在 AI Agent 的赛道上,玩家们正经历一场从能不能做到做得多快的基准转移。Hark 最近发布的 Handoff² 是这一趋势的最新注脚。这款集成在 Hark Pro 中的计算机操作代理,官方给出的核心数据很抓眼球,即任务执行速度提升了 2 倍,其中机票预订快了 3.8 倍,长流程研究任务更是提升了 5 倍以上。

对大多数用户而言,这种感知最直观,因为看着它在网页上疯狂点击、填充表单,时间成本确实大幅缩减了。但拆开这台机器的底层逻辑,你才会发现,这场效率革命背后是一次硬核的工程重构。

Handoff² 提速核心机制 批量化 单次动作多步执行 序列复用 动作模式沉淀复用 RL 惩罚 消灭冗余思考与延迟

Hark 采用的策略其实非常现实,即协同进化。他们同时调整了 Agent 的执行架构 Harness 和强化学习训练配方。以前的 Agent 走一步看一步,现在的模型学会了批量填表和动作序列复用。简单来说,模型不再把每个点击当成独立决策,而是将其打包成复合动作。这种对延迟和思考空间的严苛惩罚,直接将 Agent 训练成了追求时效的短跑选手。

但作为一名观察者,我不得不对这些漂亮的数据保持一点审慎。


目前 Handoff² 的基准测试表现不仅提升了任务完成率,还通过了 alignment 基准,但所有数据都由 Hark 自报,第三方独立验证至今缺位。更微妙的是,官方在定义提速时,统计口径存在一定的模糊性,例如一方面说端到端平均快 2 倍,一方面又用缩短任务时间 46% 来支撑,这两种表达在统计学上并不完全等价。

此外,在与 Claude Opus 5.5 进行同环境横向对比时,Handoff² 虽然在任务完成率上紧咬对方,但并未彻底拉开身位。对于开发者来说,一个必须警惕的事实是:这些性能提升高度依赖于特定的虚拟运行环境。换句话说,不同的测试环境 Harness 本身就是干扰项。

  • 风险.当 Agent 的性能评价体系完全被厂商自测垄断,独立评测的缺位将使最佳代理的头衔沦为营销话术。

如果说以前的 AI Agent 还在解决能不能操作浏览器的问题,那么现在,战火已经烧到了谁能最快完成购物或订票的商业化落地场景。对于 C 端用户而言,Handoff² 提供了实实在在的便利,但这份便利背后暗藏着信任危机。

社区里已经有人在讨论未经确认的自动下单风险。当模型被强化学习训练得追求极致效率时,它可能为了完成任务而牺牲了必要的犹豫时间或二次确认。这种为了商业指标而压缩的决策流程,到底是能力的进化,还是风险的埋单?

Agent 商业化落地权衡 效率优先 (RL 导向) 信任风险 (安全边界) 未经批准执行 / 配额消耗 模型追求速度的同时,决策透明度正在下降

现在的 Agent 赛道正处于一个非常尴尬的阶段,厂商们在自建的温室里跑出了 2 倍速,但这种速度在复杂、多变的现实网页中到底有多稳,这是一个还没结算的账。我们确实需要更快的工具,但前提是这个工具得听得懂我们什么时候该慢一点。