有云数智首席科学家姚宁：AI Agent不是应用，而是下一代企业操作系统

——企业正在进入AI原生组织时代（本文整理自有云数智首席科学家姚宁的培训分享）

过去两年，大模型的发展速度远超行业预期。从ChatGPT开启生成式AI时代，到DeepSeek推动推理模型快速普及，再到Claude Code、Codex等Agent开发工具不断刷新行业认知，AI正以前所未有的速度重塑软件开发和企业应用模式。

但在与很多企业交流时，我发现，大多数人对Agent的理解仍停留在"智能助手""办公工具"或"AI应用"层面。

我认为，这是当前企业对Agent最大的认知误区。

Agent的意义，并不是替代一个应用，而是重构整个企业的软件架构和组织形态。

PC时代，Windows连接的是软件；移动互联网时代，Android连接的是App；而Agent时代，它连接的是企业的数据、知识、工具、流程和组织能力，正在成为新的企业操作系统。

未来，企业真正需要建设的，不是几十个Agent，而是一套能够持续运行、持续学习、持续协同、自我进化的AI原生组织（AI Native Organization）。

Agent正在从"Chat时代"迈向"Code时代"

过去，大模型最大的价值是回答问题。

今天，这个阶段已经结束。

随着推理模型能力不断提升，百万级上下文窗口逐渐普及，以及Claude Code、Codex等Agent开发工具不断成熟，大模型第一次具备了完成复杂任务的能力。

这种变化看似只是产品形态的升级，本质上却意味着AI能力发生了根本性跃迁。

过去，我们输入一个问题，大模型输出一段答案；现在，我们给Agent一个目标，它能够自主拆解任务、规划执行路径、调用工具、持续思考，并最终交付完整结果。

从"回答问题"到"完成工作"，正是Agent与传统大模型最大的区别。

更重要的是，Agent已经开始具备持续工作的能力。

它不仅能够调用本地工具、浏览器、数据库、知识库等各种资源，还能够通过MCP（Model Context Protocol）连接越来越丰富的外部能力，形成完整的工具生态。模型负责推理，MCP负责连接，Agent则负责组织和执行，三者共同构成了企业AI新的运行范式。

这也是为什么Claude Code、Codex等产品出现后，整个行业的发展速度突然加快。

真正改变行业的，并不是模型参数继续增长，而是Agent第一次具备了工程化执行复杂任务的能力。

Everything for Agent：软件正在从"面向人"转向"面向Agent"

过去几十年，整个软件产业都是围绕"人"设计的。

ERP供人录入数据，CRM供人管理客户，OA供人审批流程，浏览器供人获取信息，IDE供程序员编写代码。企业数字化的本质，是不断开发新的软件，让人使用软件完成工作。

而Agent时代，这一逻辑正在发生根本改变。

未来的软件，不再首先服务于人，而是服务于Agent。

这也是业内越来越多企业提出"Everything for Agent"的重要原因。

企业员工不再需要频繁切换ERP、CRM、OA、知识库等多个系统，而是直接向Agent描述目标："完成一份市场分析报告""整理项目风险并形成汇报材料""完成一次代码重构并提交测试"。

随后，Agent自主调用不同系统的数据和能力，自动完成信息查询、工具调用、流程审批、文档生成、代码开发、结果验证等一系列工作。

软件依然存在，但它们将逐渐退居后台，成为Agent调用的能力模块。

真正成为企业统一入口的，将是Agent。

这意味着，未来企业竞争的重点，也将从"拥有多少软件"转变为"拥有怎样的Agent能力体系"。

企业AI真正的竞争，不再是Prompt，而是Harness

很多企业部署Agent之后都会遇到同样的问题。

简单任务表现很好，但任务一旦变得复杂，Agent便开始出现偏差。

三五步任务可以顺利完成，几十步任务开始出现遗漏，上百步任务则不断偏离目标；如果持续执行几百步甚至上千步，没有任何约束的Agent最终很可能已经完全脱离原始任务。

很多人把原因归结于模型能力不足。

实际上，更大的问题并不在模型，而在工程体系。

过去一年，行业讨论最多的是Prompt Engineering（提示词工程）。Prompt确实能够改善模型回答质量，但Prompt解决的是一次交互，而企业真正需要的是持续运行。

企业级Agent真正需要建设的，不是Prompt，而是Harness。

如果把Prompt理解为一次对话，那么Harness就是整个Agent组织的运行机制。

Harness不是一句提示词，而是一套完整的工程框架，它定义了Agent的角色（Role）、职责边界（Boundary）、行为规则（Rule）、执行流程、协作关系、消息机制以及反馈闭环。

在工程实践中，这些规则通常以Markdown形式进行沉淀，例如Agent.md、Cloud.md以及不同场景下的Knowledge文档。每一个Agent都有自己的角色定义、能力边界和执行规范，知道"自己是谁""应该完成什么工作""什么时候调用其他Agent""什么时候结束任务"，整个组织才能形成稳定、高效的协同机制。

也正因为如此，我们越来越认为，未来企业AI真正的竞争，不是模型之间的竞争，而是Harness体系的竞争。

模型决定Agent有多聪明，而Harness决定Agent是否可靠；模型决定Agent能够完成一次任务，而Harness决定Agent是否能够长期稳定运行。

对于企业而言，Harness的重要性，将越来越接近今天的软件架构和管理制度。过去企业依靠制度管理人，未来企业不仅需要管理人，更需要管理Agent。

Skill，决定了企业Agent的成长上限

如果说Harness解决的是"Agent如何稳定工作"的问题，那么Skill解决的则是"Agent如何持续成长"的问题。

当前，很多企业在建设Agent时，仍然沿用传统软件开发思路：设计一个流程、配置几个工具、编写几条Prompt，就认为完成了Agent开发。但真正的企业级Agent，并不是一个静态程序，而是一个能够不断学习和优化的数字员工。

因此，企业真正需要沉淀的，不是Prompt，而是Skill。

Skill可以理解为Agent完成某一类任务所形成的最佳实践。它既包含工具调用的方法，也包含行业经验、业务规则、执行路径以及大量实践积累形成的Know-how。

以代码开发为例，Claude Code、Codex之所以能够快速完成复杂开发任务，并不仅仅因为模型更强，而是其背后沉淀了大量可复用的Skill。面对同一项任务，Agent会不断尝试不同路径，自动比较执行效果，筛选出最优方案，并将这些经验持续沉淀下来。下一次遇到类似任务时，它调用的已经不是一次推理，而是经过验证的最佳实践。

这意味着，企业AI建设正在发生一个重要转变——从训练模型，转向训练Skill。

模型会越来越趋同，而Skill却具有鲜明的行业属性。能源、金融、政务等行业积累的业务经验、流程规范和管理规则，不可能依靠公开数据获得，它们只能来源于企业长期实践，并通过不断沉淀形成组织能力。

因此，未来企业最大的资产，不是拥有多少个Agent，而是拥有多少高质量的Skill。

企业数据真正的价值，在于沉淀组织经验

过去，企业建设信息化系统的目标是实现数据数字化；进入Agent时代，数据建设的重点则转向经验数字化。

许多企业认为，大模型只要接入知识库就能够理解业务，但事实并非如此。

知识库提供的是信息，Agent真正需要的是能够执行工作的知识。

在企业实践中，我们更强调Knowledge工程，而不是简单的知识检索。

Knowledge不仅包括制度文件、技术文档、业务规范，更包括大量隐性的组织经验，例如优秀员工的工作方式、项目复盘、失败案例、专家判断以及长期形成的业务规则。这些内容过去散落在会议纪要、项目文档甚至员工个人经验中，难以复用，更无法形成组织资产。

因此，我们需要通过Markdown等统一方式，将这些隐性的组织经验先沉淀为结构化的知识库，让分散的经验变得可查阅、可追溯。但知识库本身只是静态的“原材料”，Agent 真正需要的，是能从这些原材料中蒸馏出的、可直接执行的最佳实践。通过持续的业务执行和反馈循环，我们对知识库中的成功路径、决策规则和操作规范进行反复验证和流程寻优，最终将那些经过验证的、稳定高效的解决方案固化为 Skill。Skill 封装了特定任务的最优完成路径和关键决策点，Agent 面对同类任务时，不再需要重新检索文档或从头推理，而是直接调用相应的 Skill，以标准化、高效率的方式交付结果。

未来，企业的数据价值，不仅在于"有多少数据"，更在于"沉淀了多少经验"。

真正决定企业竞争力的，将是Knowledge体系，而不是单纯的数据规模。

Session与Loop，让Agent真正具备工程化能力

随着Agent承担越来越复杂的任务，仅有知识和Skill仍然不够，还需要解决持续执行过程中的稳定性问题。

企业级任务往往不是几轮对话能够完成，而是涉及几十个步骤、多个角色协同以及长时间运行。这时，Session和Loop就成为Agent工程化的重要基础。

Session解决的是上下文管理问题。

每一个Agent都拥有独立Session，在各自职责范围内完成思考和执行，避免不同任务之间相互干扰。同时，关键结果又能够通过消息机制进行共享，实现多个Agent之间的信息协同。

Loop解决的是持续执行问题。

Agent并不是一次性完成任务，而是在执行过程中不断规划、执行、验证、反馈，再进入下一轮优化，形成完整闭环。如果缺少Loop管理，Agent随着执行链条不断延长，很容易偏离目标；而通过Harness约束、Session隔离以及Loop控制，Agent便能够持续保持正确方向，完成长链任务。

这也是企业级Agent与消费级AI最大的区别。

真正的企业Agent，不是一次回答，而是能够连续工作数小时甚至7×24小时持续运行的工程系统。

多Agent协同，构建企业"虚拟团队"

Agent真正的价值，并不在于单体智能，而在于协同智能。

未来，一个复杂业务不再依赖某一个超级Agent，而是由多个专业Agent共同完成。

例如招聘场景，可以构建完整的招聘Agent团队：招聘助理负责需求整理，初筛Agent完成简历筛选，深筛Agent分析岗位匹配度，面试Agent生成问题，会议整理Agent完成纪要，总结Agent输出招聘报告。整个过程由协调中心统一调度，各Agent按照职责分工协同工作。

研发场景同样如此。

需求分析、架构设计、代码开发、测试验证、部署发布、日报生成，都可以由不同Agent承担。每个Agent专注自身职责，通过统一消息机制协同，形成完整的研发闭环。

未来企业组织将逐步呈现"人与Agent共事"的新形态。

管理者管理的不再只是团队成员，更是一支由多个专业Agent组成的数字化团队。人与Agent各司其职，人负责目标制定、关键决策和规则优化，Agent负责执行、协同和持续运行。

这种组织形态，也正是AI Native Organization的核心特征。

FDE：未来每一位工程师，都需要具备Agent思维

Agent时代，对工程师能力也提出了新的要求。

未来的软件开发，不再只是编写代码，而是设计Agent、组织Agent、训练Agent。

因此，我们提出FDE（Forward Development Engineer）的理念。

未来工程师不仅要理解模型，更要理解Harness、Skill、Knowledge、MCP以及多Agent协同机制；不仅能够开发软件，更能够构建一支持续运行、自我优化的Agent团队。

这意味着，工程师的角色将从"代码编写者"转变为"智能系统设计者"，工作的重点也将从开发功能转向设计规则、沉淀经验、优化组织。

AI Agent时代，企业需要建设新的基础设施

从Agent进入Code时代，到Everything for Agent，再到Harness、Skill、Knowledge、多Agent协同，这些变化共同指向一个结论：企业AI建设已经进入工程化阶段。

未来，企业竞争的焦点不再是谁部署了一个Agent，而是谁能够构建完整的AI原生基础设施。

这套基础设施不仅包括智能算力、大模型和工具调用能力，更包括知识治理、Harness体系、Skill沉淀、多Agent协同、安全管理以及持续演进机制。只有这些能力形成统一的平台，Agent才能真正成为企业的"数字员工"，而不是停留在演示层面的智能工具。

有云数智始终坚持"算力+数据+智能体"融合发展的技术路线，正是基于这样的判断。一方面，通过异构智能算力和行业大模型，为企业提供稳定、安全、可控的AI运行底座；另一方面，以智能体平台为核心，融合Harness、Knowledge、MCP、多Agent协同等关键能力，帮助能源、金融、政务等行业构建可持续演进的AI原生组织。

AI Agent不是软件的一次升级，而是企业操作系统的一次重构。

未来，决定企业竞争力的，不再是拥有多少软件，而是拥有多少能够持续学习、持续协同、持续创造价值的Agent；决定企业数字化水平的，也不再是系统数量，而是是否真正完成了从数字化组织向AI原生组织的跨越。

这是Agent时代带来的最大变革，也是企业迈向智能未来的必由之路。

对有云数智而言，这并不是一个停留在概念层面的判断，而是已经在客户实践中不断被验证的方向。作为技术支持方，有云数智围绕“算力+数据+智能体”一体化能力，已持续为十余家央国企客户提供异构算力底座建设、私有化模型部署、智算云平台搭建、Knowledge工程、Harness体系设计、多Agent协同编排以及行业智能体交付与运维服务，帮助客户把AI能力真正嵌入到研发、运营、管理和业务流程之中。

我们越来越清楚地看到，企业要的不是仅仅AI工具，而是一套“能落地、能运行、能持续优化”的AI原生基础设施。也正因此，有云数智不仅关注模型接入，更关注从智算底座、私有云环境、数据治理、Skill沉淀到流程重构的全链路建设，帮助客户把分散的数据、知识、工具和经验，真正转化为可复用、可协同、可持续演进的组织能力。

在这一方向上，有云数智已经形成了较强的产品化和工程化能力，并在央国企私有化部署、智算云建设和企业级Agent落地等方面积累了领先实践。未来，我们也将继续沿着AI Native Organization的路径，帮助更多行业客户完成从数字化组织向AI原生组织的跨越。