我对 Harness Agent 平台的架构设计

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。

ToB 的 Agent 平台，难的不是模型，是落地。

光有模型能力不够，还得能进得了企业、接得上系统、过得了合规。

如今，Agent 和业务的结合，讨论重点早就不是“能不能接上”。

更关键的是，接上以后，究竟能替业务省下多少事。

借助智能体平台，业务人员可以自己动手把流程搭起来。

大量重复、琐碎的工作，也能交给 Agent 自动处理。

知识库能明显缩短新员工的上手周期。

AICowork 则把原本分散的单点操作，串成了更顺畅的协同流。

效果不是 PPT 上的指标，而是客户现场每天都能感知到的效率变化。

报表自动生成、工单自动分派、问答秒级响应，这些才是平台价值的真实体现。

平台真正的价值，是让每一个业务角色都多了一个能干活的数字同事。

所以这套架构的设计原则就一条：

底层稳定、上层灵活、场景能快速长出来。

架构逐层拆解

下面先用一张图看全局，再逐层拆开讲。

这是架构全景。

技术层：企业级地基

SpringBoot、微服务打底，SaToken 做统一认证，Vue3 做前端。

选型不追新，以成熟稳定、社区活跃、招得到人为标准，这是 ToB 交付的底线。

平台层：多系统的统一管控

单点登录、统一权限、网关、积分、统一技术框架。

这层解决“多个系统一套账号、一套权限、一个入口”的问题，是平台能规模化交付的前提。

DevOps 层：规范化交付

容器 k8s 承载运行，git/nexus/docker 做制品仓库，pipeline 流水线把发布自动化。

ToB 项目要交付到客户现场，没有规范化的交付链路，光部署就能拖垮项目。

数据层：轻量但合规

数据湖用 OSS，数据仓库用 PG，治理套件管质量、分层、排版、计算，再往上沉淀数据资产。

不追求大而全，但权限隔离、操作留痕必须有。

Harness 层：Agent 的核心

记忆、ReAct、SKILL、MCP、FC、Sandbox、LLM 模型、Context。

这一层本质上是在把 Agent 的思考过程、工具调用方式以及能力扩展能力统一封装起来。

说得更直接一点，SKILL 和 MCP 基本决定了 Agent 能打通多少企业内部系统。

这也是这类平台区别于普通 Chatbot 的关键所在。

Agent 业务层：长出企业能力

Agentic 数据、AICowork、智能体平台、知识库。

知识库对接企业文档资产，AICowork 落到办公场景，智能体平台支持业务人员自己搭 Agent。

交互层：边算边给

AgenticAI 后端推理 前端 ChatBox Stream 流。

ToB 场景里用户耐心有限，回答边推理边流式吐出，体感更快，也更像真人协作。

场景业务层：垂直行业落地

AI 医疗、AI 行业、AI 教育……

ToB 的价值最终体现在垂直场景里。

架构留好扩展位，行业知识通过 SKILL、MCP 接入，场景按需长出来。

集成平台效果

这里集成的平台，主要包括已经在实践运行中的内容。

通过演示效果，可以看得更清晰、更直观。

集成的自动化管理能力和DevOps流水线能力

平台管理层入口

平台管理层入口，会更加偏向面向Agent平台管理型人员。

相关平台层内容

下面是涉及到相关平台层内容：

通用型Agent能力

基于平台层针对不同的场景做的通用型Agent能力，这里主要包括：

• 桌面型：类似于桌面级别的应用，结合SKILL覆盖通用Agent能力。
• 智能体平台：不同场景的智能体搭建，包括工作流、知识库、Agent等
• 数据型：这个面向是的SaaS型网页和数据分析交互

多智能体平台样例

下面是多智能体平台样例：

这些针对的是为上层的业务层做基础。

业务层通过不断的添加业务SKILL、MCP、接口、FC等与Agent平台进行结合。

通过扩展性能力与业务场景进行定制化场景化的AI场景覆盖。

总结

一条完整的链路：

• 底层把技术、权限、交付、数据这些 ToB 的硬功夫做扎实
• 中间靠 Harness 把 Agent 的能力标准化
• 上层让业务场景可以快速长出来

这套设计没有标准答案，但它要解决的问题是确定的：

让 Agent 平台真正落进企业，而不是停在 demo 里。