Baichuan-M 4 发布时，Health Bench Hard 领先 GPT-5.5 达 15.9 分，幻觉率压到 3.3%，长程临床记忆提升 21.1 分，循证检索引用精确度 90.0。数字很漂亮。但翻完技术报告，你会发现一个尴尬的事实：它告诉你很强，没告诉你为什么强。
没有消融实验。Harness 的多智能体协调贡献了多少分？SPAR++ 的片段级奖励比传统方案强在哪？推理路径压缩释放的上下文窗口对长程记忆影响占比多大？全都没说。三层回路的评估信号怎么编码成训练信号，六层证据金字塔的检索准度有多少来自后处理过滤，工具模块的错误模式如何传导到下游诊断——这些工程细节，报告里一个字没提。
这不是苛责。产业白皮书有权选择展示什么。但对正在搭垂域 Agent 的工程师来说，被藏起来的恰恰是最该研究的。
Harness 不是模型附件，是体系地基
Baichuan-M 4 的架构分三块：Baichuan-Harness 运行时、核心推理引擎、临床工具层。这个划分的潜台词是：模型不再是中心，Harness 才是。
Harness 扛了四件事，每件都打在垂域 Agent 的痛点上。
异步子智能体编排，解决单模型上下文窗口不够覆盖复杂任务的问题。主 Agent 做全局规划，Sub Agent 做专科并行——跟医院里主治医生下医嘱、各科室并行执行一个逻辑。
动态角色切换，解决多轮交互中不同阶段的认知模式冲突。问诊要开放采集，诊断要收敛推理，两个阶段不能混。流式隔离是工程上的硬约束，不是可选项。
多维患者记忆体系，解决每次对话从头开始的致命缺陷。短期记忆保会话连贯，长期记忆保病程追踪。严格解耦加渐进式披露，在隐私和效率之间走钢丝。
动作空间约束与安全护栏，解决模型什么都敢说、什么都敢做的失控隐患。语义级合规检查，不是黑名单过滤，是在动作执行前做意图理解加风险预判。
这四项机制的共性：它们都不是模型能力的增强，而是模型行为的约束和调度。垂域 Agent 的稳定性，一半来自 Harness 的治理，另一半才来自模型本身有多聪明。
Sim-to-Real：调参环境就是上线环境
Baichuan-M 4 把强化学习调参完全放在 Harness 内部完成。这个设计初看平淡，实则解决了一个困扰 RL 应用多年的老问题：训练环境和上线环境不一致。
如果模型调参阶段只接触简化对话数据，从没真正调用过检索工具、从没读写过长期记忆、从没面对过多智能体协调的复杂度，那训出来的策略一部署就废。Baichuan-M 4 的解法是让模型在调参阶段就生活在 Harness 里——触发真实工具接口、遵守真实动作约束、管理真实状态流转。
这里有个坑。很多团队做 Agent 训练时习惯先搭一个简化环境跑通流程，再迁移到生产。实测这样更不稳——简化环境里学到的策略是仿真策略，不是真实策略。调参即上线，部署即训练。两边只要有任何不一致，模型学到的东西就会在真实场景里打折扣。
三层回路：不同频率处理不同边界的问题
为什么要三层反馈？直观的疑问是：一层不够吗？
答案在时间尺度和处理边界的矛盾。如果每次用户交互后都做完整评估、数据清洗、模型重训练，系统会被拖垮。评估要回看整个会话甚至多轮历史，周期长；训练要积累足够高质量样本，数据准备慢。把这套重链路塞进每次用户发消息时跑一遍，延迟不可接受。
反过来，只做慢速周期性演进，比如每月更新一次模型，两次更新之间的问题不会被及时发现，用户体验持续受损。
三层流程的解法是用不同频率的循环处理不同边界的问题：
内层循环跑得最快，每次推理，毫秒级，处理最窄范围的问题——这一轮交互的上下文是否连贯。
中层循环速度居中，每次会话，小时到天级，处理中等范围的问题——这一次任务做完的质量如何。
外层循环跑得最慢，每个周期，周到月级，处理最宽范围的问题——体系在真实世界中长期暴露出了什么能力盲区。
三层不是冗余，是分工。内层确保不出低级错误，中层确保任务完成得好，外层确保体系整体在进化。
正向下发与反向上报
三层之间的协调靠两条链路：正向的策略下发和反向的异常上报。
正向链路逐级生效。外层循环产出的训练数据，经过完整重训练产出新的模型权重版本，经 A/B 测试校验后逐步灰度发布——影响模型的底层能力。中层循环通过强化学习产出的策略优化，比如奖励权重调整、动作空间限制规则的细化，以内层循环可执行的参数形式下发——影响模型的行为倾向。内层循环拿到最新模型权重加最新策略参数，在每次推理中落实——这是模型的即时发挥。
外层决定模型学会了什么新知识，中层决定模型在这次任务中该怎么发挥，内层决定这一轮交互具体怎么回应。
反向链路是异常逐级上报。内层循环发现单轮推理中的异常——上下文断裂、工具调用失败、动作越界——触发即时回退或降级，同时把异常事件向上传递。中层循环收集同一会话内的多次异常，做根因聚类，判断是偶发问题还是系统性缺陷。外层循环汇总跨会话的异常模式，识别能力盲区，决定是否需要补充训练数据或调整模型权重。
这里的关键设计是：异常上报不是简单日志记录，而是带上下文的信号传递。内层上报的异常事件包含触发条件、上下文快照、动作序列，中层才能做有效聚类。否则上报上去的只是一堆没有关联的报错，聚类不出任何模式。
外层循环的弱信号捕获
三层流程里，外层循环的弱信号捕获机制最值得细看。
它不只收集用户明确说错了这种强信号，还收集用户追问了一句、医生改了一个字、模型犹豫了一下这类弱信号。这些信号经过语义聚类、根因分析、专家验证后，转化为训练数据注入下一轮迭代。
本质上是在构建一个从真实使用中学习的数据飞轮。但弱信号的问题在于噪声大、置信度低。用户追问不一定代表模型答错，可能只是用户想了解更多。医生改字不一定代表模型诊断错，可能只是措辞偏好。所以弱信号必须经过聚类和专家验证才能用，不能直接当训练数据。
这里的工程判断是：弱信号的召回率可以高，但精确率必须靠后处理兜住。宁可漏掉一些真实问题，也不能把噪声注入训练集。一次错误的训练数据注入，可能需要三轮迭代才能纠正回来。
给 Harness 构建者的几条实操建议
第一，Harness 的四大机制——编排、角色切换、记忆体系、安全护栏——不要一次性全上。先上编排和记忆，跑通基本流程，再加角色切换和安全护栏。全上容易在调试时无法定位问题出在哪一层。
第二，调参环境从第一天就跟生产环境对齐。不要先搭简化环境跑通再迁移。简化环境省下来的时间，会在迁移时加倍还回去。
第三，三层回路的频率要根据业务场景调。医疗场景外层循环可以月级，但中层循环必须天级——临床质量评估不能拖。如果是客服场景，中层循环可以放宽到周级。
第四，弱信号捕获的阈值要保守。初期宁可少捕获，也不要让噪声污染训练集。等聚类和验证流程跑顺了，再逐步放宽阈值。
第五，异常上报必须带上下文。只有错误码的上报等于没上报。触发条件、上下文快照、动作序列，一个都不能少。
适用边界与风险
这套三层回路加 Harness 治理的方案，适合任务复杂度高、错误代价大、需要持续进化的垂域场景。医疗、法律、金融风控都符合。
不适合的场景也很明确：任务简单、错误代价低、不需要长期记忆的场景，上这套架构是过度设计。比如单轮问答、简单信息检索，直接调模型 API 就够了。
风险在于复杂度。三层回路加四大机制，调试链路长，问题定位难。如果团队没有足够的工程能力维护这套体系，跑起来容易，跑稳很难。建议在团队具备基本的可观测性建设能力之后再上。
最后说一句：Baichuan-M 4 报告里没写的那些工程细节，才是垂域 Agent 构建中最值钱的部分。性能数字会过时，架构决策不会。
