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

1、 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。

2、 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。

3、 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。

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 skill s 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”这件事先做到最好。

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   N ative？

杨娟： 我认为 AI   N ative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 G raphRAG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 H arness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 o ntology —— 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 。