前面八章一直在说：Harness 很厚、很重要。这一章要把话说得更重一点——在某些领域，壁垒根本不在 Agent 这一层，而在 Agent 之下。
什么叫「Agent 之下」？一个做数据分析的 Agent，结构大致是这样叠的：最上面是模型（负责理解你的问题、规划分析步骤）；中间是 Harness（工具、上下文、闭环）；最底下还压着一层——真正执行分析的东西：分析语言、计算引擎、数据管道。模型的命令最终要翻译成这一层能执行的指令，才能碰到数据。
这一层，就是我说的「Agent 之下的壁垒」。在 Data Agent 里，它就是底下的分析语言和引擎。
为什么壁垒会沉到最底下
想明白一件事：大模型做数据分析时，它自己其实不算数。
你问「上个季度哪个区域增长最快」，模型不会自己去翻一百万行数据——它干的是「想清楚该算什么、写成一句 SQL 或一段分析代码、交给底下的引擎去执行、再把结果读回来解读」。真正和数据肉搏的是引擎。
这就带来一个残酷的推论：引擎的能力上限，就是 Agent 的能力上限。引擎算不动十亿行，模型再聪明也只能绕着小数据打转；引擎不支持某种关联分析，模型规划得再漂亮也执行不了；引擎慢得要等一小时，第五章那个「快速迭代闭环」就转不起来。
大白话：模型是军师，引擎是士兵。军师谋略再高，士兵只有三个，也打不了大仗。而练兵——把士兵从三个练成三万——是极其耗时耗钱的硬功夫，这才是别人抄不走的东西。
这层壁垒为什么难抄
模型是公共品——你可以调 API，别人也可以。上层的 Agent 编排逻辑，看看 demo 也能模仿个七八成。但底下的分析引擎，是另一回事：
- 它要解决真问题：十亿行数据秒级响应、上百张表正确关联、口径变了全局一致——每一个都是十年量级的工程。
- 它的能力接口要和模型磨合：模型「想做什么」和引擎「能做什么」之间的翻译层，错一点就出错误结果，而数据分析里错误结果比没结果更糟。
- 它沉淀的是领域知识：分析语言里凝结了「这个行业的分析到底怎么做」的理解（下一章的三种融合形态就是例子），这不是写代码，是写认知。
换个角度看竞争
理解了「壁垒在下面」，你看 AI 公司的方式就变了。别问「你用了什么模型」——答案大家都一样。要问：「模型之下，哪一层是你自己的？」
做 Data Agent 的，答案应该是分析语言和引擎；做编程 Agent 的，答案可能是代码索引和执行沙箱；做客服 Agent 的，答案可能是工单系统和知识库管道。答不上来的公司，做的是「模型的包装纸」——模型一升级，包装纸就作废；答得上来的，模型升级对它反而是利好，因为引擎不变，换了个更聪明的军师而已。
下一章我们钻进这层壁垒的内部，看一个具体而硬核的例子：「结构化 + 非结构化融合分析」这句黑话，扒开其实是三种实实在在的形态。