正本清源:企业 AI 不是建在 Harness 上,而是用 Harness 承载业务流程
最近有一种说法在中文圈里来回传:黄仁勋说:未来企业 AI 要建立在 Harness 上,而不是工作流,也不是业务流程。
这句话听起来很新,但要先问一个问题:原始材料到底是不是这个意思?
我把 LangChain、NVIDIA 的正式发布稿,以及几篇围绕 Agent Harness 的技术文章重新看了一遍。结论很明确:公开可查的一手材料讲的是模型之外的工程系统,而不是否定业务流程。
图1:一手材料讲的是工程系统,不是否定业务流程。
这里必须正本清源。
原始语境里,被讨论的是企业如何把模型变成可运行、可治理、可评测、可进入生产的 Agent 系统。LangChain/NVIDIA 的正式稿甚至明确把企业自己的 data、know-how 和 workflows 放在一起讲。
所以,问题不是某个人说错了,而是二次传播把一个工程词讲成了管理词的替代品。有人听到 Harness,就顺手把 workflow、business process 打倒,好像企业以后不要围绕流程建设 AI,而要围绕 Harness 建设 AI。
这就把话说歪了。
企业 AI 一定是围绕业务流程走的。离开业务流程,Harness 只是工程外壳;回到业务流程,Harness 才有任务、有边界、有权限、有验收标准。更准确地讲,在企业 Agent 落地场景里,Harness 是业务流程被工程化之后的执行载体。
图2:Harness 的价值在于让流程进入可执行状态。
一、先把 Harness 这个词讲清楚
LangChain 在《The Anatomy of an Agent Harness》里给了一个很直接的定义:Agent 等于模型加 Harness。它的意思不是“公司等于 Harness”,也不是“业务流程被 Harness 取代”,而是在 Agent 工程里,模型之外那套让 Agent 能完成任务的工程装置,都属于 Harness 的范围。
这里面包括系统提示词、工具、Skill、MCP、文件系统、沙箱、浏览器、编排逻辑、中间件、状态管理、校验钩子、执行环境和约束条件。它们共同解决一个问题:模型本身只能生成内容,Harness 才让它进入任务执行。
换成人话:模型只是“大脑”,Harness 是让这个大脑能干活的工作装置。
模型本身不能稳定记住企业状态,不能直接执行代码,不能安全访问系统,不能自己判断哪些动作允许做、哪些动作必须停下来等人确认。所有这些东西,都要靠 Harness 包起来。
所以 Harness 不是一个玄学词。它就是围绕模型搭出来的一套执行系统。技术专家如果更严谨一点,可以把它理解成 Agent 的控制面、执行外壳和工程适配层。
二、原始材料到底讲了什么
这次 NVIDIA 和 LangChain 推 NemoClaw Deep Agents Blueprint,核心不是又发布了一个模型,而是把模型、Agent Harness、评测和安全运行时放到同一个开放技术栈里。
LangChain 的正式稿讲得很清楚:生产级 Agent 不能只看模型选择,还要控制模型周围的系统,包括工具、上下文、评测、运行位置,以及每个动作适用的策略。它还特别提到,企业把 Agent 放进生产之后,记忆、workflows、执行轨迹、评测数据、Harness 配置和调优数据都会沉淀企业自己的领域经验。
NVIDIA 中文博客和 LangChain 的技术文章也指向同一个事实:性能提升不只是重训模型,很多时候来自模型周围环境的工程优化,比如提示词、工具描述、中间件、运行时和评测回路。
这才是原始材料里真正值得抓住的事。
企业不能只买一个通用模型,然后指望它自动懂自己的业务。企业真正要拥有的,是自己那套任务怎么拆、工具怎么调、权限怎么控、失败怎么回退、结果怎么评测的系统。
在 Agent 工程里,这类围绕模型的任务执行系统,可以被称为 Harness。但它并不自动回答“企业应该围绕什么设计 AI 能力”这个管理问题。
三、正本清源:企业 AI 一定围绕业务流程走
很多人误读,就误在这里。
他们听到 Harness,就以为它是一个比 workflow、business process 更高级的新词。于是顺手把旧词打倒:以后不要讲流程了,要讲 Harness。
我不认同。
企业 AI 不可能脱离业务流程。
因为企业里任何一段真正有价值的 AI 执行,都不是凭空发生的。它一定对应一个业务任务:采购申请、合同预审、客户跟进、需求评审、费用报销、供应商准入、项目周报、风险检查。
这些任务背后都有流程。谁发起,谁判断,谁审批,谁执行,谁兜底,输入是什么,输出是什么,异常怎么处理…