跳转至

Oz Multi-Harness Cloud Agent Orchestration (Warp)

📊 Level ⭐⭐⭐⭐ | 12.1KB

Oz Multi-Harness Cloud Agent Orchestration

Warp 在 2026-05-19 推出 Oz 重大升级，将其定位为首个真正的多 harness 云 Agent 控制平面。核心命题：「企业不应该被迫把未来押在单一模型或 harness 上」。Oz 在云端统一编排 Claude Code、Codex、Warp Agent 三个主流 harness，提供自动多 Agent 编排、跨 harness 的 Agent Memory、扩展的自托管选项（Docker / Kubernetes / 远程开发环境）、以及精细化成本与权限治理。这是 Agent 编排模式从「单 harness 多 model」升级到「多 harness 多 model」的标志性事件。

→ 原文存档

摘要

Warp 团队与工程领导者深度合作后总结出三大共同需求：（1）2026 年要规模化部署云 Agent，但需要可控可治理；（2）需要 harness 选择权——不同任务用不同 harness 并测量效果；（3）希望 Agents 跑在自己的基础设施上，数据完全所有。本次 Oz 升级正面回应这三点。最大变化是 multi-harness：Oz 原本就是 multi-model，现在进一步抽象到 harness 这一层，因为「Agent 性能是 harness 和 model 的联合函数」。它成了所有云 Agent 的 single pane of glass——统一的启动、追踪、治理、对比、审计接口。

核心要点

  • 核心定位：first truly multi-harness control plane for cloud agents——比 AgentCore Harness 多了一层「harness 选择权」的抽象
  • 支持的 harness：Claude Code、Codex、Warp Agent 三家可在云端互换运行；multi-harness orchestration 对所有用户开放（beta）
  • 自动多 Agent 编排：Oz 可以自动 spawn 多个 subagent 并行处理长时任务（大特性构建、code migration、生产部署），跨 harness 自动追踪、steering、提供管理界面
  • 跨 harness Agent Memory（research preview）：业界第一个跨 harness 的记忆系统——code review agent 学习团队代码风格、生产 agent 记住部署拓扑、数据分析 agent 记住数据结构
  • Agent Memory 关键特性：（1）可插拔数据源（文件、MCP、数据库、企业应用）；（2）可写入（Oz 完成任务后自动添加到知识库）；（3）企业可自托管，自己拥有 memory corpus
  • 扩展自托管：支持有/无 Docker、Kubernetes pods、远程开发环境，直接代码执行也可——「Oz works with your existing systems」
  • 治理增强：per-team billing、个人 credit cap、用量与产出可视化；每个 agent 的服务访问权限可独立设置，对应「Least Privilege for Agents」原则
  • 会话便携：API/SDK 支持返回 artifacts + 原始对话；本地 ↔ 云端 ↔ 远程随时切换——「手机上启动十个 agent、笔记本继续、晚上推回云端」
  • 战略含义：Warp 从「最好的终端」延伸到「云 Agent 的 Kubernetes」——这是终端公司向 AI 基础设施迁移的典型案例

深度分析

「不要押注单一 harness」是 2026 企业 AI 战略的核心命题

Oz 给出的命题非常清晰：「Agent 性能是 harness 和 model 的联合函数」。这一句话至少包含三层判断：

  1. harness 和 model 是正交维度：同样的 Claude 4 跑在 Claude Code、Cursor、自研 harness 里表现差异巨大——上下文管理、tool 调用策略、规划方式都不同
  2. 不同任务的最优 harness 不同：代码审查可能 Codex 更稳，长任务规划可能 Claude Code 更强，自定义脚本可能 Warp Agent 最贴合
  3. 多供应商对冲是基础设施层的责任：让业务侧自己写 harness 适配是错的，应当由编排层抽象掉

这与 Agent 框架对比中的核心论点一致——但 Oz 是少数把这个判断直接做成产品的厂商。绝大多数企业当前还在「按 harness 各自做 PoC」的阶段，Oz 是把这一阶段产品化的尝试。

Cross-Harness Agent Memory 是真正的差异化

公告里其他特性（Kubernetes 自托管、per-team billing、API/SDK）基本都是「企业必选项的补全」；唯一真正具有产品壁垒的是 cross-harness Agent Memory。

它的设计有几点值得特别关注：

  • 跨 harness：Claude Code 学到的东西可以被 Codex 复用——这要求 memory 不能绑定到 harness 的内部表示
  • 可写入：Oz 完成任务后自动追加到 memory，形成 self-improvement 闭环
  • 可插拔数据源：文件（skills）、MCP、数据库、企业应用——把企业现有知识资产纳入 Agent 上下文
  • 可自托管：「Warp 可以替你托管，但我们相信企业会想自己拥有 corpus」——这一句直接回应了企业对数据所有权的核心顾虑

这套架构与 Agent Memory 架构和 Agent 记忆系统框架中讨论的「双向、长期、企业自有」三个理想性质完全对齐。它和 Obsidian + QMD 类型的本地方案（见 Obsidian + Claude Code 集成指南策略 5）属于同一思路的两个层级：QMD 是个人工作站方案，Oz Agent Memory 是企业方案。

「single pane of glass」对企业 AI 治理的真正含义

Oz 反复强调「统一控制平面」——这是企业 AI 部署的核心痛点。在没有 Oz 的世界里：

  • Claude Code 的使用统计在 Anthropic 后台
  • Codex 的使用在 OpenAI 后台
  • Warp Agent 在 Warp 自己
  • 各自的审计日志、权限模型、计费维度完全不同
  • 想知道「我们公司这个月 AI 总开销 / 高风险操作」需要至少跨三个系统

Oz 的价值是把「审计 / 治理 / 计费 / 权限」这四件事从 harness 厂商手里收回到企业自己的控制平面里。这对受合规约束的行业（金融、医疗、政府）几乎是必选项。

Least Privilege for Agents：从理论走向产品

文中提到「individual agents to have granular permissions to internal services, following the model of allowing agents to have the least privilege」——把信息安全里的最小权限原则正式应用到 Agent 上。

具体含义：处理生产系统的 agent 和 访问 CRM 的 agent 应当持有完全不同的凭证集合。这与 Agent 安全架构中讨论的核心原则一致，但 Oz 把它从「最佳实践建议」做成了「产品默认配置」。

这是个被严重低估的特性。当前 AI Agent 安全事故的相当一部分根因是「Agent 用了过宽的服务账号」——给 read-only 任务的 agent 配了 admin 凭证，然后被 prompt injection 引发越权操作。

战略层面：Warp 从「终端」延伸到「AI 基础设施」

Warp 起家是「最好用的现代终端」，现在通过 Oz 把战线推到了云 Agent 编排层。这是一个非常聪明的 land-and-expand：

  • 终端是开发者每天都开的入口
  • 从终端 → 终端里集成 Agent → 多个 Agent 协作需要 orchestration → 自然演化到云端控制平面

对比：Cursor 从编辑器切入，Replit 从云开发环境切入，AgentCore 从云厂商基础设施切入——四条路径都在收敛到同一个目标（企业级 Agent 控制平面），但起点完全不同。Warp 的路径有「终端无关于 IDE」的优势，可以兼容 VS Code、Cursor、JetBrains 的用户。

与 AgentCore 的微妙差异

Oz 和 AWS AgentCore 在功能列表上有大量重叠，但定位有微妙不同：

维度 Oz AgentCore
抽象层级 harness 编排 runtime 托管
默认绑定 工具中立 AWS 生态
多 harness 是（Claude Code/Codex/Warp Agent） 主要是 Strands SDK 框架
自托管 Kubernetes / 远程开发环境 主要是 AWS
切入用户 已有 AI 工具试点的工程团队 AWS 已有客户

简单说：AgentCore 是「AWS 让你在 AWS 上跑 Agent 更方便」，Oz 是「让你在任何地方跑任何 harness 更方便」。两者会在中型企业市场正面竞争。

实践启示

  1. 企业 AI 选型应当假设 multi-harness：不要把所有押注放在一个 harness 上——半年后最佳实践可能完全不同
  2. Agent Memory 是下一个差异化战场：评估编排平台时，问「memory 是否可写入、跨 harness、可自托管」三件事
  3. Least Privilege 必须从一开始就做：不要给所有 agent 同一个 admin 凭证——按服务类型拆分凭证
  4. 会话便携性是新基础设施特性：本地 ↔ 云端 ↔ 远程随时切换，会改变开发者的工作节奏
  5. single pane of glass 是合规行业的硬需求：金融/医疗/政府绕不开统一审计与治理
  6. 关注 Warp 的产品演化：从终端切入做 AI 基础设施是值得追踪的战略路径
  7. AgentCore vs Oz 的选型逻辑：已在 AWS 的选 AgentCore，工具中立选 Oz，跨多家 AI 厂商必选 Oz
  8. 「harness 是性能维度」是新的工程认知：性能调优不再只是换模型——换 harness 可能效果更显著

相关实体