WorkBuddy 做不了的事情：垂直 Agent 的护城河

以 Claude Code、腾讯 WorkBuddy 为代表的通用 Agent，正在快速占据通用办公和标准化开发这两类场景。大厂一边推出自家通用 Agent，一边用 MCP、Skill 这类统一协议和扩展机制，把能力边界不断外推。

这让不少 AI 创业者焦虑：通用 Agent 越来越聪明，Skill 越来越灵活，垂直 Agent 还有活路吗？

有。通用 Agent 追求的是覆盖广度，商业落地要的是结果确定性，两者之间存在一道结构性裂缝。垂直 Agent 的本质，远不止“大模型套壳”那么简单：它是“基座模型 + 外围工程Harness”（LLM Model + Harness Engineering）。护城河不在底座模型的参数和通用智能，而在那套高度定制、与业务深度绑定的外围装具上。

真实的商业深水区里，有五堵高墙，是通用 Agent 哪怕挂满 Skill 也跨不过去的。每一堵，都由硬核的 Harness Engineering（及其背后的基础能力）砌成。

一、数据重力之墙：常驻状态 vs 临时抽样

通用 Agent 的 Skill 走的是轻量“即插即用”路线，工程逻辑是用连接器在会话发生时临时读取数据。但行业深水区的数据有很强的数据重力（Data Gravity）：体积大、迁移成本高、合规敏感。

• WorkBuddy 做不到： 一家年产值百亿的传统制造企业，不可能让 WorkBuddy 的 Skill 把 ERP 里近十年的物料清单和供应链流转数据临时上传或抽样；通用 Agent 也无法为它长期维护一套融合企业私有业务的常驻数据流。

• Harness 筑起的护城河： 垂直 Agent 的 Harness 不外挂于系统，而是和企业内部的计算存储架构（如 PostgreSQL / DuckDB / StarRocks 组合）深度共生，在本地长期管理带状态（Stateful）的行业元数据。大厂的 Skill 只能临时探路，垂直 Agent 的 Harness 则握有数据的常驻权。

二、语义断层之墙：专属语义层 vs 通用知识公约数

通用大模型的语料主要来自公开互联网，在它眼里，世界由标准词汇和通用逻辑组成。但真实的垂直行业里，充满了非公开、甚至彼此冲突的“非标”业务语义。

• WorkBuddy 做不到： 通用模型知道 Customer（客户）的字面意思。但在审计现场，券商口径的“前五大客户”、财务审计里的“合同关联方”、销售系统里的“开票主体”，计算口径和数据血缘（Data Lineage）完全不同。通用 Agent 哪怕临时加载 SOP 脚本，在长路径推理中照样会语义漂移、产生幻觉。

• Harness 筑起的护城河： 垂直创业者做的不是模型微调，而是语义装具（Semantic Harness）的工程化。这套 Harness 里硬编码了面向该行业的实体映射表、指标计算引擎和专属评测集。它把企业里脏乱、非标的 Legacy 数据“翻译”成模型听得懂的精准指令，再把模型吐出的概率性文本“约束”成确定性的业务结构。这种外围的语义翻译能力，大厂的 Skill 生成不出来。

三、风控免责之墙：刚性熔断 vs 拒绝担责的自由规划

严肃商业里，企业引入数字化工具，第一诉求往往不是效率，而是安全、合规和免责。通用 Agent 自由度高，多 Agent 自由规划、自动执行脚本那一套，放到严肃场景里反而危险。

• WorkBuddy 做不到： 大厂卖的是通用生产力平台，服务条款里必然写着“不对 AI 产出和执行后果负责”。如果一个 WorkBuddy Skill 在自动跑 Hive 脚本时因幻觉误删了生产环境的表，或在跨境电商里误判库存红线导致爆仓，大厂不会为此买单。

• Harness 筑起的护城河： 垂直 Agent 的 Harness 是一套刚性安全边界工程。它在大模型外围实施严密的控制流，把模型“圈养”在极窄的 Pipeline（如严格的 Prompt Chaining）里。关键业务节点上，Harness 硬编码了双人实名审批 UI、确定性逻辑熔断（Deterministic Fallbacks）和数据回滚闸门。有了 Harness 兜底，垂直 Agent 敢对业务结果做有限责任背书，这也是它能卖出高客单价的核心。

四、交互摩擦之墙：像素级工具流 vs 枯燥对话框

AI 真正进入一线工种，阻力往往不在模型的推理能力，而在交互摩擦太大。一线业务人员天然排斥在命令行或聊天框里输入复杂的 Prompt。

• WorkBuddy 做不到： WorkBuddy 的产品基因是 Messaging-first，基于 IM 聊天框或工作站看板。大厂不可能为成百上千个细分岗位，逐一定制像素级的垂直业务 UI 和交互流程。

• Harness 筑起的护城河： 在垂直 Agent 的架构里，前端 UI 本身就是 Harness 的延伸。优秀的垂直 Agent，本质是一个披着 AI 外衣的高效垂直工具：用户不用打字，靠表单、滑块、热力图做 Point-and-Click 式的修改和拖拽。Harness 在后端把这些低摩擦的图形动作，转成模型需要的、带强上下文的严密参数，再把模型输出的 Artifact（工件）高保真渲染回界面。这种像素级交互的封装，是相当高的壁垒。

五、组织落地之墙：适配灰色地带 vs 标准化 SaaS

AI 技术在企业内部落地，技术本身的难度往往只占三成，剩下七成是传统软件工程的脏活累活：组织架构博弈、老员工利益分配、内网权限的盘根错节。

• WorkBuddy 做不到： 大厂 Agent 通常走 Bottom-up（靠极客和白领个人订阅推动），或顶层标准化云原生大单。它不可能派出庞大的线下实施团队，一家家去理解某个传统行业里跨部门反复拉锯的审批流，再为它手工适配残缺不全的内网接口。

• Harness 筑起的护城河： 垂直 Agent 的 Harness 有很强的环境适应力和权限适配性。它能根据企业既有的权力与业务结构，精细配置每个 Agent 节点的权限级别和审批流走向。把“组织架构”和“软件工程”硬编码锁死在 Harness 里的这种本地化交付能力，是大厂标准化 Skill 触碰不到的灰色地带。

结语：护城河唯有 Harness

通用 Agent 正在铺设纵横交错的“基础电网”，并制定统一的“插座标准”（如 MCP）。对垂直领域的创业者来说，跟大厂卷模型底座、卷通用 Skill 生态，没有意义。

该卷的方向只有一个：承认模型的通用化，全面卷 Harness Engineering。

用最硬核的工程把对话框藏起来，用最严密的业务逻辑把大模型锁住，把数据、语义、风控、交互和组织权限焊死在自己的外围装具里。将来，当企业级的通用 OS 层 Agent 想调用某个垂直行业的专业能力时，你的垂直 Agent 凭着这套大厂敲不碎、剥不离的 Harness，就能牢牢卡住自己的生态位。