企业里，一个 AI 应用能不能用，关键不在演示时回答得多漂亮。 它要进得了业务流程，接得住业务经验，还要在关键节点可控、可查、可验证。 我把这件事拆成三层：Agent 负责推进任务，Skill 负责复用经验，Harness 负责管住运行过程。

这两年，很多企业都在问同一个问题：

我们是不是也应该做一个 AI 应用？

每次听到这个问题，我通常不会马上谈模型或平台。我会先跟着业务人员把工作走一遍：哪一段还停留在纸上，哪一段只是重复录入，哪一段需要人的判断，哪一段出了错必须有人负责。

如果一上来就问“用哪个大模型”“接哪个 Agent 平台”“要不要做智能体”，很容易把问题带偏。

企业应用的难点，本来就不只在模型会不会回答。

难点在于：

一张纸质单怎么变成线上数据？

一个部门填完的数据，怎么可靠同步到另一个部门？

一个字段改了以后，哪些公式、报表、审批、权限会受影响？

AI 给了建议以后，谁来确认？系统能不能留下记录？出了错能不能追溯？

项目最后往往就卡在这些地方。

做过几类项目之后，我用现在最前沿的技术可以从这三层看企业 AI 应用：

第一层是 Agent。它让 AI 不只是回答问题，而是能围绕一个目标持续推进任务。

第二层是 Skill。它把企业里的流程、规则、经验、模板沉淀下来，让 AI 不必每次从零猜。

第三层是 Harness。它让 AI 在真实业务里可控运行：知道什么时候能自动做，什么时候必须停下来问人，失败以后怎么处理。

这三个词听起来有些技术味，放进真实业务里就容易理解了。

先用一张表压一下：

图 1：Agent 把任务往前推，Skill 提供做事方法，Harness 管住边界和质量。

这里先记住分工就够了：执行、经验和控制，需要分别设计，不能都压在模型身上。

一、先别急着上模型，排程项目让我先补了数字化底座

我做过一个制造企业的生产排程管理 MVP。

客户的生管部门每天要处理大量生产单。订单信息在 Excel 里，生产进度在纸质单上，变更信息在微信群里。生管排程表是一张 150 多列的大表，里面有订单、客户、产品、交期、备料、投产、成型、涂装、贴标、装配、包装、出货等信息。

这张表不是普通表格。

它是整个生产链条的业务中枢。

销售要靠它答复客户交期，车间要靠它安排生产，仓库要靠它备料，管理层要靠它看进度。任何一个数据录错，都可能影响后续一整串动作。

原来的工作方式有几个很具体的麻烦：

• 每天几十到上百张生产单，要人工录入。
• 纸质单据流转慢，现场反馈经常滞后。
• Excel 宏经常出错，出了问题还要反复核对。
• 一旦客户要求提前交期，或者车间反馈某个制程变化，生管人员就要重新计算后续制程，还要通知相关部门。

那次项目里，我没有直接上一个“AI 排程 Agent”。原因很简单：数据还没完整上线，流程也没有闭环，模型再聪明也接不住。

我们先把生产排程这件事拆开：

• 哪些数据来自订单导入？
• 哪些数据来自车间每日生产反馈？
• 哪些单据需要审核后才能生效？
• 哪些字段可以用公式自动计算？
• 哪些异常需要提醒相关人员？
• 哪些信息应该进入管理仪表盘？

最后我们用的是“一表一流程一仪表盘”的方式。

一表，是生管排程大表，作为统一数据源。

一流程，是各类线上表单和工作流，比如每日实际生产表、返修表、报废表、拆批表、制程变更表。

一仪表盘，是订单状态、生产进度、产能利用、交期风险等指标的实时看板。

这里面用了 AI，但项目的骨架仍然是业务流程。

• 公式负责确定性计算，比如制程时间、物料需求、周期推算。
• 工作流负责自动同步，比如表单提交后更新主表，审核通过后再生效。
• 权限负责控制边界，比如不同部门看到不同字段，关键操作需要审批。
• AI 字段则放在更适合它的位置，比如交期风险预测、异常订单分析、变更影响说明。

这个项目让我更确定了一个判断：

不是所有地方都要用大模型。确定性的事情交给公式和流程，需要判断、预测、解释的地方再交给 AI。

图 2：先把分散在纸质单、Excel 和微信群里的信息接进统一主表，再谈自动化和 AI。

二、Agent 的价值，是把任务往前推进

很多人一听到 Agent，就会想到“智能体”“AI 助手”“自动干活”。

这些说法都没错，但容易让人误解。

在企业应用里，我更看重它能不能围绕一个目标，把任务一步步往前推。

比如数据分析场景。

业务人员上传一个 Excel，希望快速生成一份分析报告。如果只是普通聊天机器人，它可能会告诉你“你可以从销售额、地区、品类几个维度分析”。这当然有帮助，但它没有真正把事情做完。

一个更接近 Agent 的方式，是把任务拆成几个角色：

• 总控 Agent 先接收任务，判断用户想做什么。
• 文档解析 Agent 专门负责读取 Excel，把表头、字段、数据类型和原始记录整理成结构化 JSON。
• 数据分析 Agent 再根据数据结构设计分析维度，生成统计结论、图表和报告。
• 最后总控 Agent 汇总结果，交付给用户。

这已经不是简单的“一问一答”，而是一条任务链。

用户只需要表达目标：帮我分析这份销售数据。

系统内部要完成一串动作：接收文件、解析数据、清洗格式、判断字段、设计维度、生成图表、写报告、返回结果。

Agent 的价值就在这里：它接过的不只是一个问题，而是一项需要持续推进的工作。

图 3：Agent 的重点不是一次回答，而是围绕目标持续观察、计划、行动和修正。

但这里也要注意：Agent 越能干，风险也越大。

如果它只是回答一句话，错了也只是文本错。

如果它能读文件、调用工具、生成报告、更新系统，错了就可能影响真实业务。

所以企业里做 Agent，不能只问它“能不能做”，还要问：

• 它做到哪一步需要检查？
• 它是否理解自己的职责边界？
• 它能不能把中间结果交出来？
• 它失败时会不会乱编一个结果？

而它每一步该怎么做，不能全靠临场发挥。这就到了第二层：Skill。

三、Skill 要沉淀的，是企业里的做事经验

企业里最值钱的东西，很多时候不是某一段代码，而是经验。

• 一个有经验的生管人员，看一眼制程变更，就知道可能影响哪些订单。
• 一个有经验的财务人员，看到发票字段缺失，就知道哪些地方要人工复核。
• 一个有经验的数据分析师，拿到一份销售表，就知道先看时间趋势，再看区域差异，再看品类贡献。

这些经验如果只存在人的脑子里，就很难复制。

今天这个人状态好，能问得很细；明天赶时间，就可能漏掉边界。

今天这个分析师知道怎么做，换一个业务人员就不知道。

Skill 要做的，是把这些经验整理成 AI 可以按需调用的能力包。它不只是一段提示词。

我现在判断一个 Skill 是否有用，会看它有没有说清四件事：

1. 什么时候用它。
2. 用了以后按什么步骤做。
3. 需要读取哪些规则、模板、脚本或知识。
4. 哪些事情不能做，做到哪里必须停。

还是用发票提取这个场景举例。

企业财务或采购部门每天会收到各种发票，有图片，有 PDF，有扫描件。用户希望一键上传多份文件，系统自动提取发票代码、号码、日期、购销方、金额、税额、明细等字段，最后输出统一表格。

如果只是让大模型“帮我识别发票”，结果会很不稳定。

• 图片和 PDF 的处理方式不一样。
• 多文件需要循环处理。
• 不同路径的结果需要合并。
• 重复发票要去重。
• 金额、税额、日期、税号要校验。
• 缺失字段不能编，应该返回空值或标记待确认。

这些规则如果每次都靠临场提示，很容易漏。

更好的做法是把它做成一套能力流程：

• 上传文件后，先判断文件类型。
• 图片走视觉识别，PDF 走文件提取。
• 两条路径都转成统一文本。
• 再用同一套字段抽取规则输出 JSON。
• 最后用代码节点合并、去重、校验、统计。

把流程、字段规范、输出模板和校验规则固定下来，发票提取才从一次任务变成了一项可以复用的能力。

以后类似场景再出现，比如合同提取、采购单识别、质检单录入、报销单审核，就不需要从零设计。

只要替换字段和业务规则，底层方法是可以复用的。

所以我常说：

Skill 解决的不是“让 AI 更会说”，而是让 AI 更知道在某个业务里应该怎么做。

四、Harness 是企业 AI 落地里最容易被低估的一层

如果说 Agent 解决“谁来做”，Skill 解决“怎么做”，那 Harness 解决的是“怎么可靠地做”。

这个词不太好翻译。

我更愿意把它解释成：围绕 AI 运行的一整套管理机制。

就像一个新人进入公司，不能只给他一本员工手册就让他自由发挥。

你还需要任务清单、权限规则、审批流程、检查机制、异常处理、复盘记录。

放到 AI 上，道理没变。

尤其在企业应用里，Harness 至少要回答几个问题：

第一，任务现在走到哪一步了？

第二，当前这一步需要看哪些资料，不需要看哪些资料？

第三，哪些操作可以自动做，哪些操作必须人工确认？

第四，失败以后是重试、降级、停止，还是转人工？

第五，完成以后凭什么证明真的完成？

回到生产排程案例。

当车间提交一张返修表时，系统不能直接无条件更新主表。

因为返修信息会影响订单进度、物料损耗、交期判断，甚至影响后续统计。

所以更稳妥的机制是：

• 表单提交后，先进入审核。
• 审核通过后，才自动更新生管排程总表。
• 更新后，通知相关人员。
• 如果影响交期，再生成风险提醒。
• 如果字段异常，流程应该停下来，而不是继续往后跑。

系统里未必会出现 Harness 这个名字，但这套机制不能缺。

图 4：Harness 可以理解成 AI 应用的运行制度：任务状态、上下文、权限、检查、失败恢复都在这里。

再看发票提取。

大模型可以抽字段，但不能相信它一次性输出的结果一定正确。

所以要有校验：

• 发票代码和号码是否存在？
• 金额与税额、价税合计是否能对上？
• 日期格式是否合法？
• 同一张发票是否重复上传？
• 抽取失败时，是重试，还是标记为人工复核？

这些都不是“模型能力”，而是系统能力。

很多 AI Demo 看起来很惊艳，就是因为它只展示最顺利的一条路径。

但企业落地不是演示。

真实业务里一定会有脏数据、错文件、权限限制、字段缺失、流程中断、用户误操作。

能不能处理这些不完美，才决定系统能不能用。

做过几次这类项目后，我的判断变得很具体：

企业 AI 应用真正的分界线，不是能不能生成答案，而是有没有 Harness 把答案接住。

五、先做分工，再谈全自动

做企业 AI 落地时，我最怕听到一句话：

这个场景能不能全自动？

这个问题当然可以问，只是不能跳过中间过程。

很多业务场景第一步需要的不是全自动，而是先把流程搬到线上，把数据统一起来，把责任边界说清楚。

在生产排程项目里，把纸质单变成线上表单，把 Excel 宏换成可维护的表格公式，把人工同步改成工作流更新，再让管理人员从仪表盘查看进度，这些改造已经解决了不少实际问题。

AI 字段只是其中一部分。

它更适合放在需要推理、判断、预测和解释的地方。

• 确定性计算，用公式。
• 流程流转，用工作流。
• 权限控制，用组织权限和审批。
• 数据展示，用仪表盘。
• 复杂判断，再用大模型。

这样安排，AI 才能用在更值得用的地方。

企业客户最后看的，还是能不能节省时间、减少错误、留下记录，并且持续用下去。

因此，一个完整的企业 AI 方案通常会同时用到几种能力：

• 业务梳理负责找到真问题。
• 数字化负责把数据和流程接起来。
• 自动化负责减少重复操作。
• Agent 负责推进复杂任务。
• Skill 负责复用业务经验。
• Harness 负责控制风险和质量。

缺了前面的业务梳理和数字化底座，后面的 Agent、Skill、Harness 很容易变成悬在流程外面的功能。

六、我会怎么判断一个企业场景适不适合做 AI

在咨询和落地前，我通常会先看四件事。

第一，看业务价值。

这个问题是不是高频？是不是痛？解决以后能不能明显节省时间、降低错误、提升响应速度？

如果只是偶尔发生，或者解决后价值很小，就不一定值得做成 AI 应用。

第二，看数据和流程基础。

数据在哪里？是不是结构化？质量怎么样？流程有没有固定节点？有没有人负责确认？

如果数据散在纸上、群里、个人电脑里，第一步可能不是大模型，而是数据治理和流程线上化。

第三，看 AI 是否真的适合。

如果是确定性计算，公式更可靠。

如果是规则明确的审批，工作流更可靠。

如果是需要理解自然语言、处理非结构化材料、做复杂判断或生成解释，AI 才更合适。

第四，看风险是否可控。

AI 的输出会不会影响资金、合同、生产、客户、合规？

如果会，就必须有人工确认、日志、权限、回滚、复核机制。

这四个问题问完，很多场景就清楚了。

• 有些适合做完整 Agent。
• 有些适合做工作流加 AI 节点。
• 有些只需要智能表格和自动化。
• 还有一些，现在根本不该做。

我的判断是：

企业 AI 落地不是把所有业务都 AI 化，而是找到最适合 AI 介入的位置。

图 5：价值高、数据和流程接得住、AI 确实适合、风险也可控，这类场景才值得优先投入。

七、放进企业应用后，这三层各自做什么

现在再看 Agent、Skill、Harness，就不抽象了。

Agent 像一个能推进任务的执行者。

它适合处理目标明确、路径不完全固定、需要多步完成的任务。比如上传 Excel 后生成分析报告，或者根据业务问题检索知识库、判断意图、生成回复。

Skill 像一本可执行的业务手册。

它把企业里的知识、流程、规则、模板、校验方法整理成结构化能力。比如发票字段抽取规则、数据分析报告模板、生产异常判断逻辑、客服知识分流策略。

Harness 像一套运行管理制度。

它决定 Agent 能不能稳定地进入真实业务。比如任务状态、权限边界、人工确认、失败重试、输出校验、日志审计、结果复核。

三者合起来，企业 AI 应用才有机会从一次性的 Demo，变成可以使用、管理和持续优化的业务系统。

图 6：Skill 解决“知道怎么做”，Harness 解决“必须按这个方式做”。两者配合，Agent 才不容易自由发挥到失控。

我用一句更通俗的话总结：

Agent 让 AI 会办事，Skill 让 AI 按经验办事，Harness 让 AI 办事不乱来。

八、写在最后：把 AI 做成一项业务能力

Agent、Skill、Harness 是这两年经常出现的新词，放到企业里，处理的还是几类老问题：

• 谁来做事？
• 按什么方法做？
• 出了问题谁负责？
• 怎么证明做对了？

只不过过去这些问题主要由人、流程和系统来解决。现在，大模型进入了业务系统，我们需要重新设计这套分工。

模型很重要，但模型不是全部。

• 一个没有业务流程的 AI 应用，很难落地。
• 一个没有经验沉淀的 Agent，每次都像临时工。
• 一个没有 Harness 的自动化系统，越能干越危险。

对我来说，企业 AI 应用的方向也因此很清楚：接入模型只是开始，后面还要重新整理流程、经验和控制机制。

• 从一个纸质单线上化开始也可以。
• 从一个发票提取流程开始也可以。
• 从一个数据分析 Agent 开始也可以。

第一步不必看起来多高级。更重要的是，它有没有进入真实业务、解决具体问题，并留下可以复用的经验和可控的运行机制。

这才是我理解的企业 AI 应用落地：不是把 AI 包装得更像一个人，而是让它进入工作现场，成为一项可靠的业务能力。