公众号名称：Datawhale

作者名称：王平凡

发布时间：2026-06-22 22:07

Datawhale干货

作者：平凡，英国Northumbria University讲师，

计算机博士

一、用世界杯，我实操了一套 harness

世界杯开打这几天，我最大的感受不是足球激情，是时差。所以，我拿 Kimi 那个预测球队、赢 Token 的活动当成一个练手项目：搭一套自己的 harness，提前预测比赛情况，测试 Agent 在这种含有海量动态信息的环境下的分析预测能力到底如何。

早上我把流程跑起来，五个分工不同的 Agent 分头看当天的比赛，过一会儿回来给我一份日报：哪队更占优、把握大概多少、依据哪些数据、出处在哪。里面专门留了一个“风险官”，负责挑刺、唱反调。这样就可以避免模型编一串比分，连当天到底踢哪几场、谁伤了、谁停赛都没查清楚。

下面就把这套东西怎么搭、怎么跑，从我实际跑出来的过程说起。

二、Harness 底座选了 Kimi Code

这套 Harness 的底座我选了 Kimi Code。它本来就在终端里，读写文件、跑命令都方便；查到的资料、写出的分析也能直接落到本地。

我最看重的是 /swarm。同一场比赛拆给几个角色分别看：数据归数据，战术归战术，风险官只负责挑刺。最后收回来的几份判断报告，不一定一致，甚至会互相打架；但这正是我想要的。

Kimi Code 的长上下文也用得上。赛程截图、历史账本、单场档案可以放在同一轮里看，不用每次都重新交代背景。我的工作就往后退一步：少折腾材料搬运，多盯角色分工和结果验收。

三、数据底座：先把事实弄准，再进行预测

预测任务有个前提常被忽略：你预测的那个对象，得是真的。所以 harness 的第一步不是推理，是先把当天的赛程、还有已经踢完那些场的真实比分，一条条核对清楚。

世界杯的事实来源不复杂，这里我们用 ESPN 官方的赛程结果页，对阵、比分、转播、球场、上座人数都有，再统一换算成北京时间。

在这里，我没为这页截图专门写 OCR 解析器。很多多模态模型其实要么只支持文字识别，要么就是个“外挂”：也就是先通过一个类似于 OCR 的接口，再把生成的文字内容或者理解的内容扔给大模型去解释。它并不是原生的多模态。

Kimi 不一样，图片是直接进模型的，K2.7 本身就能”看”。所以它读到的不是一串割裂的文字，而是理解了整张图的结构。同时，K2.7 的 API 还原生支持视频理解：视频按抽帧送进模型，相同的 context 里面能看更多帧。在这个任务里：它认出了截图里的比分条、对阵、开球时间、场馆，连德国对库拉索的最终比分 7-1、休斯顿 NRG 球场、68021 名观众这种藏在角落的细节都读出来了。

更关键的是，读图直接嵌入在了整条工作流里：读完图的结果会直接传递给后面的对账环节。它会主动拿截图里的比分，和自己账本里联网查到的数据对一遍，互相印证：

四、给每一场球赛，构建了 5 个子Agent

事实核对完，才轮到预测。对待 Kimi Code 这种 Agent 不需要跟大模型一样的做法，直接用 Harness 工程的思路就行了：给他一个大概的目标和简单的约束，然后让他自己去跑就行了。

指令：每天联网查赛果和赛程、换算成北京时间、分析、出一份网页日报，再记一本战绩账本。

在这个过程中，我主要用到的就是它的 /swarm 功能，简单来说就是自动的拆出好几个子 Agent 并行干活，各干各的、最后汇总。

我没有让它笼统地”分析一下比赛”，而是在任务说明书里给它写死了五个人：每个 Agent 一个独立性格、一套只属于自己的关注点，互相不看对方结论，免得视角被带偏：

为什么要这么设计？因为我想要的不是”一个聪明 AI 的综合判断”，而是五个有偏见的专家吵出来的判断：数据派只认数字，战术派只看打法，风险官专门抬杠。意见一致的时候我更敢信，吵起来的时候，那场就是真有看头。

五、实操：在终端里把它跑起来

实际跑的时候，就是在 Kimi Code 终端里推进。/swarm 启动后，先查当天场次和公开预测，再让五个角色分别写自己的判断。该联网的联网，该读图的读图，该落文件的落文件，最后收成一轮日报。

底下那行 auto · K2.7 Code thinking 是它当时的状态：自动模式、跑的是 K2.7 Code 模型。终端里五个 Agent 真的并行跑了起来，各自联网查资料，最后每人交了一份独立的分析文件：

五个角色跑完，产出分两层。第一层是汇总视图：每场比赛，每个角色给一句话结论。

第二层是深度档案。每个角色把自己的判断写成一份单独的 .md，对阵、时间、信心等级、数据依据、来源链接，该有的都有。

很多的伪 multi-agent system，其实每一个 agent 就是用 prompt 包装出来的角色，它并不是一个真正独立的 agent。要是把那个包装打开一看，其实每个 agent 之间的观点是大差不差的。

所以这一点我也特地去看了一下 Kimi Swarm 出来的几个 agent，点开一看，光这一天的五份分析就写了五千来字，而且每一条结论后面都挂着来源链接。光数据分析师一个文件，就长这样（这只是其中一场的节选）：

六、构建 Loop：让 Harness 自我进化

到这儿，骨架已经搭建好了：五个角色、一份日报，每天能把当天的比赛过一遍。但只做到这步，它还只是个跑一次就结束的工具。

但是像世界杯这种比赛，随着一天天数据的积累，每天的情况是有变化的。所以如果只根据静态数据来预测，有两个躲不开的问题：

1. 结果不准确

2. 并不能看出来这个 AI 是否真的聪明

所以我让它每天多做两件事：把战绩记进账本，把判断失误记进错题本。再配上每天早上 8 点自动跑的定时任务，这三样就转成了一个闭环：日报出预测 → 错题本记下错在哪 → 教训喂回第二天的分析 → 新的日报。这就形成了一个 Loop：预测不再是单向输出，而是能回流、能纠偏。

为了看清它到底在不在进步，我让它做了个四方比命中率：Kimi Code vs 官方 300 Agent vs Opta 超级计算机 vs 抛硬币。（这里插一句：Opta 超级计算机是英国体育数据公司 Stats Perform 的预测模型，干这行二十多年，每届世界杯、欧冠都会公开发布逐场胜率和夺冠概率，是媒体引用最多的那个”权威 AI 预测”。）

从搭好这个 Loop 到现在跑了大概三天，最有意思的是它翻车那天。

6 月 15 日，西班牙、比利时、沙特、伊朗四场，我的小分队全押了豪门取胜：结果四场全是平局。一天之内被打脸四次。

但有意思的来了：第二天我翻它的错题本，它自己记了一条教训：“传统豪门开局偏紧、首秀球队低位防守韧性强”。

然后接下来几天分析淘汰边缘的强队时，它真的把”可能被逼平”的权重加上去了。这就是我当初想验证的：一个带记忆、会复盘的 Agent，到底能不能自己越干越好。

跑到小组赛中段，我们逐场对了 12 场账，真实战绩是这样的：

12 场对了 7 场（58% 命中），跑赢了抛硬币（33%）；专业机构 Opta 对了的 9 场里中 6 场（67%），还领先我 9 个百分点。用几乎一句指令搭出来的东西能到这个程度，我已经挺意外了。

下面这张是几天后某一期，顶部记分牌已经累计了战绩，账本在一天天变厚：

七、写在最后

这次实操完，我有个深刻的感受：现在 AI 工具值不值得用，比的早就不是聊天了，是它外面那层 harness：能不能调度工具、能不能把一个目标拆开并行干、能不能带着记忆持续工作。Kimi Code 这套 harness，在国产命令行 Agent 里确实做得靠前。

也正因为这样，它换个题材照样成立。把球队换成股票、把赛程换成财报，骨架一点不用动，换个场景还能接着用。

一起“点赞”三连↓

---

内容效果不满意？点此反馈