大部分人把 MiniMax Code 看成又一款类 Manus 的桌面 agent：能控制浏览器、写代码、订餐厅。这没错，但只停留在表层。在 AGI Playground 2026 上，MiniMax DevRel 负责人 Vincent 真正想讲的是：对基础模型公司来说，agent 不再只是产品层，而是训练下一代模型的基础设施。
从“Agent 实习生”到 MiniMax Code
2025 年 5 月，MiniMax 先做了一个云端 agent demo，能操作 Linux 沙箱和虚拟机。随后真正让 agent 在公司内部扎根的，是一款飞书 bot，内部叫 “Agent 实习生”。
销售用它研究潜在客户、写个性化文案；设计师把设计还原问题交给它生成代码分支；HR 用它筛简历，效率翻十倍；工程师用它分析告警 trace、判断积分消耗是否合理。这种用法改变的是心态：agent 不再是一个“工程师”，而是一个能再创造实习生的 leader。
内部实践催生了下一步：把工作流从云端搬到本地桌面，推出 MiniMax Code；同时发布在同样 harness 里训练出来的 M3 模型。
训练-服务的飞轮
基础模型公司只做两件事：训练模型，然后服务模型。训练需要算力、数据、训练算法和 gyms（可重复训练环境）；服务需要算力和推理工程。
Agent 直接作用于两边。M2.7 能自主运行实验、分析实验，甚至自己写 harness 代码。研究员从串行调试变成并行验证假设。更重要的是，真实用户用 MiniMax Code 完成的长周期、 messy 任务轨迹，被工程团队清洗成可重复、可打分的 gyms，再进入 RL 和 post-training。
这就是 Vincent 所说的 “经验时代”：模型光在静态数据集和数学题上表现好不够，必须在真实工作流里证明价值。MiniMax 甚至请了金融、法律、医疗领域的专家，专门用 MiniMax Code 完成真实工作，把行为数据变成高质量训练信号。
三层协同设计
支撑这个战略的是三层 co-design：
- Model-Chip co-design：芯片与模型架构一起优化，已广为人知。
- Model-Harness co-design：模型在特定 harness 里训练，自然在该 harness 里表现更好。
- Inference-Harness co-design：harness 和推理服务都在自己手里，harness 的 system prompt、tool calling 模式、错误处理都会直接影响推理端的缓存命中率、调度效率和 token 消耗。
这也是 Anthropic 限制订阅用户在第三方 harness 中使用其服务的原因之一：不只是品牌控制，更是工程控制。自研 harness 能让推理需求更可预测，同等算力下服务更多用户，任务执行也更便宜、更稳定。
产业含义
过去行业默认“模型是产品，API 是商业模式”。MiniMax 的方向暗示，真正的产品可能是 模型-harness-推理系统。Agent 不是 API 的 wrapper，而是收集数据和优化效率的底层，让下一个 API 更强。
这意味着三件事：第一，官方 agent 在可靠性和成本上会比第三方 harness 有结构性优势；第二，真实工作流数据将成为 post-training 的新护城河；第三，开发者未来可能会发现，用模型官方 harness 才能拿到该模型的最佳版本。
行动建议
对开发者：评估 agent 时不仅看“能不能完成我的任务”，还要看“它能不能让底层模型在我的任务类型上持续变好”。
对企业：选择自研 harness 还是官方 agent，是在“今天的控制力”和“明天的推理效率”之间做 trade-off。
对行业：agent 竞争已经从用户体验层面，下沉到训练-服务闭环的系统性效率。