能力。Qwen3.7-Plus 的核心特色在于其作为多模态交互混合智能体的能力。它能够感知真实世界场景、读取屏幕并操作 GUI、基于视觉参考生成代码、端到端导航移动应用，以及基于网络知识回答视觉问题——在单一智能体循环中无缝融合 GUI 与 CLI 交互。作为全能型编码智能体与生产力助手，它以全模态输入处理从前端原型到复杂软件工程、再到多步工作流自动化的全方位任务。它具备跨框架泛化能力，无论通过 Claude Code、OpenClaw、Qwen Code 还是其他框架部署，均能保持稳定表现。
本文系统梳理了Agent长期记忆能力的评测全景，涵盖基准数据集、评估框架与记忆系统三大核心维度。在基准方面，介绍了MUSE、LOCOMO等贴近真实交互的数据集；在评估方面，分析了MemoryAgentBench、LONGMEMEVAL及MemBench等框架，重点考察准确检索、长程理解、冲突解决及反思记忆等关键能力；在系统实现上对比了THEANINE、RMM、M3-Agent及Mem0等代表性方案的技术机制与性能表现。文章指出当前技术虽在检索准确性上有所进展，但在跨会话推理、动态更新及效率平衡上仍存瓶颈，并强调未来评测需统一口径，综合考量检索正确性、使用有效性、时间维度及成本约束，以真正指导工程落地。
在闪购搜索团队的日常工作中，我们需要频繁地进行搜索问题排查、性能分析、实验管理等操作。这些操作分散在多个平台（SLS日志、TPP实验平台、代码仓库等），效率低下。我们的目标是：在钉钉群里直接对话一个AI助手，它能代替人去查日志、看实验、分析性能、甚至部署代码。
