Linkloud 引言
为什么有的公司上了一堆 AI 工具只拿到 1.2 倍提效，而有的公司却能提效 10 倍？
从 Prompt Engineering 到 Context Engineering，再到 Harness Engineering，AI 工程的核心命题持续升级：从“怎么写好一句指令”，到“怎么给 AI 提供完整上下文”，再到如今——为 AI 搭建整套运行骨架，使其能自主运行、自我验证、自动交付。
Harness Engineering 已成当前 AI 工程领域最热关键词。OpenAI 为此发布专文，展示 100 万行零人工编写的生产代码；Anthropic 将其深度集成至 Claude 核心架构。Cursor 和 Claude Code 等主流开发工具，底层工程体系即基于此。
但概念易得，落地难行。陈敬敏（EPFL 数学博士、前阿里 P9、现积加科技 CTO）是少数在企业端到端跑通该体系的实践者。他指出：仅做技术层的 Harness 远不足够——工具链、人才能力、组织机制均需系统性重构，并将这一方法论命名为：
Enterprise Harness Engineering
更关键的是，该体系已在积加科技真金白银验证：85% 员工日常使用 AI Agent，覆盖 6 大部门，沉淀近 100 个 Skill。Linkloud 与陈敬敏联合推出本系列文章，本文为第一篇，全局解析 Enterprise Harness Engineering 的四大核心维度。
专栏介绍
《Enterprise Harness Engineering》系列文章
作者：陈敬敏 — EPFL（瑞士洛桑联邦理工学院）数学博士，前阿里巴巴 P9 资深算法专家，现任积加科技 CTO。
积加科技（AddX.ai）：全球领先的硬件 AI 公司，聚焦多模态世界模型在视觉 AI 硬件上的应用。依托视觉记忆 Agent、视觉 Token 构造与压缩、垂直模态大模型等核心技术，构建以真实世界视频为输入的高效推理平台，产品及 AI 增值服务覆盖自然观察、家庭智能、运动健康等场景，服务全球数百万用户。
企业 AI 化的三道鸿沟
过去一年，几乎所有企业都已“用上 AI”：部署 Cursor、接入 Claude Code、开展培训……但实际提效远未达预期。
问题不在 AI 不够强，而在企业本身并非为 AI 设计。
企业实现真正 AI 驱动，须跨越三道根本性鸿沟：
- 人的习惯：越资深者越易被经验束缚，习惯先问“确定可以这样吗？”，而非“为何不可？”
- 工具的形态：企业内部系统多为 GUI 界面，面向人工操作；而 AI 依赖 API 调用。缺乏 API 接口，AI 即无法介入，超半数部门被排除在 AI 化之外。
- 组织的结构：传统流水线式协作——一人卡顿，全链停滞。每增加一个协作节点，就新增一个阻塞点。协作不是美德，而是成本。
根因统一：现有企业架构本质是为“人与人协作”设计，而非“人与 AI 协作”设计。
类比而言：给每位员工配一把电锯，工厂却仍按手锯标准建设——工位狭小、电压不足、产线未变。结果只能获得 1.2 倍提效，而非 10 倍。
10x 比 2x 更容易：2x 是旧框架内的渐进优化；10x 是框架级重构。Enterprise Harness Engineering，正是这一新框架。
什么是 Enterprise Harness Engineering
Harness Engineering 近期广受关注——为 AI Agent 构建反馈闭环、测试框架与运行环境，使其可自主验证与交付代码。这方向正确，但仅覆盖技术一维。
Enterprise Harness Engineering 是 Harness Engineering 的企业级扩展：不仅技术系统需被 harness，工具、人才、组织同样必须被 harness：
- 技术能否被 AI harness？→ 代码是否具备闭环能力，AI 是否可自主验证与交付
- 工具能否被 AI harness？→ 内部系统是否提供标准化 API，AI 是否可直接调用与操作
- 人才能否被 AI harness？→ 员工能力模型是否适配 AI 协同，能否借助 AI 端到端交付成果
- 组织能否被 AI harness？→ 协作模式与激励机制是否以 AI 驱动为前提重新设计
Enterprise Harness Engineering 的核心公式：
企业 AI 化程度 = 技术闭环 × 工具接口化 × 人才适配度 × 组织适配度
这是乘法关系，非加法：任一维度为零，整体成效归零。
多数企业仅完成技术层局部改造，其余三层几乎空白，故仅得 1.2x 效果。
下文分两部分展开：Harness Architecture（技术与工具 Harness） 与 人才与组织 Harness。
技术与工具 Harness：Harness Architecture
1. 三层技术栈：人 → Agent → Skill → Tool
┌──────────────────────────────────────────────────────────┐
│ 人（判断与决策） │
│ │
│ 提供意图、业务上下文、最终决策 │
│ 不需要记住 Skill 名字，用自然语言描述想做什么 │
└────────────────────────┬─────────────────────────────────┘
│ 自然语言
┌────────────────────────▼─────────────────────────────────┐
│ Coding Agent Layer │
│ │
│ Claude Code / Cursor / OpenClaw │
│ - 理解意图 → 选择 Skill → 编排执行 │
│ - 多 Skill 组合、跨部门调用 │
│ - 同一个 Agent，加载不同 Skill = 不同角色 │
└────────────────────────┬─────────────────────────────────┘
│ 调用
┌────────────────────────▼─────────────────────────────────┐
│ Skill Layer │
│ │
│ ~100 个 Skill，覆盖 6 大部门 │
│ - 每个 Skill 是一份 Markdown 文档 │
│ - 编码专家经验：何时触发、执行步骤、规则约束 │
│ - Everything as Code：Git 管理，Code Review 强制 │
└────────────────────────┬─────────────────────────────────┘
│ 操作
┌────────────────────────▼─────────────────────────────────┐
│ Tool Layer │
│ │
│ SaaS ── 协同(飞书) / 研发(GitLab,Sentry) / 数据(DataHub,Superset) / 运维(Grafana,K8s) / 客服(Zendesk) │
│ 自研平台 ── 物模型平台 / 自动化测试平台 / 产测平台 │
│ 硬件工具链 ── 固件编译 / 仪器控制 / 设备连接 │
└──────────────────────────────────────────────────────────┘各层职责明确：
- Tool Layer — Everything as Code or SaaS：消灭手动操作。所有工具必须 SaaS 化或 API 化，所有操作必须代码化。基础设施用 Terraform（IaC），部署用 ArgoCD（GitOps），密钥用 Vault，CI 用 GitLab Pipeline。无人在控制台点按钮，无人在本地跑脚本。“Everything as Code or Data”是 AI 闭环的前提——只有状态全量可查、变更全程可溯，AI Agent 才能获取完整上下文。
- Skill Layer — 将专家经验编码为 AI 可执行工作流：Skill 不是 API 文档，而是将资深专家“如何判断、如何决策、遵守哪些规则”的经验沉淀为 Markdown。它是专业知识的结构化表达，员工核心价值经 Skill 编码后，可被 AI 并行执行、以 token 无限放大。
- Coding Agent Layer — 统一入口，自由编排：无需为每个场景定制 Bot。同一 Coding Agent 加载不同 Skill，即可切换角色；且天然具备代码生成与修复能力——发现 Bug 后，可直接读源码、写修复、提 MR，实现端到端闭环。
2. Skill：不是 API 文档，是组织的肌肉记忆
Skill 编码的是资深专家的整套判断逻辑，而非单一 API 调用方式：
- VOC 分析 Skill：不止调 API 爬数据，更内嵌产品经理“如何解读评论、识别趋势、对标竞品”的经验。
- WiFi 调参 Skill：不止控制仪器测量，更固化射频工程师“如何设初始参数、判断收敛方向、定义达标指标”的决策路径。
- SRE 告警处理 Skill：不止读 Grafana 指标，更封装值班工程师“如何分诊、定位根因、决策扩容或回滚”的应急逻辑。
Skill 积累越多，组织 AI 能力越强。传统模式是“人的能力 × 时间 = 产出”，Skill 化后变为“专业知识 × Token = 产出”——同一份专家经验可被 AI 并行复用、无限放大，突破人力时间瓶颈。Skill 是知识沉淀，AI 是知识放大器。
3. Agent Personas：一个 Agent，多个角色
同一 Coding Agent 加载不同 Skill 组合，即可切换为不同 Agent Persona：
Persona 并非独立 Agent 服务，而是 Coding Agent 的工作模式。更换 Skill 即切换角色，无需额外部署、对接或维护。
4. 为何不采用传统专用 Agent
市面常见方案是基于 LangChain/LangGraph 构建固定链路的专用 Agent，作为独立服务部署。积加科技选择截然不同的路径：
决定性优势在于：Coding Agent 天然能写代码。传统 SRE Agent 发现 Bug 仅能通知人工；Coding Agent 可直接读源码、写修复、跑测试、提 MR——Skill 指导其定位问题，而其自身具备修复能力。这不是“AI 辅助”，而是“AI 端到端闭环”。
5. 七条铁律
这些原则共同指向一个目标：让 AI 成为企业的一等公民。企业的每一项系统、每一条数据、每一个工具，都必须对 AI 可见、可操作、可验证。
人才与组织 Harness
技术与工具解决“AI 能不能跑”，人才与组织解决“人能不能跟上”。
1. 人才 Harness：超级个体
AI 不会自动提升所有人能力。若员工缺乏问题拆解、需求表达、结果验证能力，再强的 AI 也仅是高级搜索引擎。
人才 Harness 的核心是重构人才标准：从“我是 Java 工程师”转向“我是问题解决者”。我们定义六大关键能力：产品思维、结构化思维、跨栈成长、AI 协同、闭环交付、标准与品味。具备上述能力者，结合 AI，即成为超级个体——可独立端到端交付完整功能。
角色演进路径为：Builder → Orchestrator。当前目标是人人成为 Builder（借助 AI 独立交付）；下一阶段是 Orchestrator（调度 AI Agent、构建新 Skill 与 Harness）。从“用 AI”跃迁至“为 AI 建 Harness”，即完成此升级。
2. 组织 Harness：去协同与结果导向
即便技术、工具、人才均已到位，若组织仍沿用流水线分工（一需求拆解多人、流转多环节），AI 提效将被协作成本完全吞噬。
- 协作模式 → 去协同：一个需求必须由单人完成；若需多人协作，须强制复盘原因。协作是成本，非美德。
- 激励机制 → 结果导向：不考核工时与过程，只评估交付物与业务结果。每人工作均可追溯至最终产出。
积加科技的实践：四层 Harness 同时到位
积加科技作为专注多模态大模型与世界模型在硬件落地的 AI 公司，过去一年同步完成技术、工具、人才、组织四层 Harness 建设。
1. 现状数据
85% 员工日常使用 Coding Agent，累计沉淀约 100 个 Skill，覆盖研发、产品、市场、SRE、客服、职能部门等 6 大板块：
值得注意的是：产品规划与职能部门 Skill 覆盖率亦达 50%。AI 化不是产研专属，而是全公司级转型。
2. 关键场景提效数据
- 产研：Builder 时间分配优化为 70% 系统设计 + 20% 构建 TDD 环境 + 10% Review；不再耗时审阅 AI 生成代码。个人并行管理 5 个 Agent 终端，日均提交 20 个 MR、生成 1.5 万行代码——本质是“调度一支 AI 团队”。
- 工具 Skill 化：原计划 5 人 × 2 周任务，实际 1 人 × 4 小时完成。任务布置会，升级为成果发布会。
- VOC 市场研究：周期从 1 周压缩至 1 小时。单个 prompt 即完成 Reddit/Amazon/App Store 多平台数据采集 → 情感分析 → 竞品对比 → 报告生成。
- SRE 告警处理：凌晨 3 点 Grafana 告警 → Agent 自动分诊 → 查 Prometheus 指标 → 定位根因 → 扩容修复 → 飞书通知。晨会直接查阅报告，无需人工介入。
- 客户故障诊断：客户报“相机频繁掉线” → Agent 检索 7 天日志 → 发现 WiFi RSSI 持续低于 -75dBm → 判定信号弱致断连 → 5 分钟输出诊断报告。
下一步：从 Human-in-the-Loop 到 Agent-in-the-Loop
当前体系已实现 85% 员工日常使用 AI，但仍属人触发模式：由人发起指令，Agent 执行。
下一阶段是事件触发模式：
这是从 Human-in-the-Loop 到 Agent-in-the-Loop 的关键跃迁：事件驱动 Agent 自主响应与执行，人仅在关键节点审批决策。
人做判断与决策，Agent 做执行与分析——这才是企业 AI 化的终局形态。
结语
这不是“要不要用 AI”的问题，而是“你的企业是否为 AI 设计”的问题。
多数企业仍在做“让人用 AI”；Enterprise Harness Engineering 的本质，是“让企业变成 AI 可驱动的系统”——搭建骨架、铺设赛道、重构组织，使 AI 从个体工具，升维为驱动整家企业高效运转的核心引擎。
END
