软件架构师罗小东，多年架构和平台产品设计经验，目前在 Agent 场景落地结合中。

前言

不是AI，而是Agent，目前的发展非常明确。

为什么是Agent+业务而不是业务+Agent？

• • 当AI的能力还没有达到的时候，需要大量的定制开发业务管理功能，配合Agent一起，以人+业务为主；
• • 但是当Agent的能力可以替代掉大部分业务场景的工作之后，而管理功能就变成了数据的存储与管理。

业务以前讲的是功能，而Agent体现出来的是能力，功能对应的是1对1，能力对应1对多。

概述

一些成果Agent智能体+业务的探索分享。

现在大模型能力几乎可以覆盖各方面，推理、编程、OCR、语音、视觉等，在通用知识、信息归纳、基础推理、多模态转录这类任务上，当前大模型能力已经达到很高水平。

有这样的能力之下，会有一种无所不能的感觉，很容易的主切入到主流的行业，包括影视、开发、设计、法律等各行业，而传统业务的切入，随着模型不断的发展，目前看也只是时间的问题。

各行业拥抱AI，不仅是世界级的流向，更是当前政策的要求，这个并不以个人意识而做转移。

传统业务可能是以无数的功能界面来进行交互，而目前AI的交互方向，更多的是一个ChatBot交互窗口，而人机的交互，从UI点击，开始偏向于自然语言交互（包括语音）。下面是前期的Agent与业务一些探索：

• • 传统业务去UI化：复杂的交互，无数个表单录入，指定条件的查询已经太繁琐，已经不符合自然语言场景；
• • 业务能力动态化：固定的菜单，定制的列表这个是以前，现在应该是需要怎么样的能力就马上可以集成；
• • AI副驾自动运营：以前都是人找业务数据，人做决策，现在应该业务自动找，帮人做决策，让人做选择题；
• • 数据飞轮自进化：传统需要数据治理，现在应该是自动治理、自动反馈给业务，自动挖掘，自动调整；

这个是前期在过程中不断的社区交流，还有不断的验证且多行业交流实践判断可行可用的方式，每个架构师都有自己的设计思路，我有我思。

结合业务过程

这里并没有从大的业务场景，目前针对于小场景的业务结合，以岗位场景为单位。

这里主要是基于Java做的Harness来结合业务，包括SpringBoot技术，现在成熟的业务系统还是Java应用，而我们底层的模式是Harness+业务的方式，Harness解决的是Agent管理和扩展的问题。

这就好比于车一样，算力是原油，LLM大模型是炼好的燃油，Harness是整车电控底盘框架，上层业务就是车身，可以结合出各种不同场景的车辆。

传统业务去UI化

如果在2025年的AI可能达不到，但是在2026年底的AI在绝大部分场景下已经可以。

这里的去UI化，不是要清掉UI，也不是之前的界面不用了，而是这些数据的添加、查询、修改等由Agent来处理，而UI来说，只是一种确认还有备用的方案。

假如我们来复盘一下传统界面的流程：

1. 1. 打开界面
2. 2. 找到主子菜单
3. 3. 点击功能
4. 4. 再输入查询条件或者输入多条信息
5. 5. 点击确认
6. 6. 查看结果

这个过程最大的问题就是人需要不断的操作，而且人需要找录入信息还有确认信息，你只能在这个功能界面里面看结果。

而Agent的操作则不是一样的，换成了下面的流程：

1. 1. 输入"查一下成绩信息","添加一条雇员信息"
2. 2. 中间有可能有一些确认
3. 3. 等看结果确认

这个过程的姿态是由原来的执行人提升成了经理级别。

不断的习惯使用的时候，你就会发现，好像原来的界面并不是很需要，而你只需要的是等结果。钢铁侠有了AI贾维斯，可以让他更专注在马克战服设计上，其它的由AI来做。

业务能力动态化

我们接上文，如果只是等结果，而结果的展示方式做就不是传统的功能列表。

这里的动态有很多种，主要是为了业务持久化，数据持久化，还有关键节点数据交互的等，Agent目前的操作过程与结果并没有类似于管理系统那样的，可以方便的对数据进行管理，还有维护，更多提散落在本地或者说通过API接口进行交互。

这两者我们把它结合一下，形成动态的业务场景：

• • 管理功能的动态生成，则Agent进行管理
• • 数据添加和修改、查询等，同样的也是交给Agent
• • 表单也同样是由Agent动态的生成

这些动态的过程结合可以让我们结合出无数的业务场景，而复杂的业务要求，则可以通过Harness进行扩展还有补充。将传统的功能变成存储和确认，而业务的处理交由Agent，也就是主题的Agent+业务。

在落地实践中，我们将业务处理的业务规范同样的也一起维护，而这样的整合起来的效果，形成业务应用模板市场：

模板市场会初始化对应的业务功能、专家、业务规范、还有初始化数据能力，其实如果说相对于某一个岗位或者一些管理系统（比如几十个功能），这其实是完全满足的。

因为传统的界面大部分的界面都是为了核心业务围绕创建的，而在Agent这里这些都会转换成Agent的能力，而并不需要那么多的子界面。

AI副驾自动运营

以前都是人找业务数据，人做决策，现在应该业务自动找，帮人做决策，让我做选择题。

最近一段时间流行PersonAgent，类似于你的总管，记住你的要求，统筹调度各类专项智能体执行任务，把控业务规则与你的要求，汇总结果，仅将需要你决策的事项上报。

以前的管理系统可能有几十上百个功能，你需要去查看才知道结果，而PersonAgent就根据目标来进行业务的管理还有推进等，而你需要的是确认，这就是提到的AI副驾。

它不再被动等待指令触发，而是持续对齐业务目标主动巡检、预判风险，把零散信息收敛成可选方案，把高频重复动作全部接管。人从事务执行者转向决策把关者，精力聚焦判断、取舍与目标校准，这也是 Agent + 业务模式下人机分工的核心转变。

数据飞轮自进化

业务运营离不开数据驱动，Agent 的稳定运行、能力迭代同样依赖高质量业务数据，二者咬合形成持续运转的数据闭环飞轮，区别于传统项目 “传统数据治理、静态指标看板” 的模式。

我们先围绕岗位目标、业务规则，拆解对齐可量化的运营指标、风险指标、效率指标，指标体系作为 AI 副驾的核心锚点。

AI 副驾不再只是被动执行指令，而是持续对照指标巡检业务状态，自动采集业务过程数据、执行日志、人工确认结果、驳回反馈、异常事件，把原始交互记录沉淀为结构化样本。

每一轮 Agent 执行后的人工复核、决策取舍、结果好坏反馈，都会自动回流：

• • 一方面用来校准专项 Agent 的 Prompt、业务约束、工具调用逻辑，减少幻觉、规避业务违规；
• • 另一方面沉淀的行为样本持续反哺 Harness 调度层，自动优化路由策略、智能体分工、超时与重试规则、权限校验链路，形成 RSI 自进化闭环。

这套飞轮的价值，是把人从持续的数据清洗、规则迭代、指标维护工作里释放出来：传统系统上线后，规则、报表、口径都要靠开发迭代调整；

而 Agent +业务模式下，业务侧的每一次使用、每一次确认或驳回，都在悄悄让整套系统越来越贴合真实业务习惯。

飞轮跑起来之后，系统能力会越用越适配、越用越精准，业务响应效率持续抬升，同时持续沉淀专属这个岗位、这个场景的私有业务资产，形成别人难以复制的壁垒。

总结

以上是前期在Agent跟业务场景结下的一些探索与实践，包括经验分享，过程也不断的结合相关理论、场景落地等形成更加完善方案，同时在实践探索过程中，不断的完善。同时也期望可以给一些参考，有兴趣的研究Harness和Agent这块的朋友一起讨论。