后端互通，Agent 才能協作｜對話 Taku 團隊

PRODUCT

春節期間，注意到一個叫 Taku 的產品

說一下：這個產品目前并沒有完全 ready，本篇也不是對產品的推廣

但在這個產品里，有非常多有趣的思考

Taku 做的事情,可以這樣概括：你在 Taku 里生成出來的所有東西，不管是 Agent、工具還是純軟件腳本，底層共享一套統一的通訊協議，可以相互調用

Taku 在做一件很大的事：每個人都可以把自己的代碼、知識、技能快速地在 Taku 里重構、分發。從生成、運行、串聯到分發的完整閉環

比如你在里面做了一個 AI 股票分析系統和一個量化選股腳本，主 Agent 可以直接把這兩個東西串起來用，不需要手動配接口。一個是 Multi-agent 架構，一個是純軟件、完全沒有大模型，但它們的后端是通的

同時，你在其中一個應用里積累的數據和使用習慣，會自動同步給所有相關的應用

Taku 產品界面

前兩天有機會和 Taku 的創始人 Austin 聊了兩個小時。以下是聊天的內容，以及一些我的補充

先說 Harness

Harness 這個詞最近在海外 AI 工程圈非常熱

今年 2 月，OpenAI 的 Codex 團隊發了一篇文章，講的是他們內部用 Codex agent 從零開始構建了一個百萬行代碼的產品，全程沒有手寫一行代碼

https://openai.com/index/harness-engineering/

Martin Fowler 隨后在 Thoughtworks 的專欄里跟進討論，LangChain 寫了「The Anatomy of an Agent Harness」，Salesforce 也出了自己的定義文章

這些討論里對 Harness 的共識大概是這樣的：

Agent Harness 是包裹在 AI 模型外面的那一整層軟件基礎設施，負責管理模型的生命周期、上下文、工具調用、狀態持久化和錯誤恢復

模型提供推理能力，Harness 提供推理之外的一切

LangChain 的文章里有一個說法：模型是 CPU，上下文窗口是內存，Agent Harness 就是操作系統

Anthropic 自己也把 Claude Agent SDK 稱為一個通用型的 Agent Harness

目前行業里討論 Harness 的時候，主要關注的是怎么讓單個 agent 更可靠地完成長時間、復雜的任務

Taku 用了 Software Harness 這個詞，但他們關注的問題往前走了一步：多個生成物之間怎么協作

三層 Harness

Austin 和他的團隊把 Taku 的 Harness 分成了三層

第一層：Runtime

生成出來的東西直接能跑，不需要部署，這里 Austin 給我做了個演示：從 GitHub 拉了一個叫 OpenCut 的開源剪輯工具下來

這個項目依賴很復雜，有數據庫、有 Redis、有一堆外部組件，正常情況下自己配環境也要折騰很久

OpenCut 在 Taku 里直接配置運行

之前，Austin 在 Taku 里面做了一個自然語言剪輯和生成視頻的小 APP，叫 FlashCut

對著這個 APP，他做了一件更有意思的事，對 Taku 說：把 FlashCut 里的這個視頻生成 skill，拼到 OpenCut 里面去

一個完全沒有 AI 能力的開源項目，就這樣獲得了 AI 視頻生成的能力

Taku 將 Flashcard 的 AI 能力原子化拼接到 OpenCut

Austin 提到一個觀察：做 APP 的難點很多時候甚至不在「做」，在做完之后怎么把它跑起來

中間要部署、要打包、要配環境。這個過程太長的話，用戶的耐心就斷了

他拿抖音和 YouTube 做了個對比：拍攝本身現在都不難了，難的是拍完之后你還得剪、還得傳、還得配。如果拍完直接就能發，整個創作的動力鏈條就是通的

Taku 的 Runtime 想解決的就是這個環節。生成完直接能跑，跑完直接能用

VIDEO · 原子化拼裝新軟件

演示者先展示了一個叫 FlashCut 的 AI 視頻生成工具（可以通過自然語言修改視頻），然后部署了一個叫 OpenCut 的開源剪輯工具（類似剪映，但本身沒有 AI 能力）

向 AI 下達指令：把 FlashCut 里的 AI 視頻生成能力，集成到 OpenCut 里面

AI 成功將 FlashCut 的 AI 能力「拔」了出來，作為新模塊嵌入 OpenCut。側邊欄多出了一個「AI Video」選項，可以直接通過文字生成視頻，生成后導入軌道做傳統剪輯

第二層：統一的后端通訊協議

Austin 提到一個記者朋友做楊植麟訪談的例子：他需要一個錄音工具，一個筆記工具，一個用 Manus 搭的資料工作流，再加上自己寫作風格的 reference

在 Claude Code 或者 OpenClaw 里面，情況也類似。你生成了三個項目，三個項目的后端是各自獨立的。你想讓項目 A 調用項目 B 的能力，需要自己手動配置

OpenClaw 的 skill 體系能做的事情也是有邊界的，很多投資人以為 skill 什么都能做，實際上限制不少

生成容易，協作難

Taku 定了一套 Protocol：所有在 Taku 生態內生成出來的東西，后端都有一套統一的對 agent 接口

不管它是一個 Multi-agent 系統、一個純軟件腳本、還是一個 AI skill，主 Agent 都可以無縫調用

Austin 演示了一個具體的串聯：AI Hedge Fund 是一個開源的 Multi-agent 股票分析系統，把巴菲特、芒格等不同投資人的方法論分別做成了 agent，每個 agent 會對股票的不同維度做出主觀判斷

旁邊是一個純量化腳本的選股器，完全沒有大模型參與，純軟件邏輯

這兩個東西的后端結構、數據庫可能完全不一樣。但在 Taku 里，一句話就串起來了

主 Agent 發現這兩個工具都有后端，直接用后端對后端的方式調用，把兩邊的結果合在一起給你

AI Hedge Fund 與量化選股器串聯

中間有一層轉義層來處理不同后端之間的數據結構差異。Austin 說這個做了大概兩三個月

這個 Protocol 也帶來了一個延伸的可能性

Austin 提到，如果一個量化基金的交易員有自己的交易策略，他可以把這個策略封裝成一個 Taku 里的軟件后端，原子化地分發出去

別人拿到之后可以在上面調參數，按使用次數付費

代碼本身不再稀缺，稀缺的是代碼背后承載的專業知識

過去想分發軟件能力，你需要是一個開發者。以后可能只需要某個特定領域的 knowledge

VIDEO · 組裝后端能力

屏幕上同時打開了兩個金融分析軟件。左側是一個純代碼驅動的「量化選股策略器」（負責計算和走勢圖），右側是一個「AI Hedge Fund」（通過多智能體進行情感分析和信號預測）

在底部的全局對話框中輸入指令，要求「綜合這兩個軟件的信息和功能」

AI 直接識別并調用了兩個獨立軟件的后端接口，將量化數據與多智能體分析結果串聯融合，在統一界面中輸出了綜合分析報告

第三層：跨應用的 context 和記憶共享

你在某個應用里積累的數據、使用習慣、定義的規則，會自動同步給所有相關的應用

Austin 給我看了一個例子

有用戶在 Taku 里做了一個咸魚風格的寫作工具，Taku 先把這個工具里的能力抽象成了一個 skill。后來這個用戶又上傳了一批咸魚的文章，做了一個知識圖譜

這時候 Taku 自動識別到「這也是關于咸魚的」，然后把寫作工具里的 skill、知識圖譜里的數據、以及所有相關的 Agent 和 APP，全部 update 了一遍

結果是這個寫作工具生成內容的「咸魚味」比之前濃了很多

咸魚寫作工具與知識圖譜的 context 共享

這三層加在一起的效果是：用戶在 Taku 里用得越久，跨應用的 context 積累越厚

不同的工具之間會持續地互相喂數據、互相迭代。你在寫作工具里新增的素材，會影響到知識圖譜的更新；知識圖譜的變化，又會反過來讓寫作工具的輸出更準確

Austin 說，這也是 OpenClaw 或者純 Claude Code 產品做不了的

每個項目的記憶是孤立的，你在項目 A 里積累的東西，項目 B 看不見

VIDEO · 跨 APP 跨 Agent 的 context 共享與自主持續迭代

這是一個用「咸魚吐槽風格」寫文章的 AI Agent，起初吐槽不夠精準。然后進行了一個看似不相關的操作：丟給 AI 一堆關于咸魚的文章，讓它做一個知識圖譜

系統在后臺自主完成了跨應用的記憶更新：AI 在整理知識圖譜時提取到了關于咸魚的深層知識，并自動同步到了那個吐槽 Agent 的上下文中，不需要人類顯式地命令它去更新

再次要求用咸魚風格吐槽 Lovable 時，生成的文案變得非常精準、深刻且陰陽怪氣。能力得到了顯著的進化

Austin 在想什么

Austin 是個連續創業者，加拿大長大，大三做了個男性化妝品品牌叫 Faculty，做到 200 萬美金營收之后被雅詩蘭黛收購

之后在國內做過 GPU 云游戲（奇績創壇投的），轉型做了 AI 訓練 Infra，服務過 MiniMax 等公司，作為聯合創始人做了 Sapient Intelligence，拿過 2200 萬美金種子輪

現在這個項目，團隊規模很小，目前還沒有融資

至于為什么做這個，要從 2024 年底談起，當時 Austin 的日本投資人跟他說，日本最大的 AI 需求是一個 terminal level 的 coding agent。當時 Claude Code 還沒出來，市面上沒有好的方案

Austin 就帶團隊從 0 搭了一個

但到了年中， Claude Code 發布了。同期 Bolt.new 這類產品選擇直接在云上封裝 Claude Code，增長非常快

Austin 面前有兩個選擇：跟著封裝，或者繼續自己搭底層，他選擇了后者

如果底層 coding engine 是別人的，你改不了后端架構

封裝 Claude Code 的產品，在生成單個應用這件事上可以做得很好，但在應用之間的串聯和協作上，會受限于 Claude Code 本身的架構

Austin 聊到一個他覺得有意思的張力

Claude Code 是為開發者設計的，它的邏輯是項目之間默認隔離。對開發者來說這完全合理，畢竟：默認幫我把兩個項目的權限打通，萬一出了安全問題怎么辦？

所以 Claude Code 大概率會繼續沿著「更好地服務開發者」這條線走，項目隔離的設計不會變

但普通人的需求正好反過來。普通人不想管權限、不想配接口，他就想說一句話讓幾個工具自己協作起來

對開發者來說，默認打通權限是危險的。對普通人來說，默認隔離一切是麻煩的。同一件事，兩群人的需求正好反過來

Austin 和他的團隊在做的，大概就是這個方向

Taku 目前還在測試階段。可以去申請 waiting list，能不能通過是另一碼事了

taku.ai