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。

Agent 与业务的结合已经不再是"能不能接上"的问题，而是"接上之后能省多少事"的问题。业务人员通过智能体平台自助搭建流程，重复性工作交给 Agent 自动处理；知识库让新员工上手周期缩短，AICowork 把单点操作变成协同流。

效果不是 PPT 上的指标，而是客户现场每天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。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

下面用一张图看全局，再逐层拆开讲，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。这一层把 Agent 的思考、工具调用、能力扩展封装好。SKILL 和 MCP 决定了 Agent 能接入多少企业内部系统，是平台区别于普通 Chatbot 的关键。

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，进行演示效果，更清晰明了。

集成的自动化管理能力和DevOps流水线能力：

平台管理层入口，会更加偏向面向Agent平台管理型人员。

下面是涉及到相关平台层内容：

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

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。