Harness 的两条路线：垂直 Agent 和通用 Agent Skill

通用 Agent 越来越强，垂直 Agent 还有活路吗？这个问题，AI 圈已经吵了不止一轮。

最常见的回答是非黑即白的两派：一派相信 Claude Code、腾讯 WorkBuddy 这类通用 Agent 终将横向吞噬一切，另一派押注垂直 Agent 能在细分领地割据一方。但工程实践走得越深，这道二元对立就越站不住脚。

商业落地要的不是“看起来什么都能做”，而是极致的确定性。无论是独立形态的垂直 Agent，还是长在大厂生态里的通用 Agent，其底层智能的基石早就越过了单纯的 LLM。真正的胜负手，在于 Harness Engineering——数据对齐、语义平铺、刚性风控与交互封装这套控制硬壳，才是隔绝大模型概率性幻觉的真正铁幕。

看清“护城河唯有 Harness”这一点，技术上就豁然开朗：只要通用 Agent 支持外部协议（如 MCP）和强扩展机制（如 Skill），它背后完全可以挂载一套同样沉重、同样垂直的 Harness。

于是，大模型时代的工程演进，正式在 Harness 这一层分出两条路线：端到端闭环的「垂直 Agent」，与化整为零的「通用 Agent Skill」。

路线一：垂直 Agent——全栈控制的闭环主权

垂直 Agent 走的是 Full-Stack Control（全栈控制）。它把基座模型、专有数据库、硬编码流程和定制 UI，用一套 Harness 焊死在一个独立的软件实体里。

1. 核心优势

• 交互主权的绝对控制（UI Ownership）：许多深水区业务（如 Hive 数据开发、敏捷 BI 报表、跨境选品与库存联动）天然排斥“对话框”。垂直 Agent 的 Harness 把前端 UI 做成了生产力画布，用户靠滑块、表单、拓扑图做指点式操作。前端动作被硬编码转化为高纯度参数，从源头剥夺了模型在前置意图识别阶段“传错话、瞎猜参数”的机会。

• 数据重力的常驻权（Data Gravity）：垂直 Agent 本身就“住”在企业的数据库（如 PostgreSQL / DuckDB / StarRocks）里，Harness 在本地长期管理带状态（Stateful）的元数据。敏感数据不必高频、临时地通过接口“热插拔”上传给通用大厂。

• 单一责任主体的信任链：在 B 端严肃场景里，垂直 Agent 作为独立的商业实体，敢于在 Harness 里锁死风控闸门，并签署企业级 SLA（服务等级协议）。一旦出了重大事故，它是唯一且清晰的追责对象。

2. 商业痛点

• 冷启动极重：需要单独跨越企业内网权限、耗费巨大的线下商务与实施成本、啃下恶劣的遗留系统（Legacy Systems）接口。

• 用户心智的分裂：用户一天之内要在多个垂直 SaaS / Agent 界面之间高频跳槽，承受极高的工作流切换摩擦。

路线二：通用 Agent Skill——化整为零的无头微服务

通用 Agent Skill 走的是 Headless Agent（无头智能体）路线。它承认大厂通用 Agent 作为“桌面操作系统 / IM 入口”的统治地位，主动剥离自己的前端 UI，把沉重的 Harness——数据语义层、合规熔断器、垂直算力——打包成一个高级 Skill 或 MCP Server，寄生于大厂的容器之内。

1. 核心优势

• 近乎零摩擦的触达（Zero Friction）：用户不必打开新网页、不必安装新系统。在 Claude Code 敲一行指令，或在 WorkBuddy 的群聊里用 / 唤醒一下，你的垂直 Harness 就能直接切入用户当下最高频的办公场景。

• 无缝的跨工具编排（Composition）：寄生于通用生态中，你的 Skill 能与生态内其他工具自然联动。例如，用户的指令先触发你的“Hive 取数 Skill”，生成 Artifact（工件）后，可以立刻流转到大厂原生的“自动化文档生成 Skill”。

• 极轻的资产模型：创业者可以把 100% 的精力用来卷行业 Know-How、数据语义翻译和特定 Pipeline 的鲁棒性，而把高并发调度、Session 持久化、多 Agent 协同这些底层脏活，全部交给大厂的工程框架。

2. 商业痛点

• 前置路由的漂移风险：用户输入的模糊文字，先经通用 Agent 处理，再转化为结构化 Payload 传给 Skill。这一层“翻译”极易因底座模型的逻辑漂移而产生参数错配，而你很难直接干预。

• 寄生者的视窗受限：Skill 的输出只能在通用 Agent 允许的标准化看板或 Markdown 里渲染，失去了像素级垂直 UI 的操作纵深。

战略选择：两条路线的决策矩阵

垂直创业者或企业架构师要把 Harness 推向哪条路线，不该取决于“技术上能不能做”，而应取决于三层商业边界：

| 抉择维度 | 倾向【垂直 Agent 路线】 | 倾向【通用 Agent Skill 路线】 | | -------- | ---------------------------- | ----------------------------------- | | 交互密度 | 需要大量空间、像素、拖拽连线或非标看板的重度交互场景。 | 靠单句指令驱动、高频生成结构化制品（代码 / 报告 / 报表）的场景。 | | 风控等级 | 涉及资金流变动、生产环境数据修改等需要硬熔断的重度场景。 | 聚焦知识辅助、数据读取、初稿生成等低责任、高效率的辅助场景。 | | 数据形态 | 体积巨大、涉密、需长期维护私有业务图谱的常驻状态数据。 | 能标准 API 化、支持即插即用 / 临时抽样调取的流动数据。 |

终局展望：两条路线并行，各归其位

这两条路线并非谁取代谁的关系，而是长期并行，各自覆盖不同的用户与场景。

回到前面的决策矩阵，这种分工一目了然。需要像素级交互、硬熔断、常驻私有数据的深水区场景，以及背后那批愿意为确定性和主权买单的核心客户，天然属于垂直 Agent——它交付的是一整套焊死的 Harness 与随之绑定的责任背书，换回的是高客单价和难以撼动的客户粘性。而那些靠单句指令驱动、高频、低风险、数据可标准 API 化的轻量场景，以及已经习惯生活在 Claude Code、WorkBuddy 里的广大用户，则归通用 Agent Skill——它借大厂生态的红利做触达与规模，把同一套行业 Know-How 以极低的摩擦分发出去。

换言之，垂直 Agent 守住的是“少数客户的深井”，通用 Skill 占据的是“海量用户的浅滩”。它们面向的不是同一群人，解决的也不是同一类问题。

需要看清的是，无论走哪条路线，真正决定壁垒的都不是前端形态，而是底下那套 Harness——数据语义、风控闸门和行业 Know-How。垂直 Agent 把它包进主权外壳卖确定性，通用 Skill 把它削成无头微服务卖触达；外壳可换，Harness 难造。所以终局的问题，从来不是“选哪条路线能赢”，而是“我的 Harness，配得上哪一群客户、哪一类场景”。把这道题答对，两条路线就都是你的护城河。