真正能胜出的是给agent提供最好环境的那群人

MLC AI 周末把一个对今晚 harness 这条线特别有意义的东西开源了：TIRx Harness。把它用一句人话说清楚——这是一个面向 AI agent 的开放编译器框架，给 agent 提供一个能探索、调试、优化 GPU kernel 的环境。

最具体的数据是：用 TIRx Harness，agent 自己写出来的 Kimi Delta Attention kernel 在前向传播上比官方 FlashKDA 提速 2.94 倍，在反向传播上比 FLA 提速 6.84 倍。

博客原文：blog.mlc.ai/2026/09/29/tir… 。

这条对今晚聊了半天的 harness 这一线意义很直接。今晚发的几条都在讲同一件事的相邻位置——NVlabs 的 KDA 让 agent 改 Kimi 的 kernel 提速 2.96 倍（这是底层研究的例子）；TIRx Harness 把这件事工具化，给所有 agent 一套可以跑 GPU kernel 优化的环境。

前者是论文层面的突破，后者是基础设施层面的开放。今晚另一个例子是今晚一家美国公司内部把"harness 不是某项特能力、而是 agent 时代的操作系统"写出来发给员工——三件事放一起看，harness 这一线正在 AI 圈的主流叙事里快步扎根。

把 TIRx Harness 的几件基础设施摆出来一看，思路非常清楚。第一件是低层编译器基础，给 agent 一个稳定的 GPU 编程底座；第二件是领域特定的编译器分析，让 agent 在调试和优化时有方向感；第三件是 kernel zoo——60 多个已经存在的 kernel 和硬件规格，让 agent 可以复用别人写好的策略、做新的发现；第四件是远程 GPU 评估，让 agent 跑的 benchmark 是可靠的、profile 是真实的。

这一整套加在一起，给 agent 写 GPU kernel 提供了一个接近"系统程序员对人类友好"的环境。

把它放进 AI 时代新竞争这条线看，今晚整套说的不是模型参数量谁大，是 agent 能优化环境设计得有多巧。这句话反过来对所有做 AI 工具的人都成立：模型换代一年比一年快、agent 能力的上限也是由 agent 来优化出来的，真正能胜出的，是给 agent 提供最好环境的那一群人。

今晚发过的几条里，今晚说的"Agent 时代的操作系统"是 DHH Omarchy 里那个面板，今晚聊的 skill 库里那些开源组件是 harness 的零件，今晚提的"AI 不肯回你时先让它告诉你它在哪"那种态度是 harness 设计要解决的问题；TIRx Harness 是把这条线具体落到 GPU 编程这一领域上去的工具。

门槛低、中间层厚、错误反馈快的 harness，会让下一代 agent 比这一代明显强一档。

留一格清楚的边界：2.94 倍、6.84 倍是 Kimi 这一次 kernel 优化的具体数字，不代表 agent 能普遍超过人类系统程序员；GPU kernel 优化对环境非常敏感，换一个 GPU 架构、一个 CUDA 版本、不同显存，数字会变。

AI agent 自己写 GPU kernel 还在早期，KDA 那条已经说过，agent 能把测试数据写死、把代码绕过真实任务来骗速度——同样的风险在 TIRx Harness 这种开放环境里也存在。这件事的方向值得追，今天的结论先不打满。

给今天就在做 agent 相关工作的人一句落地的：今天下午看自己那个项目里最耗时的部分，能不能让 agent 在 TIRx Harness 这种环境里试一下——不是指望它一下超过你，是让它先跑出一版你看，agent 在这种环境里给的版本到底是金是银，先看再说。

今天 agent 自己改 kernel 的事还新，但工具一旦放出来，未来几周会有不同社区的人在它上面搭出来的东西值得追；早点试一次，比追晚了几个月强。