有人把 harness 解释成一个 loop：给 agent 一个输入、拿到输出，中间接上工具调用、bash、联网这些动作，Codex、Claude Code 后面那套东西就是 harness⁠1。按这个划分，memory 不是和 harness 并列的另一个方向，而是 harness 里管上下文的那部分。所以“只做 memory”并不等于站在 harness 外面，它更像是选择只做其中一层，把其余层留给别人。

有观点认为 harness 是结构性机会，因为模型公司做的通用工具做不了行业纵深，企业落地要的是行业 know-how、上下文管理、合规和私有化部署⁠2。同一场分享里还提到，创业不该做通用，通用留给模型公司，要么开源做社区，要么把一个行业做透⁠2。按这个逻辑，memory 方向窄不窄，不取决于它叫 memory 还是 harness，而取决于你占的那一段是不是别人复制不了的：如果只是通用记忆层，模型公司顺手就做了；如果绑定了某个行业的上下文和规则，窄反而可能是护城河。

可以先用一个小实验判断：挑一个你熟悉的场景，把该场景里 agent 反复出错的地方记下来，看这些错误是模型不够聪明造成的，还是缺了某类上下文造成的。有材料指出，当模型智能过了某个门槛后，决定输出性质的是上下文而不是模型智能，而且模型升级会让智能越来越便宜，个人上下文却不会因此贬值⁠3。如果错都集中在上下文，那做 memory 这一层就有实际价值；如果错在工具编排和流程，那才需要往 harness 更上层走。

一个可用的判断：你做的事，是不是在替当前模型补它“暂时不会”的能力？如果是，模型一升级，这层价值就没了。戴雨森在真格那期访谈里把这条讲得很直接：不要因为模型现在不够好就去帮它搭脚手架，而要想怎么利用六到十二个月后才会有的模型能力，提前准备。他举的反例是“模型不会数草莓有几个 r，所以我来帮它数”，这种事没意义。反过来，他点出“怎么获得用户更好的输入、更多了解用户的意图和 memory”，这类问题不是仅靠模型升级能解决的⁠1。所以垂直 memory 层能不能活，先看它是在补模型的短板，还是在积累模型拿不到的东西。

模型公司做的是高度泛化的通用工具，做不了行业纵深。企业真正部署时需要的行业 know-how、上下文管理、合规、私有化集成，这些是模型公司不会亲自下场做的，价值密度却很高⁠2。放到你的问题上：如果你的 memory 层只是把通用的对话历史存起来、做检索，那它和模型公司顺手加的功能高度重合，很容易被吃掉；如果它沉淀的是某个行业里只有内行才拆得出来的判断——比如营销里“一个短视频为什么火”的套路，懂的人太少、又难落到纸面上⁠3——那模型公司既没有这些数据，也没有动力为单个行业去啃。护城河不在 memory 这个技术层，在你灌进去的行业上下文。

与其猜，不如做一次对照：拿你手里最核心的那部分行业 memory，分别喂给一个通用模型（只给原始对话或文档）和一个你已经整理过的版本，看两者在真实任务上的差距。如果整理过的版本明显更好，说明价值在你提炼的行业结构里，模型公司光靠升级模型补不上；如果两者差不多，说明你做的可能只是通用检索，容易被顺手覆盖。这个测试能帮你判断该往“更深的行业 know-how”走，还是该换方向。

出处 1 2