Agent 上崗之后，企業如何治理硅基團隊？

作者 | 王瑋

6 月 26 日，“AI 原生·聚變新生”2026 張江人工智能創新小鎮生態日在上海張江舉行。作為生態日五場平行論壇之一，由張江人工智能創新小鎮聯合 InfoQ 極客邦傳媒共同舉辦的 Top Tower Talk「Harness 時代的硅基團隊治理」專場，在張江科學之門 A 塔 67 層圓滿舉行。

本場活動聚焦一個正在從概念走向現實的問題：當 AI Agent 從個人效率工具，進一步進入企業研發、運營、數據分析、業務交付等核心流程之后，企業如何讓它真正“聽話”又“懂行”？換句話說，Agent 已經不只是一個可以調用的大模型接口，而正在成為一種新的生產力單元。它能寫代碼、做調研、生成報告、調用工具、參與決策，也可能在長任務中反復試錯、誤用工具、丟失上下文，甚至把錯誤經驗沉淀進組織流程。

因此，企業今天需要討論的已經不是“要不要用 Agent”，而是如何為 Agent 建立一套可控、可信、可追責、可持續進化的 Harness 系統。

本場論壇以兩場主題分享打開討論。質變科技 MemoryLake 首席架構師周祥聚焦 Agent 的長期記憶工程，討論企業如何將上下文、經驗與知識沉淀為可復用的記憶資產；華為 2012 實驗室項目群總監董鑫則從大型研發團隊實踐出發，分享 AI 進入研發主流程后，組織協作方式正在發生的變化。在隨后的圓桌環節，兩位分享嘉賓與 Toco 創始人兼 CE 時很快會遇到的現實問題。周祥提到，過去企業更熟悉 DevOps、CI/CD、應用集成和數據集成，而當智能體真正上線之后，一個更直接的問題出現了：它一個月到底會消耗多少 Token？如果 Agent 在執行任務時上下文不完整、Skill 調用不準確，或者工具選擇不精準，就可能陷入大量 retry 和 fail over。任務表面上完成了，但背后已經發生了高額的試錯成本。

因此，Token 的真實成本不能只看單價，還要看任務成功率。按照周祥 PPT 中給出的公式，Token 成本等于 Token 單價除以任務成功率。成功率越低，實際成本越高；一次做對的概率越高，企業為無效試錯支付的成本就越少。由此看，記憶工程并不是錦上添花，而是 Agent 進入生產環境后必須補上的一層基礎能力。

但現實中，企業的記憶基礎設施往往并不統一。數據庫、數倉、知識庫 RAG、會話記憶系統各自存在，個人用戶用起來割裂，企業側則要面對多系統融合和架構演進的復雜性。周祥介紹，MemoryLake 試圖將這些分散能力整合為一體化的記憶與 Agent 平臺，讓企業既有系統、結構化數據、半結構化數據和多模態文件都能接入同一個記憶底座。

圍繞這一目標，他將記憶系統拆解為三類核心能力：記憶蒸餾、記憶計算和記憶堆疊。

記憶蒸餾解決的是“知識如何變成可用記憶”。企業中的大量經驗并不天然適合 Agent 調用，它們分散在文本、郵件、聊天記錄、PDF、表格、圖片、音視頻、數據庫、業務文檔、SOP 和流程規則中。周祥提到，MemoryLake 通過 D1 小模型進行多模態數據提取，將復雜表格等內容轉化為結構化 JSON、多模態索引、決策圖譜、業務知識等記憶資產。在復雜表格提取場景中，相關準確率從小于 70% 提升到 99.8%。

記憶計算進一步解決“記憶如何參與推理”。這其中包括沖突檢測、遺忘、合并、演進，以及時間一致性、跨會話綜合、抗幻覺和語義模糊等問題。比如，同一事項在不同文檔中可能出現相對時間與絕對時間的混用，系統不能只做簡單檢索，而要把這些信息放進統一的時間軸和語境中重新理解。

記憶堆疊則更接近企業落地中的治理問題。企業需要沉淀優秀員工的最佳實踐和高質量 Skill，讓新人和 Agent 能夠復用；同時也必須隔離低質量經驗、個人偏見和錯誤模式，避免它們進入組織共享記憶池。換句話說，組織記憶不能只是“把所有人的經驗都存下來”，而要有篩選、隔離、歸屬和審批機制。

這也引出了周祥分享中最關鍵的組織級框架：Workspace、Actor 和 Project。Workspace 是承載項目、協作關系和上下文的大容器；Actor 可以是人，也可以是 Agent；Project 則用于組織文檔庫、數據庫、開放數據集、會話、記憶條目和 Skills 等資產。在這一框架下，記憶讀取可以跨 Project 發生，但寫入必須落到明確的主 Project 和 Actor 之下。這樣一來，多 Agent 協作、Human-Agent 協作和組織記憶沉淀之間，才能形成更清晰的讀寫邊界和責任歸屬。

2 AI 研發下半場的組織進化

如果說長在個人級任務上，AI 的提效已經非常明顯。董鑫舉例，一個編譯器 Crash 問題，工程師自己排查了三四天沒有解決，后來借助 AI 半個上午就完成定位和修復。但進入團隊級場景后，情況并沒有這么簡單。真實研發組織不是許多個體效率的簡單相加。一線研發人員真正寫代碼的時間可能只有約 20%，大量時間都消耗在需求對齊、測試、會議、責任邊界和跨團隊溝通上。

因此，AI 研發下半場的關鍵，不只是讓每個工程師都用上 AI，而是讓 Agent 能夠在團隊流程中自己轉起來。董鑫在分享中特別強調了 Human on the Loop 與 Human in the Loop：前者意味著人在系統上方做治理，制定規則、觀察狀態、控制邊界，保障系統可控；后者意味著人在必要節點進入流程，對異常、分歧和高風險結果進行判斷與干預，保障結果可信。

基于這一思路，團隊構建了 ACE Harness 系統。該系統面向倉頡編程語言等開源代碼場景，可以讓 Agent 自動分析社區 Issue、復現問題、定位根因、生成報告，并把任務分配給需要處理的人。在這一過程中，Agent 并不是單點執行，而是以團隊形式協作：有 Agent 負責定位問題，有“藍軍”Agent 負責反向審視和挑戰，也有“裁判”Agent 在分歧出現時進行仲裁；如果需要人工介入，整個 Loop 會暫停，等待工程師處理。據董鑫介紹，這套系統 7×24 小時運行，在相關流程上帶來了約 50% 到 1 倍的效率提升。

當 Agent 能夠持續運轉，組織調度方式也要隨之變化。董鑫介紹，團隊嘗試了 ATM（Ability-based Task Matching）機制，根據任務所需能力，在人和 Agent 之間進行動態匹配。過去，一個固定小組負責固定范圍內的工在這里更像研究者的加速器，適合幫助人快速查資料、生成假設、跑原型和做驗證，但不一定適合被放進高度流程化的工程系統中運行。

由此來看，AI 讓代碼生成變得越來越便宜，但真正稀缺的并不是代碼本身，而是人能否提出值得做的問題，判斷什么結果有價值，并建立足夠快的驗證閉環。Agent 進入研發組織之后，人的角色不會消失，而是會從任務執行者，轉向系統治理者、質量把關者和關鍵判斷者。

3 誰決定上限，誰兜住底線？

在圓桌環節，嘉賓們圍繞 Agent 基礎設施、組織協作和信任機制展開了更具碰撞感的討論。

關于 Agent 能力的上限和下限，嘉賓們給出了不同視角。

曹偲認為，在復雜企業場景中，Memory 很大程度上決定了上限。因為真正難的業務問題往往不是模型不會推理，而是知識散落在不同人的腦子里，文檔和代碼不一致，歷史決策和當前流程相互沖突。沒有好的記憶系統，Agent 很難理解真實業務現場。

董鑫則認為，如果放在人和 AI 配合干活的設定下，上限很大程度上仍由模型能力決定；但下限往往由人決定，尤其是人如何使用 AI、如何設計任務、如何判斷結果。

蔣爍淼則從實踐角度提出了一個不同視角，他認為，很多時候不是模型不夠好，而是人的框架限制了模型。過度設定 Harness，反而可能讓 AI 產出更差的結果。在他的使用方式中，給 AI 一個粗粒度目標，讓它先長出來，再由人進行修剪，往往會帶來更好的結果。

徐珮文認為，模型能力類似于 CPU 強度，是基礎能力；Memory 對上下文和歷史經驗的增強非常關鍵；可觀測性更像儀表盤，用來識別幻覺、異常和風險；Harness 則在成本、任務拆分、模型切換和流程控制中發揮作用。幾者并沒有絕對優先級，而是在不同場景中相互制約、相互補充。

周祥則從企業落地角度進一步補充：模型能力會不斷抬升底線，但企業能否真正把 Agent 用好，很大程度取決于能否把 Legacy Data 整理成 AI Ready Data。數據組織得越好，記憶沖突處理得越好，Agent 在企業內部的上限才可能越高。

4 個人很強，團隊為什么不一定更強？

另一個核心問題是：個人 Agent 如何走向團隊協作？

曹偲指出，團隊的第一件事是統一語言。同樣一個 Claude Code，50 個人使用，可能實際上變成了 50 種工具。每個人的 Prompt、表達方式、上下文理解都不同，最后導致團隊協作效率下降。因此，AI 落到團隊里，首先考驗的是共同語言和共同交付標準。

董鑫也提到，組織層面的挑戰首先是思維對齊。真正用得好 AI 的人，往往本身就是團隊里更開放、更優秀、更愿意探索的人。但如果整個組織要前進，就不能只依賴少數先鋒，而需要通過工具和流程，把新的協作方式逐步沉淀下來。

蔣爍淼提出，AI 在某種意義上具有“反協作”特征。因為人與 AI 的對話天然高度個體化，不同人同時圍繞同一個項目與 AI 對話，最后合并結果可能會非常混亂。因此，他更傾向于把團隊拆成邊界清晰的 2-3 人小隊，讓每個小隊圍繞一個足夠清晰的模塊閉環推進。

徐珮文則認為，在現階段，更可行的方式是明確拆分問題邊界，形成小型尖刀隊。一個人負責定義目標，一個人負責跑通結果，一個人負責審美資產工作，而不是沿著傳統“需求—PRD—設計—開發—測試—驗收”的線性流程一輪輪傳遞。未來的組織可能更像一個圍繞核心資產不斷調用工具、沉淀日志、迭代流程的系統。

5 Harness 的本質，是把 Agent 放進真實生產關系

本場論壇并沒有試圖給出一個關于 Agent 落地的標準答案，而是從長期記憶、研發工程、組織協作、可觀測性與治理邊界等多個角度，呈現了企業邁向硅基團隊過程中正在面對的真實問題：Agent 如何理解業務上下文，如何沉淀經驗資產，如何進入團隊流程，如何在持續執行中保持可控、可信、可追責。

從主題分享到圓桌討論，一個清晰的趨勢正在浮現：當 Agent 從個人效率工具走向企業生產流程，企業真正需要建設的，不只是更強的模型調用能力，而是一套圍繞數據、記憶、流程、權限、質量與責任展開的系統能力。它既要讓 Agent 能夠自主完成更多任務，也要為人的判斷、干預和治理留下清晰位置。

這也意味著，硅基團隊治理仍處在探索階段。不同企業、不同場景對 Harness、Memory、Observability 以及 Human-Agent 協作的理解并不完全相同，但它們共同指向一個更現實的命題：AI 的價值不會自動轉化為組織效率。只有當技術能力被嵌入可運行、可驗證、可治理的工作體系中，Agent 才可能真正從 Demo 走向生產。

對于正在探索 AI 原生組織形態的企業而言，如何讓硅基團隊既能持續進化，又能被有效駕馭，或許將成為下一階段競爭力的重要分水嶺。

未來，張江人工智能小鎮也將聯合 InfoQ 極客邦傳媒，持續推出「塔尖會」系列活動，圍繞 AI Infran、具身智能等前沿議題，邀請產業一線的技術專家、創業者與實踐者持續交流。站在張江這一 AI 創新高地之上，「塔尖會」希望成為一個連接前沿觀點、工程經驗與產業實踐的長期場域，讓更多關于 AI 未來的關鍵討論，在這里發生、碰撞并沉淀。