企业Agent即将进入应用爆发期。大量企业有机会利用AI低成本快速补上企业数字化功课，并逐步走向AI原生。
“Claude Code在单机和coding的Harness架构上，对用户体验的追求更加极致。”景栗科技CEO赖罡斌说。在他看来，Harness不会被模型吃掉，两者是相互增强的关系，Harness更像是AI时代的新操作系统。
他把未来Agent平台的竞争，理解为一系列技术路线的选择：如何押模型能力和Harness，做本地还是云端，做工作流还是通用Agent。对中小科技公司来说，路线押错三个月到半年，一家公司就可能出局。
在访谈中，赖罡斌反复强调：上下文是与模型交互的唯一窗口。自进化、记忆、技能、连接器，本质上都是上下文的子问题。
景栗科技在过去一年时间内，实现了从一个企业服务软件和运营服务商，向企业智能体平台的进化。它选的路线是企业自建智能体平台：把企业上下文、知识库和应用插件深度整合进平台，完全云端部署，因此更容易连接到企业已有的业务容器。
很多企业会选大厂平台，也有很多企业会选择自建。如何比开源框架更开箱即用，比大厂平台更贴近业务场景，成为景栗智能体平台独特的发展路线。
此前十年，景栗是全国领先的私域营销软件和科技运营提供商，服务了大批零售、消费、医疗等头部企业；新的企业智能体底座跑起来之后，一方面把传统私域业务向上迁移，同时在企业自建智能体平台、知识库、数字员工解决方案上实现了突破和增长。
核心观点
这轮企业AI的主战场，是补数字化的课。
中国企业的数字化建设落后于美国，正在用AI以极低的成本补齐基建。当前，国内真正有数据治理和知识库的企业凤毛麟角。
技术路线的前瞻性决定生死。
这个行业拼的不是团队大小，是核心团队对于未来技术的路线判断。
上下文工程是Harness核心锚点。
与模型交互的唯一产出物，就是上下文，自进化、记忆、技能、连接器等，本质上都是上下文的子问题。
上下文建设有三条路，Harness工程、模型后训练、FDE人力。
三者都是同一个目标的不同工程实现手段，具体选哪条完全取决于ROI。
中国FDE组织形态更适合OPC。
中国市场的FDE供给极度稀缺，真正的机会在懂业务又懂Agent的小型组织。
以下为本次访谈实录，在不改变原意基础上略有修改。
01
中国企业现在做的，是用AI补20年的课
爱分析：最近在用什么新的AI产品吗？Jev模型，试过没有？
赖罡斌：基本都试了一下，我日常用得最多的还是Claude和我们自己的智能体产品。Jev这类决策模型产品还需要观察，尤其很多时候要对比“小模型+agent hooks”是否真正有性价比。
爱分析：模型和消费级产品变化很快，企业Agent平台却原地踏步，为什么会有这种差异？
赖罡斌：我很认同业内一个说法：当你没有上下文的时候，不存在所谓Agent能够发挥业务价值。现在八九成的中国企业要做的第一步，是用AI低成本地把数字化建设做完。AI提供了一个很好的机会，把过去十年该建的数字化基建，以相较SaaS时期，十分之一的成本快速实现。
爱分析：一方面，市场认为企业应用需要用AI重构；另一方面，重构又要等待底层基础设施完善。这是不是一个矛盾？
赖罡斌：我觉得技术已经不是问题。过去十年，数字化不是技术问题，现在AI也不是技术问题。更关键的是企业能不能真正把数据用起来——打个比方，怎么把冰山下面的东西真的搬上来。
比如AI可以帮你更好地做数据清洗治理，把知识库、文档做很好的结构化。我们跟很多同行聊，像帆软、阿里的一些团队，普遍感受都是这样：从去年下半年到今年，大家真正能干成的事，让AI真正发挥价值，还是要回到从数据治理、知识库、文档的结构化清洗这些活开始。
这不仅是新增数据的问题。企业网盘和数据库里，大量分散的资料，几十G、上百G的历史数据，如何做有效治理再交给Agent用，仍然是当前阶段的核心任务。
爱分析：这层治理做完，对上层应用效果的改善如何？
赖罡斌：我觉得还不错。一些AI原生企业，他们跑得快，不需要处理那么多历史脏数据的治理。他们用AI做投放、做销售赋能、做客服、做电商内容生成，已经在蓬勃应用。像浙江、广东的很多民企，是人均token使用量最大的一批企业。
爱分析：企业AI里绕不过去的一环是action，让Agent真的能写回业务系统，这件事有哪些企业已经可以实现了？
赖罡斌：还是中小型组织推进得快，他们没有历史包袱，也没有那么多合规限制。那些有非常强的数据合规、业务系统合规要求的企业，动作会非常慢，是天和季度级别的对比。
推进的快慢，也跟之前大量SaaS的基建高度相关。SaaS未来如果不往前转型，大概率就会变成被Agent调用的一些工具，对此我高度认同。
我们自己之前做SCRM、MA的工具，也在做MCP化、应用容器化。有的系统API化、MCP做得快一些，你可以直接调；有的就得通过Computer Use的方式去调。从技术上来说现在逐步都可以实现，差别在开放效率和日常使用的token成本。
02
三个bet：上下文、云端、模型中立
爱分析：企业谈Harness时，关注点并不相同。有人关注上下文，有人关注自进化、治理或模型成本。你认为重点是什么？
赖罡斌：这些方向是一脉相承的，本质上都属于完整Harness的构建，也就是承载智能体运行的框架和工程体系。
今年大家主要在应用层围绕Harness做设计和升级，未来模型后训练会进一步发展，但在当前阶段，大多数企业仍然处在数据治理和知识库治理阶段。
LlamaIndex、RAGFlow等产品并没有解决冰山下的数据问题，RAG类型产品默认文档都已经整理好了，但现实肯定不是这样。谁能把大量上下文数据喂给Agent，谁就能赢得第一阶段市场。
爱分析：为什么把上下文放在最核心的位置？
赖罡斌：Harness最终产生的是一套完整的上下文。上下文被交给大模型，再由模型进行推理。上下文是与模型交互的唯一窗口，因此Harness一定要把上下文工程作为核心锚点。
Harness形态会持续变化，外围生态会像操作系统一样不断丰富。过去几个月整个围绕Harness的生态在慢慢丰富，是很激动人心的事情。
同时，从我们研发智能体平台的角度来说，还是要有一个锚点，这个锚点我们定位还是围绕上下文工程去做升级和优化。无论做插件系统、应用容器还是多Agent，最后都会回到上下文，如何把上下文缓存做好，做好跟模型之间的语法适配，等等，都是要去解决的，也会比较容易产生更好的效果。
爱分析：Harness过去一年经历了哪些明显变化？
赖罡斌：这一年是很密集的。最初大家更多讨论单个回合的优化，后来是会话级优化，再往后是多Agent、A2A。它的能力边界越来越广，越来越像一个操作系统。
今年七八月以前，Harness引擎逻辑迭代曲线非常陡。七八月以后，主干变化稍微放缓，插件、安全、沙箱和计算基础设施这些外围生态进入了快速迭代期。
新的升级包括跨Harness的A2A通信，让不同平台之间的Agent能够协作。技能、连接器和MCP也正在被进一步封装为插件。底层数据、沙箱、计算这些基建本身，也有很多要迭代和优化的地方。
爱分析：Claude Code和Codex在Harness设计上有什么区别？
赖罡斌：Claude Code更激进，也更围绕本地端体验设计。Codex的架构更完整、更规范，产品体验更稳健，更像大厂做法。
早期Claude Code的用户体验明显更好。我们当时判断，Codex会受益于更加robust的技术架构，中期可能追平甚至反超。过去半年，这个判断在逐步得到印证。我们在回合级设计上更多参考Claude Code，在完整会话级设计上更多参考Codex。
爱分析：多Agent落地时，最需要解决什么？
赖罡斌：从数学上说，它就是0.99的N次方。单个Agent有99%的可靠性，串联到第十个就只剩九成。每个Agent都有不确定性，多Agent会把这种不确定性累乘起来，最终要解决的是如何控制概率与不确定性。
长程任务本身并不是问题。知识库任务可以跑几个小时，甚至一天，关键在于任务是否足够确定，外围Harness是否可监测、可修正。
爱分析：企业Agent平台的技术路线层面，你们bet哪些方向？
赖罡斌：第一个bet是上下文。Manus团队提上下文是去年九、十月。我们今年自己做整个Agent平台，也大量借鉴了Manus的一些思路，比如云端化、沙箱，围绕上下文工程拼命在做优化。
因为我们bet上下文，所以一开始就没有去碰工作流。工作流本身的约束过多，也不够AI原生，方向一定是往通用走。
第二个bet是云端。很多大厂的办公产品是有本地客户端的，景栗全部是云端。如果要做办公场景，它100%是要本地客户端的，因为大量的日常办公发生在本地。但办公这个事情我们一直没有碰，我们更多做的是围绕整个数字员工、围绕业务流的AI改造。往前十年、往后十年，趋势一定是云端的业务流，所以我们就押云端。
第三个bet是模型中立。模型也会有分层和各自特色，同时成本下降和迭代速度会非常快。主流观点说，Agent跟SaaS不一样，因为Agent每一次服务都要调用token、有成本，所以做Agent业务不如SaaS毛利高。但不能忽视了一个变量：整个模型层，包括开源模型和小模型的能力迭代非常快，成本也在快速降低。
我自己电脑里装的是千问的9B模型，还有Google Gemma的4B，都是最新的开源本地小模型。我在飞机上干活，调这些小模型是够的。客服这种简单场景，跑一个27B的开源模型，90%的情况够了。
小模型能力强的时候，它就是SaaS逻辑，而不是你需要付token的逻辑，毛利可以变得非常高。
这三个bet加在一起，就是景栗今天的产品形态：一个企业自建的智能体平台，把企业上下文、知识库和应用插件整合进来，完全跑在云端，所以更容易接到企业已有的业务容器上。
爱分析：也就是说，企业AI平台的竞争，技术前瞻的判断力才是决定性因素？
赖罡斌：对。你miss了三个月到半年时间，可能就掉队了。这个时代在PK技术路线和前瞻性，PK跟业务场景的结合点。它跟团队大小没关系，就是跟团队核心的几个判断点有关系。
03
上下文怎么建，三条并行的路
爱分析：上下文工程既然是锚点，那上下文具体怎么建？
赖罡斌：上下文建设有几条路。一条是Harness工程层，做技能、做插件、做连接器、做记忆等优化。可以通过模型层，比如后训练调参权重，也包括在回合里注入企业特殊的一些marker区域。还有一条是人力层，也就是FDE，负责把业务场景和数据搬运给Agent。
这几条路指向同一个目标，具体选哪一条，要基于Token ROI衡量。
爱分析：在模型还没进入稳态的阶段，企业如何决定要不要做后训练？
赖罡斌：还是基于ROI。比如AI原生业务，有一些想做漫画、做内容生成的，不训达不到效果，你就得训。它不是说今天我一定要训，或者一定不训。
大多数企业不关心token、模型参数和推理强度，只关心成本多少、效果怎样。只要一个服务能通过业务考核，就可以继续往前走。
爱分析：上下文离不开数据接入，这个环节在企业落地有比较大的问题吗？
赖罡斌：除了外企、医疗等行业短期卡在合规，大部分行业数据接入的技术门槛已经过去。企业可以通过API、CLI、MCP或Computer Use获取上下文，区别更多是效率和成本。
但平台只能提供基础设施。具体场景需要采集什么数据、如何采集，如果没有清晰的API或MCP，FDE就需要介入做企业上下文治理。从理解需求、采集数据到编写业务应用，FDE是当前绕不开的一环，他不只是理解业务，还要负责把数据搬给Agent。
爱分析：大厂在数据这条线上，优势更明显。
赖罡斌：大厂肯定有他们非常好的优势，比如企微、钉钉、飞书的上下文，以及很多企业内部系统的数据。
但是今天生态开放度非常好，企微、飞书都开了CLI，本身支持很完整的读写。没有一个企业会把所有数据放在一个地方，一定是开放性优先。
爱分析：有没有具体的落地场景，能让企业客户明显看到变化？
赖罡斌：就拿知识库为例。典型的场景是，企业基于大量历史上的PPT、Word、PDF、Excel，形成内部的知识库。
之前需要大量繁杂的ETL、数据治理，这些事情现在交给Agent做，成本和难度都大幅降低。实践结果是可以把历史上要花几个月做治理的事情，压缩到一周以内完成，这是非常显性的、客户可以看得到的变化。
当你把知识库做好以后，无论对于销售赋能，还是对于客服、内部培训，都是有帮助的。这是今年我们大量看到的、可以被落地的、很务实的场景。
04
FDE在中国市场不会是Palantir那套方式
爱分析：FDE在国内落地，实际是传统ISV的升级？
赖罡斌：中国的FDE，跟Palantir还真的不一样。在中国做Palantir那套，可能又变成之前软件实施30%毛利的人力外包状态。
现阶段更有机会的是OPC。OPC和AI原生组织的联动，是当下动作最快的一种形态，今年已经有很多朋友在实践了。之前他们的人效是人均几十万，通过AI赋能，人均收入能够大幅提升，这让很多原来企业内的朋友们都出来自己做。客户关系是现成的，OPC决策也很快，这种今年有一批企业发展得很好。
爱分析：所以FDE还是原来那拨人？
赖罡斌：从 目前的现状来说，我觉得是这样的。核心的底层逻辑是，FDE服务的企业家不可能进步那么快，而整个市场的FDE供给是不足的。
今天作为一个FDE，你既需要懂AI，也需要懂客户业务，早期FDE肯定是从先懂一头开始走。懂业务这个角度，市场有很多存量人才，也都希望进入到AI或者FDE领域里面来；当然懂AI和Agent，目前从市场的供给上来说肯定是极度稀缺的。
今天能够把上下文工程、技能、连接器、记忆这些东西真正讲清楚和配置好的人，在整个市场都是稀缺的，这也是为什么今年跑起来的OPC，人效和经济回报都很好。
爱分析：什么样的人适合做FDE？
赖罡斌：从懂业务、懂Agent的角度出发，产品经理或者产品运营是很合适的。产品背景出身，天然对这两个结合点的理解非常好。
爱分析：企业内部的IT人员转型in-house FDE，可行吗？
赖罡斌：要先跨越思维惯性。传统软件工程是确定性思维，拥抱智能体要接受不确定性，这是两种不同的思维体系。他得先迈过这一关，才能真正去做Agent。过去一两年能够迈过来的人，本质上是稀缺的，反而是二十多岁、没有历史包袱的人会更快一些。
05
Agent平台立起来之后，新业务会自己长出来
爱分析：Agent对景栗科技的私域运营业务，带来了什么程度的利润变化？
赖罡斌：客服我觉得是很明显的一个点。之前是大量的培训、管理、质检、奖惩工作。现在客服团队的组织素质在发生变化：客户在使用AI后，更多应该招的不是一线的执行人员，而是本身懂如何做客服知识整理、如何做客服迭代的人，类似客服经理，每天能把Agent不懂的问题做迭代和自进化去优化。
这里的客服不仅是售后，也包括用户精准营销、售前咨询顾问等广义客服人群。我们用自己的智能体平台，搭建了数字员工产品，真实客户场景的验证效果很好。
所有选择用AI做升级的，对利润和效率肯定都会有很大提升。当然组织本身的升级会有个周期，当技术不是瓶颈的时候，更多要求客户的接受度和认知的进化。
爱分析：如果企业Agent平台能把代运营业务的规模放大很多倍，这是不是公司一个新方向？比如收购更多代运营的团队，拿下客户业务用Agent方式来做。
赖罡斌：我们很认真地在探索这件事情，一定有机会。
中国企业客户更多是业务主导，IT提供科技能力支持。我们既然能够去连接整个产品、技术和业务，就完全有机会去做这样的一个复制。这里面的核心是，Agent平台基建能够自控，因为所有的业务都要跑在它上面。
景栗的私域运营业务也是长在自有的Agent平台上，但它只是其中一个垂直方向。
爱分析：怎么理解？
赖罡斌：今天我们看到了更大的机会，要做一个企业Agent全新的底座，无论是私域还是其他业务，都能够跑在上面。
比如知识库，我们去年没有任何这方面的业务，今年已经快速发展出来。它其实是之前私域业务里面不存在的，Agent底座出来了，新业务自然就长出来了。
爱分析：Agent平台的建设其实并不需要太多人？
赖罡斌：跟大厂拼的不是资源和人数，而是拼场景和技术路线判断，拼核心团队专注度，然后利用AI去做几百倍的放大。
近期厂商征集
AI数据基础设施研究项目征集
截至时间：10月31日
本体市场研究项目征集
截至时间：10月31日
热门跟贴