比较 AI 工具时，人们通常比较的是模型：哪个写得更好，哪个推理更深。但一旦您把真正的工作交给 AI，比如一份月度报告、一次竞争对手扫描，或者一整个文件夹的资料，结果在很大程度上同样取决于包裹在模型外面的那层软件。这层软件就叫运行框架，英文称为 harness。
模型是大脑，运行框架是工作环境
单靠语言模型本身，只能输入文本、输出文本。它不能打开文件，不能核对数字，也记不住您上周约定的事情。Claude Code 的文档把运行框架描述为模型外面的一层：它提供工具，并管理模型能看到的上下文。Anthropic 的工程师说得更简短：运行框架就是那个调用模型、并把模型的工具调用转交给相应基础设施的循环。
不妨想象一位才华出众的新同事。她的才华就是模型。她的办公桌、门禁卡、有权打开的文件、随手记下的笔记，以及检查她工作的主管，这些就是运行框架。
运行框架做什么
大多数运行框架承担五项职责。
- 循环。 智能体按周期工作。Anthropic 将其描述为：收集上下文、采取行动、检查结果、再来一轮。在指南 Building effective agents 中，Anthropic 指出，智能体通常就是在循环中根据环境反馈使用工具的大语言模型。运行框架负责驱动这个循环，并决定何时停止，例如达到最大轮次或费用上限时。
- 工具。 工具就是双手：读取文件、搜索网页、查询数据库、发送邮件。每一个结果都会影响下一步决定。Anthropic 写道，团队在为 SWE-bench 基准测试打造编程智能体时，花在优化工具上的时间比花在整体提示词上的还多。
- 上下文与记忆。 模型只能处理其上下文窗口中的内容，而这个空间是有限的。Anthropic 称上下文是“一种边际收益递减的有限资源”：塞进去的越多，模型对其中每一条信息的记忆就越差。好的运行框架懂得取舍：需要时才加载知识，窗口快满时把较早的对话压缩成摘要，在窗口之外保存笔记，并把子任务交给从零开始的子智能体。
- 权限。 智能体可以不经询问做哪些事？在 Claude Code 中，您可以选择不同模式：每次修改文件或执行命令前先询问；只做规划和提议；或者更自主地工作，同时拦截有风险的操作。此外，您还可以允许或禁止特定工具。
- 人工检查点。 Anthropic 建议，智能体应在关键节点或遇到阻碍时暂停，等待人的反馈。OpenAI 关于构建智能体的实用指南列出了两个应交给人处理的时刻：智能体失败次数过多时，以及执行敏感、不可逆或影响重大的高风险操作之前。
同一个模型，不同的结果
这并非纸上谈兵。Anthropic 在公布其 SWE-bench（一个由真实软件问题构成的基准测试）成绩时强调，这项测试评估的是整个智能体系统，而不是孤立的模型；即使底层模型相同，得分也会因外围框架不同而显著变化。
第二个例子来自 Anthropic 对长时间运行智能体的研究。每个新会话开始时，都不记得上一个会话的内容。解决办法不是换一个更好的模型，而是改进运行框架：第一个会话先建立进度文件、功能清单和版本历史，让之后的每个会话都能看清工作进展到哪一步。再给智能体配上浏览器工具，让它像真实用户一样测试自己的成果，结果大幅改善。
问题不只在于您用哪个模型，更在于您给它什么条件去工作。
而且，这种匹配会随时间变化。Anthropic 指出，运行框架里隐含着对“模型自己做不到什么”的假设，随着模型进步，这些假设会过时。某个模型曾经需要的变通办法，到了下一个模型就成了累赘。
选择时看什么
无论您是在挑选工具，还是自己构建智能体，都可以问以下问题。
- 工具： 它能否接入您的工作真正需要的数据和系统？少量清晰的工具胜过一长串功能重叠的工具；Anthropic 把臃肿的工具集列为最常见的失败原因之一。
- 记忆： 它在不同会话之间记住什么？存放在哪里？您能否查看和修改？
- 权限： 它可以不经询问做什么？能否按人员、按工具分别设置？
- 核查： 它会不会通过测试、截图或二次审阅来检查自己的工作？Anthropic 写道，能够检查并改进自身输出的智能体从根本上更可靠。
- 刹车： 您能否随时打断它？它是否会在达到轮次或预算上限时自动停止？
- 可追溯： 是否有日志记录它做了什么、为什么这样做？
- 模型选择： 能否换用更新的模型，而不必推倒重来？
从一项您每月都要重复的任务开始。写下一位新同事要把它做好所需的数据、规则和检查步骤。这份清单，就是您的运行框架。
Zaela 不是又一个聊天机器人。它在您已在使用的 AI 中运行，比如 Claude、ChatGPT 或任何支持 MCP 的助手，并把记忆、智能体、方法和工具集中在一处。您的 AI 只能看到您有权查看的内容，每一次操作都有记录，预算和上限可以按人设置。