Agent Harness駕馭工程怎麼讓AI開始工作?

📰 Signal

AI 從「回答問題」走向「自己做事」

在 COMPUTEX 20265中，黃仁勳談到 AI Agent 時，除了模型與工具外，特別把 Agent Harness 放進新的 Agent 運算架構。

黃仁勳認為：如果 LLM 是負責思考的「腦」，那麼 Harness 就是讓大腦與現實世界連結、具備行動力的「身」。

這表示AI開始從「回答問題」走向「自己完成工作」，競爭焦點也開始改變。

過去我們關心哪個模型更聰明、智慧表現分數更高。

但真正進入企業後，Agent 可能需要查資料、呼叫工具、操作系統，連續執行數十個步驟。

此時企業在意的不只是 AI 能不能做，而是：做久了會不會走偏？失敗後能不能恢復？哪些事情可以自己決定？

AI Agent 的下一個瓶頸，正從「會不會做」，走向「能不能可靠地把工作做完」。

這正是 Agent Harness 受到重視的主要原因。

🔍 Decode

Harness 到底是什麼？

AI 的使用方式，其實經歷了三個階段。

最早的 Prompt Engineering，解決的是「怎麼問？」—透過好的指令，讓 AI 回答得更好。

接著進入 Context Engineering，問題變成「給 AI 看什麼？」—透過 RAG、Knowledge、Memory 等方式，讓 AI 取得完成任務所需要的資訊。

前一集談的 Knowledge＋Skill，正是在讓 AI 從「知道世界」進一步走向「懂企業、懂工作」。

現在到了 Agent 時代，問題再次改變：AI 不只要知道，還要持續把事情做完。

因此出現第三層 Harness Engineering：管理 Agent 的 Context、Memory、Tools、執行狀態、控制 與人工介入邊界，

讓 AI 在長時間、多步驟任務中仍能可靠運作。

因此，可以把這個演進簡化成：

Prompt Engineering｜怎麼問？ → 回答得好

Context Engineering｜給它看什麼？ → 理解得對

Harness Engineering｜怎麼讓它工作？ → 任務做得完

如果把 Model 比喻成 CPU、Context 是 RAM，那麼 Harness 就像 Agent 的作業系統：模型提供智慧，Harness 則負責把智慧組織成可以持續運作的工作能力。

Harness 至少包含確認代理狀態與目標、處理記憶以及編排任務、執行工具等，亦包含安全與控管以及追蹤Agent執行狀況、成本的觀察等技術。以此，Harness不僅管理也是治理。

🌏 Impact

AI 從「軟體工具」變成「數位員工」

當 AI 只負責回答問題時，企業最在意的是答案準不準；但當 Agent 可以讀取資料、操作系統、呼叫工具，甚至自主完成工作，企業面對的問題就完全不同。

例如，採購 Agent 可以查詢 ERP、分析缺料、聯絡供應商；財務 Agent 可以整理帳務、比對異常；客服 Agent 則可能直接查詢客戶資料並回覆問題。

這代表企業管理的對象，開始從「人使用 AI」走向「AI 參與工作流程」。

因此，企業治理也必須加入新的管理機制：

誰可以啟動 Agent？ → Agent 可以看什麼？ → 可以做到哪一步？ → 哪些事情需要人核准？ → 做過什麼能不能追溯？

過去企業透過 ERP 管理流程、授權系統管理人的權限；未來還需要進一步管理 AI 的身分、權限、行動與責任邊界。

Agent 愈自主，治理就愈不能只是最後一道防線，而必須直接設計進工作流程。

🧩Opportunity

企業軟體的競爭，從「功能」走向「工作能力」

Harness 帶來的另一個變化，是企業軟體競爭方式可能開始改變。

過去 ERP、CRM、HRM 或 MES 的競爭，主要在比：誰的功能更多？流程更完整？介面更好用？

進入 Agent 時代後，企業可能開始問：你的 AI 到底能幫我完成多少工作？

這意味著企業軟體的價值，可能從提供軟體功能，逐漸走向提供 AI 工作的能力。

真正的差異化也不再只是接上一個最強的 LLM。

因為模型愈來愈容易取得與替換，企業軟體長期累積的流程、產業 Know-how、權限規則、系統整合與工作軌跡，

反而可能成為更難複製的資產。

所以，可以把新的競爭公式理解成：

企業 AI 競爭力 = Model × Knowledge × Skill × Harness

Model 提供智慧；Knowledge 提供企業知識；Skill 封裝工作方法；

Harness 則讓這些能力能夠可靠地進入真正的企業流程。

因此，Harness 不只是 AI 工程技術，也可能成為下一代 AI Native SaaS 的重要競爭層。

📈 Outlook

下一代企業軟體，可能開始「管理 AI 工作」

過去企業軟體主要是讓人操作系統。

未來則可能逐漸變成：

人設定目標 → Agent 執行工作 → Harness 管理過程 → 人處理例外與重大決策

這將改變企業軟體的設計中心。

過去軟體強調紀錄系統(System of Record)，記錄訂單、客戶、庫存與財務資料；接著走向數智系統( System of Intelligence)，利用資料協助分析與決策。

Agent 時代則可能進一步走向：

行動系統(System of Action)—不只告訴你發生什麼，而是開始協助把事情完成。

因此，未來 ERP、CRM、MES 等企業軟體的重要競爭點，可能不只是「有沒有 AI」，

而是誰能把企業既有的資料、流程、權限與產業 Know-how，轉化成安全可靠的 Agent 工作環境。

而這也是既有企業軟體廠商可能擁有的重要優勢：它們長期累積的不只是資料，而是企業真正如何運作的流程與規則。

💡 AI Insight

當 AI 成為員工，治理本身就是競爭力

回頭看這幾年的 AI 發展，競爭焦點其實一直在移動：

LLM：讓 AI 更聰明 → Knowledge＋Skill：讓 AI 更懂企業 → Agent：讓 AI 開始做事 → Harness：讓 AI 可以被放心地交付工作

這透露出一個重要的產業訊號：

當大家都能使用相似的模型時，企業真正難以複製的，未必是「用了哪一個 AI」，

而是能不能把自己的知識、工作方法、權限與治理規則變成 AI 可以運作的系統。

如何訓練AI、調整以及治理，讓AI成為員工，成了新時代的企業競爭力。

📚 AI Dictionary

▶ 下一集預告

AI 解碼 EP06｜AI 會工作了，但怎麼連上企業系統？

Harness 解決了 Agent 「如何可靠工作」的問題，但真正進入企業，還有下一道關卡：

AI 要怎麼連上 ERP、CRM、Email、資料庫與各種企業工具？

如果每增加一個 Agent、每串接一套系統，都要重新開發一次連接方式，AI 很難真正規模化進入企業流程。

這也是 MCP(Model Context Protocol)開始受到關注的原因。

EP06｜MCP：當 AI 開始使用工具，企業軟體會怎麼改變？

下一集，我們從「管好 Agent」走向「連接工具」，看看 AI 如何從會思考、會工作，進一步真正連進企業的數位世界。

Harness 解決「怎麼工作」；MCP 開始解決「怎麼連接」。