最近，Harness正在成为企业级AI落地中的高频关键词。
Harness工程爆火，反映出企业客户对AI落地可控性的迫切诉求，尤其在金融、能源、政务、制造等复杂场景中，如何让大模型真正接入核心流程，正在成为产业端关注的关键问题。
海致科技是国内较早布局图智能、知识图谱和图模融合的厂商，也在Harness工程方向进行了大量深度实践与场景落地。
近日，爱分析与海致科技联合创始人杨娟进行了一次访谈，重点围绕Harness工程的本质、图智能为何迎来新一轮爆发、RAG与图模融合的核心差异，以及企业Ontology如何从分析走向执行等主题展开讨论。
核心观点
Harness工程是AI向产业深水区演进的必然结果。
大模型走向产业端落地，企业需要解决的问题逐步增加，从Prompt设计到Context管理，再到Skill管理与任务调度等。Harness将这些能力系统化，成为支撑AI进入更复杂的企业业务流程、实现“可解释、可追溯、高可信”落地的系统工程。
企业客户更关注AI结果的可控、可靠、可审计。
真正阻碍大模型深入业务的关键是信任问题。相比单纯追求模型能力，客户更在意结果稳定、过程可验证、责任可追溯。
图智能进入新一轮爆发期。
过去图技术的短板主要是计算效率低于向量，应用范围受限。在Harness框架下，图技术可用于调度任务和Skill执行，通过优化执行路径，进而节省token、降低成本、缩短响应时间，这成为了图智能新一轮爆发的核心驱动力。
以下为本次访谈实录，在不改变原意基础上略有修改。
01
Harness工程的核心价值是让AI可控
爱分析：您怎么看Harness工程，会不会跟Prompt、Context工程一样昙花一现？
杨娟： 这是一个技术逐步发展、内涵不断深化的过程。大模型从消费端的简单问答走向产业端落地，工程化需应对的挑战逐步显现。
最开始是Prompt工程，构思Prompt直接影响模型产出，这是人机交互的第一步。随后是Context工程，解决了上下文存储与优化的问题。
但当企业在落地时，试图将AI与整个业务系统对接、持续优化并与人类互动时，新的挑战随之而来。大模型在产业界落地的深度越深，覆盖的业务场景越复杂，对工程化能力的要求就越高。
所以，Harness并非横空出世，而是包含了Prompt和Context工程，并将其范畴进一步扩展。这是一个逐步发展的过程。
爱分析：随着模型能力提升，Harness会持续存在吗？
杨娟： Harness的内涵和外延会不断发展，需要“驾驭”的要素也会越来越多。比如分层调度、权限管理、安全管理、事务一致性、容错等等考虑，会愈发严苛，这些都会被纳入Harness的范畴，以覆盖更深层次、更广范围的产业端落地诉求。
这也是AI场景从边缘业务逐渐走向核心业务的过程，从办公、制度问答等简单场景，逐步往营销、风控、交易执行等核心领域渗透，所以Harness会不断发展。
爱分析：海致科技的定位，是Harness工程厂商？
杨娟： 我们的定位始终提供“端到端的AI解决方案”。面向未来，我们将以“Harness产品+业务场景/业务模型”的端到端方式，作为产业与技术的连接器。通过“图模融合”等技术综合应用，帮助客户在工程层面真正落地大模型，实现业务价值的最大化。
爱分析：从Harness工程来看，海致科技技术架构和产品体系形态，会发生哪些变化？
杨娟： 我们在图数据库、图模融合平台等产品中，逐步纳入了Prompt工程、Context工程、RAG、内存存储管理等工作，现在正对现有产品进一步升级，将task管理、Skill管理、审计、进化等环节，用高性能图计算技术进行重构。
爱分析：引入Harness工程之后，从平台层的能力，到解决客户实际问题的能力，能看到哪些提升？
杨娟： 从客户视角看，Harness解决了AI能力与客户核心工作流深度融合的问题。使其运用AI的场景大幅增加，覆盖面从早期试水型场景拓展到更核心的业务场景。
从企业服务视角看，我们对客户业务的触达面也随之扩大，从之前的外围浅层业务，深入到更核心的业务层，带来市场容量与服务边界的提升。
同时，标准化、系统化的Harness工程能力，使我们能以更低的交付成本落地。人的工作聚焦于核心需求确认、业务逻辑交互、效果审核和优化等环节，整体参与度和成本降低，交付模式变得更加流畅和轻盈。
所以，一方面是AI的市场空间打开了，另一方面是交付成本在下降。
Harness工程更大的价值，是让AI生成的结果更加稳定、可靠、可验证、可审计。对于政企客户而言，他们宁可模型“笨一点”，也要求过程可追溯、风险可管控。满足这种“结果稳定可控”的核心诉求，正是Harness工程的核心价值所在。
02
图智能将会进入新一轮爆发期
爱分析：海致科技在做图模融合，从RAG走向可验证的推理，这件事情具体怎么理解？
杨娟： 图谱可以在不同阶段和大模型融合。
一是预训练阶段融合，在模型训练时，就注入图谱知识，但这对企业端算力要求非常高。我们曾经跟某大型石化企业合作，把审计图谱与开源大模型在训练阶段进行融合，将知识图谱的知识参数化注入大模型，效果非常好。虽然绝大部分企业当前不一定具备这样的算力条件，但随着模型效率的提高和国产算力供应的增加，这个方向我们非常看好。
二是检索阶段融合即GraphRAG，这是成本最低、最快捷的方式。在企业内部完成本体知识图谱构建后，与智能体业务流程相融合，能够快速见效。
三是推理阶段融合，这也是海致当前的核心研发方向：无需改动基础大模型，在模型推理生成过程中，实现图与大模型的实时交互与联合推理。
随着AI应用的深入，越来越多企业采纳推理阶段的图模融合，这对算法设计和交互模式的要求不断增高。
爱分析：图模融合跟RAG有哪些差别？
杨娟： 二者的核心区别是动态联合推理与静态纠错的差异。
RAG在某种程度上是静态的：先把知识抽成图放入图知识库里，检索的时候先检索图知识库，然后作为提示词喂给大模型，逻辑链条在生成之后即吿结束。
而推理阶段图模融合，是一种真正的图和大模型混合、不断交互的模式。我们可以将知识图谱编码为向量，与大模型的表示融合用于下游推理任务。把符号化的逻辑和规则推理器与大模型连接，大模型负责自然语言解析与不确定性推理，符号模块负责严格逻辑或规则检查。大模型与知识图谱交互多次，不断更新内部状态并提出新的查询，直到满足终止条件。
这是一个动态的、互相校验的过程。相比于单纯依赖RAG在模型外部“纠错”，我们的“图模融合”技术是在模型生成过程中持续施加结构约束，相当于给AI装上了“逻辑笼子”。这种内生性的治理，在严肃业务场景中更加稳定、可持续。
爱分析：图智能领域目前比较大的技术难点是什么？
杨娟： 随着大模型在产业落地进入深水区，图的价值得到越来越多的认可和应用，图最大的挑战是效率问题。
图由于其自身结构特点，其计算效率跟向量相比要低，过往通常只在复杂度高、对精度和准确性要求比较高的场景中使用，但现在我们在Harness框架下，用图来调度和优化任务和Skills执行，大幅节省了token的使用，其执行拓扑优化所带来的token节约已经远远超过了图本身的执行成本。这也是我们判断图智能将进入新一轮爆发期的核心逻辑。
另外就是图的异构和多模态融合问题，这也是我们当前研发的重点。
爱分析：图技术领域，海致科技会把研发重点放在哪些环节？
杨娟： 我们当前的重点，一是把“用图来节省token”这件事先做到极致。
我们的Harness框架刚推出不久，可提升和改进的空间还非常多，节省token不仅是为了控制成本，也能显著提升用户体验，比如缩短响应时间、让系统更敏捷，从而扩大AI可覆盖的业务场景。
同时，我们依托已有的高性能图计算院士专家工作站，持续进行图算法本身的加速研究。
另外，我们也在加速图的异构和多模态融合，将节点、边、属性类型与文本、图像、时序等模态进行对齐，既保留每种模态的特性，也能充分进行融合。
03
日抛是噱头，但软件开发和交互形态会发生变化
爱分析：您怎么理解AI Native？
杨娟： 我认为AI Native可以从两方面看。
一方面是我们自身。我们正逐渐将AI嵌入工作流程，形成不断能够迭代和优化自身的闭环。
另一方面，是面向客户提供产品和服务的过程。这需要和客户的现状结合，因为很多客户的项目流程还比较传统，不可能一下全改过来，组织和管理还没完全准备好迎接AI时代。所以，现在处于混合期，外面可能还套着传统流程的壳，但内部很多变革已经在发生。我们的思路是循序渐进，以AI内核能力赋能传统业务流程，实现平稳迭代升级，这个过程正在加速。
爱分析：AI时代，哪些过往积累的能力可以被复用？
杨娟： 首先，是作为AI语义基座的本体抽取与构建能力。本体可以说是知识图谱的一种应用形态。我们过去做知识图谱过程中所积累的高性能图计算和图挖掘的技术能力，在大规模复杂本体构建过程中发挥了重要的作用。
其次，我们的GraphRAG和图模融合推理，在构建可追溯、可解释、可审计的AI应用中，正在发挥巨大作用，且在不断的深化。
另外，我们在政府、金融、能源等行业领域积累的行业Know-how，在AI应用构建的过程中，也成为核心竞争力。
爱分析：您怎么看待“软件是日抛的”这个说法？从长期来看，模型会不会吞噬这些能力？
杨娟： 软件本身并没有消失，但软件开发和交互形态发生了很大变化，变得更像人与机器的协同。在这一过程中，像Harness框架的搭建配置、需求的理解确认、与组织目标的对齐，以及业务流程关键节点的确认、审计、验证、优化等等，人的参与不可避免。
只不过，未来人在敲代码环节会越来越少。也就是说，软件的开发和交付形态会变，但软件本身依然存在。
爱分析：当模型有自己的规划和执行能力，调用更多工具的能力也会逐步建立，那是不是最后很多能力还是模型直接提供？
杨娟： 如果全新创办的小企业，确实可以全部交给AI。但存量企业，尤其大中型企业，legacy（遗留）系统已经非常重，流程是设定好的，或者监管要求的。
现在的核心思路是“让AI去使用这些流程”，而不是让AI重新发明一套流程。这正是Harness工程的意义所在：不是让AI自由发挥，而是让AI适配企业现有的成熟流程与合规体系，在规则框架内发挥价值。
人类社会现有的经济运行、商业模式等机制，确实很难在短期内被撼动，但是中长期看，这些流程和模式会反过来去适应AI，也许会很久，也许会很快。
爱分析：短期来看，您更多是把AI能力融入到现有产品中，还是会在短期基于AI做较大范围的产品平台重构？
杨娟： 我们的目标是帮助客户完成知识架构与业务流程的AI重构。从Ontology（本体）出发，建好后再用AI重构业务流程，以统一Ontology为基石，梳理企业全域数据与业务逻辑，再依托图模融合、Harness工程能力，重构企业全链路业务流程，实现AI的规模化、标准化、可控化落地。
04
Ontology的真正变化，是从分析系统走向业务执行系统
爱分析：海致科技的技术架构会像Palantir那个方向演进吗？
杨娟： 我觉得这其实是大家描述维度上的不同。
图数据并非天生存在，我们过去做的事情和Palantir很类似：把海量数据抽取成图谱，他们称之为Ontology，我们称之为知识图谱，本质上都是把企业内部现有的数据进行加工整合、抽取并存放为新的形态。
最大的差别在于：过去国内的知识图谱，只做分析系统，仅能输出数据分析结论和决策建议，无业务操作权限；而Palantir的Ontology具备action（执行）能力，能直接操作订单、库存等系统。
过去我们的知识图谱没有这种操作权限，只是决策建议型的分析系统。但随着这一轮AI在国内产业落地进入深水区，大家普遍接受了本体这个概念，意识到应该用一个图状数据结构去治理企业内部的业务流程。
现在，客户愿意把业务流程的操作权限也开放给图谱，它就变成了真正的Ontology——一个能够去操作业务流程的图谱。数据来源是海量多源的，本质是一样的。
爱分析：从面向分析的知识图谱，走向具备执行的Ontology，这里的技术难度大概有哪些？
杨娟： 这跟中美IT的差异有关系。美国IT发展起步较早，企业内部的订单系统、库存系统、客户管理系统等主流厂商比较集中，也很早就实现了云化，容易达成统一图谱和数据标准，并对接接口。
中国企业的IT是二、三十年间快速发展起来的，百花齐放，不同企业内部系统差异性很大。要想构建Ontology进行整合，就需要做数据治理、服务治理、接口改造等，代价很大，客户往往不愿意投入，系统只要能跑就先凑合着。
但这一轮AI浪潮之下，所有人都认可不搞AI就要被淘汰，从董事长到科技部负责人到办事员，大家都有了共识，意识到没有全局治理系统，AI根本跑不起来。
所以大家现在愿意投入Ontology建设，思想统一了，这件事肯定能做成。
爱分析：您的商业模式会采取FDE（前沿部署工程师）模式吗？
杨娟： 事实上我们一直有类似FDE模式。过去大模型出来之前，机器学习模型、图谱模型也有FDE支撑。
现在FDE更加重要，随着效率提升，单个FDE能够cover的客户数量、业务场景在上升，但对FDE的要求也更高了，需要既要理解AI的叙事方式，也要对客户的业务有深刻洞察，并且能够很好的将它们融合。
爱分析：FDE模式和传统的软件驻场开发，有什么本质区别吗？
杨娟： 我认为FDE更接近于“咨询顾问+AI技术落地”的复合型服务角色。他们像四大等高端咨询顾问一样懂得客户的场景，同时又深刻理解AI的运作方式，并将其融合起来，形成可被衡量的业务产出。
注：文/AI研究咨询机构，文章来源：爱分析ifenxi(公众号ID：ifenxicom)，本文为作者独立观点，不代表亿邦动力立场。
