过去两年，许多企业都经历了相似的 AI 扩张路径：先做内部聊天机器人，再接知识库，然后为财务、采购、客服、法务分别搭建工作流。每个项目看起来都合理，但项目越多，技术栈、权限模型、审计方式和维护责任就越分散。问题可能不在模型，也不在某个工作流有没有多一个节点，而在于企业一直把 AI 当成需要逐个建设的“应用”，而没有把智能体的运行环境当成统一基础设施。2026 年 8 月 20 日论文[Applying Anthropic Primitives at Large Enterprises: Harness Paradigm for Knowledge Work]提出了一个鲜明判断：大型企业不应为每个场景重复搭建智能体，而应让一套不变的 Harness（智能体运行骨架）成为知识工作的统一执行层。Harness 到底是什么？如果说大模型是“大脑”，Harness 就是让它持续工作的身体与工作台。它通常包含几个原语：- 循环：模型能够反复观察结果、调整计划，而不是只回答一次；- 记忆：任务可以跨步骤、跨运行保存状态；- 文件系统：智能体能读取资料，也能保存中间产物；- 命令与工具：模型可以调用企业系统、脚本和 API；- 技能：把组织流程沉淀成可版本化、可复用的说明文件。它与传统流程图最大的差别是：流程图在设计阶段就固定了路径，Harness 则让模型在运行时决定下一步。如果任务失败，它可以检查错误、修改方案并继续执行。从“每个场景一条链”到“一套骨架服务全公司”企业 AI 的四种形态梳理如下：1. 聊天机器人：有上下文，却缺少真正操作系统的“手”；2. DAG 或链式编排：能执行多步任务，但路径在开发时已经冻结；3. 产品内自动补全：可靠