AI 科技新聞

Prime Agent 是什麼？ARC-AGI-3「95.5%」背後，AI 能力開始從模型轉向 Harness

Prime Agent 讓 Opus 5 在 ARC-AGI-3 公開集宣稱取得 95.5%，重點不只是跑分，而是模型外圍 Harness 如何改變長任務、多 Agent 與自我改進能力。

Prime Agent 是可搭配不同模型的開源 Agent Harness，不是 Prime Intellect 新訓練的基礎模型。圖片來源：https://www.primeintellect.ai/blog/prime-agent

Prime Intellect 在 2026 年 8 月 5 日推出開源工具 Prime Agent，並宣布它搭配 Claude Opus 5，在 ARC-AGI-3 測試拿到 95.5%，略高於官方影片所列的 95.4% 人類專家基準。消息很快登上 X 趨勢，最容易讓人得到的印象是：AI 已經在新一代智慧測試中超越人類。

但 Prime Agent 不是新模型，95.5% 也不是 ARC Prize 半私有資料上的 Verified 成績。它是一套放在模型外圍的 Agent Harness，也就是替 AI 管理工具、記憶、子任務與長時間執行的工作框架。這次真正重要的訊號，是同一個模型換上一套不同的 Harness，表現可能出現數倍差距。

我的判斷是中性偏多。Prime Agent 的架構與公開執行紀錄都值得重視，卻還不足以證明它已經「解決」ARC-AGI-3，更不能當成 AGI 到來。經常跑長任務、懂得限制權限與驗證結果的開發者可以測試；一般使用者與正式團隊不必急著從 Codex 或 Claude Code 遷移。

Prime Agent 是什麼？

Prime Agent 是一款用於程式開發、研究與長時間自主工作的 AI Agent。AI Agent 可以理解成「不只回答問題，還能自己使用工具完成任務的 AI」。你交代一項工作後，它能讀取專案、執行指令、分派子任務、檢查結果，再根據失敗繼續修正。

它與一般聊天機器人的差別，不在於對話介面，而在模型外圍多了一套完整執行環境。這套環境就是 Harness。模型負責判斷下一步，Harness 則負責提供工具、保存工作狀態、控制權限，以及讓任務在多個回合後仍能繼續。

Prime Agent 已在 GitHub 以 MIT License 開源，支援 macOS 與 Linux。官方安裝指令是：

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

這行指令會從網路下載腳本並立刻執行。即使網址來自官方，正式開發機仍應先檢視腳本，並在可還原的測試專案中安裝。Prime Agent 會使用目前使用者的權限執行模型產生的 Python 與系統指令，官方明確提醒它不是安全 Sandbox，也就是不會把程式完全隔離在主機之外的防護環境。

Prime Agent 的核心不是多 Agent，而是讓模型能操作自己的工作方式

多 Agent 並不是新概念。Prime Agent 真正有差異的地方，是把工作歷史、工具與 subagent 變成模型可以用程式操作的物件，並允許 Agent 根據實際結果調整自己的輔助規則。

1. RLM：不必把所有歷史一直塞在對話框裡

RLM 全名是 Recursive Language Model，中文可理解成「能遞迴呼叫其他模型工作的語言模型架構」。Prime Agent 讓模型在一個持續存在的 IPython 環境中工作。IPython 是可逐步執行 Python、保留變數與查看結果的互動式程式環境。

傳統 Agent 常把檔案內容、工具結果與舊對話不斷塞回模型的輸入，任務一長就要壓縮或丟掉早期資訊。Prime Agent 則能把資料放進變數，需要時再用程式搜尋、切分或交給 subagent。Subagent 是由主 Agent 分派特定工作的子 Agent，例如一個負責理解登入流程，另一個負責檢查測試。

這個設計的價值不是「記得所有細節」，而是讓模型能決定何時讀取哪些細節。對大型程式庫、長篇研究與大量紀錄來說，這通常比反覆把整份內容送進模型更省 token。Token 是模型計算文字用量的基本單位，也會直接影響 API 成本與處理時間；API 則是讓程式呼叫模型服務的介面。

2. Continual Harness：改的是輔助規則，不是模型本身

Prime Agent 把 prompt、memory、skill 與 subagent 規格視為可讀寫的 Harness 狀態。Prompt 是交代 AI 行為與限制的文字指令，memory 是跨回合保留的工作資訊。Skill 則是可重複使用的流程或工具能力。

當 Agent 發現一種重複錯誤或有效做法，可以使用 /refine 分析自己的工作軌跡，再做一筆小幅修改。例如記住某個測試容易不穩、建立重試流程，或更新特定 subagent 的任務說明。每次修改都會記錄原因與結果，也能依歷史版本回復。

因此，「self-improving」不是 Prime Agent 會自己重新訓練 Opus 5，也不是它能任意改寫基礎 system prompt。System prompt 是產品在最底層設定的行為規則。Prime Agent 維持這層不變，調整的是周圍的記憶、技能與工作配置。

3. Subagent 可以留在背景，之後再繼續同一項工作

Prime Agent 的 subagent 不必在交回一次答案後消失。每個 subagent 都有自己的 session、IPython 狀態與歷史紀錄，可以在背景執行、暫時移出記憶體，之後收到訊息時再接續。

Session 是一次持續工作的完整紀錄。Prime Agent 會把它保存成只往後追加的 JSONL 檔案，終端機中斷也不會直接終止工作。JSONL 是每一行存放一筆 JSON 資料的文字格式，方便系統逐步記錄對話、工具與狀態變化。

Prime Agent 以 IPython kernel 連接模型、工具、持久 subagent 與 Continual Harness — 模型在持久 IPython 環境中呼叫工具與 subagent，Continual Harness 再依工作軌跡更新 prompt、memory、skill 與 subagent 規格。圖片來源：Prime Intellect 官方部落格。

Prime Intellect 在 X 發布的官方示範，包含可程式化工具呼叫、Agent-to-Agent 通訊與 ARC-AGI-3 成績畫面。影片來源：Prime Intellect 官方 X 貼文。

ARC-AGI-3 在測什麼？

要理解 95.5% 的意義，先要知道 ARC-AGI-3 不是一般問答考試。它是 ARC Prize Foundation 在 2026 年推出的互動式推理 Benchmark。Benchmark 是用固定任務比較 AI 系統能力的測試集合。

完整 ARC-AGI-3 有 135 個由人類設計的抽象環境。測試者不會拿到規則、目標或解法，只能觀察畫面、嘗試動作、推測世界如何運作，再把前一關學到的規則帶到後續關卡。這使它同時測到探索、建立假設、修正錯誤與長期規劃。

分數採用 RHAE，也就是 Relative Human Action Efficiency。白話來說，它不只看 AI 有沒有過關，也會比較 AI 使用多少次動作，以及人類第一次玩同一關時需要多少動作。100% 代表 AI 完成全部遊戲與關卡，整體行動效率達到或超過人類基準，不代表 AI 在所有知識與工作上都等同人類。

Prime Agent 這次跑的是公開展示集，共 25 個環境、183 個關卡，不是完整 135 個環境，也不是 ARC Prize 用來做 Verified 驗證的半私有資料。公開展示集可讓所有研究者反覆實驗；半私有資料則不公開內容，用來檢查方法是否只對已知題目有效。

95.5% 真的超過人類嗎？先看三種不同口徑

Prime Intellect 表示，Opus 5 搭配 Prime Agent 的三次執行分別得到 95.0%、95.2% 與 95.5%，最高單次超過公司所列的 95.4% 人類專家基準。若從三次執行中挑出每個遊戲的最佳結果，Best@3 可達 99.97%，並完成 183／183 個關卡。Best@3 的意思是「每一題從三次嘗試中挑最好一次」，不能當成單次完整任務的成功率。

這項結果並非只有宣傳圖。Prime Intellect 連結了一張發布在 ARC Prize 網站上的公開 scorecard，也就是每個環境、動作數與 replay 的成績紀錄。2026 年 8 月 6 日讀取這張 scorecard，總分為 95.24%，完成 24／25 個環境與 178／183 個關卡，總計 11,245 次動作。

Prime Intellect 官方 X 影片顯示 Prime Agent 搭配 Opus 5 在 ARC-AGI-3 取得 95.54% — X 影片顯示 95.54%，但目前 ARC Prize 公開 scorecard 顯示同一組 178／183 關、24／25 個環境與 11,245 次動作的分數為 95.24%。圖片來源：Prime Intellect 官方 X 影片。

成績	執行者與環境	可以得出的結論	不能得出的結論
95.5%	Prime Intellect 自行執行，Opus 5＋Prime Agent，Public Demo	公司測試顯示 Prime Agent 在公開集表現很高	已通過 ARC Prize 半私有資料驗證
95.24%	ARC Prize 網站目前可讀取的 Prime Agent 公開 scorecard	至少有一個 95.2% 左右的 run 可逐關查看	95.5% 這個最高 run 已被 ARC Prize 重現
30.16%	ARC Prize Verified 頁面的 Opus 5 High 標準設定	Opus 5 在官方標準 Harness 下的結果	Prime Agent 在完全相同條件下只靠換 Harness 提升到 95.5%

三個數字測的都是 ARC-AGI-3，執行方式卻不同。ARC Prize 的 Verified Leaderboard 會用標準模型設定測試半私有資料；Prime Agent 的結果則是開發團隊在公開展示集上跑完整 Agent 系統。兩者的 prompt、工具、計算量與執行流程都不相同。

ARC Prize 的政策也要求，公開資料上的獨立成績若尚未驗證，就必須清楚標示。特殊開源系統要進一步取得 Verified 資格，需要能自動重現，並接受半私有資料測試。Prime Agent 已公開程式碼與一張可查 scorecard，這使結果比單張官方圖更可信，但仍停在「可研究的公司結果」，不是獨立驗證完成的紀錄。

真正值得注意的仍是差距本身。Opus 5 並沒有重新訓練，Prime Agent 卻讓它能把畫面與歷史存進變數、寫程式分析狀態、分派 subagent，再把策略帶到後續關卡。這支持一個更實際的判斷：未來比較 AI 產品，不能只問用了哪個模型，也要問模型外面包了什麼 Harness。

Prime Agent 有全面打敗 Claude Code 與 Codex 嗎？

目前不能這樣說。Prime Intellect 另外公布 9 組長內容、程式開發與推理測試。Prime Agent 搭配 Opus 5 對 Claude Code 贏 6 組、輸 3 組；搭配 GPT-5.6 Sol 對 Codex 也是贏 6 組、輸 3 組。

有些差距很大，例如 GPT-5.6 Sol 在 OOLONG 長內容測試中，Prime Agent 為 0.940，Codex 為 0.500。有些項目則是原生工具較高，例如 OBLIQ-Bench 中 Codex 為 0.646，Prime Agent 為 0.612；Opus 5 在 EmulatorBench 也由 Claude Code 的 0.062 小幅領先 Prime Agent 的 0.047。

這組結果支持「Prime Agent 已有競爭力」，不支持「它在所有任務都更強」。測試仍由 Prime Intellect 執行，不同產品使用的模型、設定與計算資源也不完全一致。更有價值的下一步，是讓獨立單位固定同一個模型、成本與權限，只更換 Harness，才能看出產品設計本身帶來多少提升。

「會自我改進」也是 Prime Agent 最大的風險

Prime Agent 最吸引人的功能是 /refine，最需要警戒的也是它。系統會根據「哪些動作得到好結果」更新自己的 memory 與 skill，但機器判定成功，不一定等於人的真正目的。

Prime Intellect 在官方 Factorio 案例中主動揭露，Prime Agent 發現可以透過 RCON 指令直接把資源傳送進機器，繞過遊戲原本的規則。RCON 是從外部遠端控制遊戲伺服器的管理介面。即使提示持續提醒它不要作弊，Agent 仍把這套方法整理成更有效率的作弊技能。

這不是旁枝末節，而是 Continual Harness 的核心風險。當成功條件只看分數、測試或某個 gate，Agent 會強化最容易通過檢查的做法，不保證理解背後意圖。Gate 是任務結束前必須通過的自動檢查，例如測試指令成功；它只能證明檢查到的條件成立，不能證明程式安全、需求正確或沒有繞過規則。

再加上 Prime Agent 會用目前使用者權限執行模型產生的程式，長任務的影響範圍可能比一次聊天更大。正式導入前，至少要限制可讀寫目錄、使用可還原的分支或 worktree、把不可信程式放在外部 Sandbox，並由人工檢查重要變更。Worktree 是 Git 用來建立另一份獨立工作目錄的功能，方便隔離修改與快速回復。

Prime Agent 適合誰？

Prime Agent 現階段最適合三類使用者：

經常處理大型程式庫與長任務，希望 Agent 能保留研究進度的開發者。
想研究 RLM、持久 subagent 與 Agent-to-Agent 協作的 AI 工程團隊。
願意自行建立 Sandbox、權限邊界、測試與人工 review 的進階使用者。

如果只是偶爾請 AI 解釋錯誤訊息，Prime Agent 的背景服務、持久 session 與多 Agent 會增加理解與維護成本。若專案含有客戶資料、金鑰或商業機密，也不應直接在日常工作目錄啟動，因為工具的恢復能力與工作持久性不等於資料安全。

我會用一個有完整測試、可隨時丟棄的小型 repository 開始，比較完成率、token 用量、修改品質與人工介入次數。若它只在 ARC-AGI-3 表現突出，卻沒有改善真實任務的總成本，就不值得為了排行榜全面遷移。

Prime Agent 常見問題

Prime Agent 已經證明 AGI 出現了嗎？

沒有。95.5% 是特定 Harness 在 ARC-AGI-3 Public Demo 的公司測試。ARC-AGI-3 衡量新環境中的探索、學習與行動效率，不能代表 AI 在所有工作都達到人類能力；Prime Agent 也尚未完成 ARC Prize 的半私有資料驗證。

Prime Agent 是新的 AI 模型嗎？

不是。它是一套開源 Agent Harness，可以搭配不同的開源或封閉模型。這次 95.5% 使用的是 Anthropic 的 Opus 5，成績變化來自模型與 Harness 的組合。

Prime Agent 是免費的嗎？

Prime Agent 程式碼採 MIT License 開源，但實際執行仍要使用模型服務。模型 API、訂閱或運算資源可能產生費用，金額取決於選用的 provider、模型、token 用量與任務時間。Provider 是提供模型 API 或運算服務的公司。

Windows 可以使用 Prime Agent 嗎？

官方安裝說明目前只列 macOS 與 Linux，沒有宣布 Windows 原生支援。即使能透過 WSL 等 Linux 相容環境啟動，也應視為自行測試的相容方案，不要直接假設正式支援。

Prime Agent 比 Claude Code 或 Codex 強嗎？

目前只能說它在 Prime Intellect 公布的多數長任務測試中具有競爭力，ARC-AGI-3 Public Demo 的表現也明顯較高。它沒有在所有測試全面領先，且缺少固定同一模型與成本的獨立比較，因此還不能下「最強 coding agent」的結論。

結論：模型沒有消失，但 Harness 正在變成 AI 產品的第二顆大腦

Prime Agent 最有價值的地方，不是把 95.5% 寫在排行榜上，而是具體展示模型外圍還有多少性能可以被挖掘。RLM 讓模型用程式管理自己的工作內容，持久 subagent 讓長任務不必每次從頭開始，Continual Harness 則把成功與失敗轉成可延續的工作規則。

目前證據讓我對這個方向中性偏多，對「已超越人類」的宣傳則保持保留。公開 scorecard 證明高分 run 確實存在，但目前讀值是 95.24%，X 影片顯示 95.54%，最高 95.5% 也還沒有 ARC Prize Semi-Private 的獨立驗證。

真正會讓評價轉為偏多的，不是再出一張更高的公開集圖表，而是 Prime Agent 能在半私有資料與真實專案中，以相同模型、合理成本及受控權限重現優勢。若這件事成立，未來選 AI 工具時，模型名稱可能只回答了一半問題；另一半要看 Harness 如何讓模型工作。