给每个员工配上AI之后，公司还缺什么？

五十个AI助手同时工作时的真实故障

给公司里的每个人配上一个AI助手，听起来已经不难：接入模型，连上工作资料，再给它一些可以调用的工具。但假设五十个助手开始同时工作，问题很快就会变得具体：一个助手整理报告到一半中断了，另一个还在等同事回复，还有一个准备把含有内部数据的附件发出去。谁来保存它们的进度，决定什么时候继续，又在操作越界之前拦下来？每个人都能和AI聊天，距离整家公司可以放心地让AI干活，中间还有不少事情要补。

Harness：模型之外的运行系统

前段时间，YC开源一个QM，就是围绕这类问题开发的系统。它要解决的事情，已经超出了“给模型写一段好提示词”：员工和项目如何使用各自的助手，任务中断以后怎么继续，资料和权限怎样划分，哪些经验可以共享。这些工作指向了一个最近越来越常见的词——Harness。放在AI应用里，可以把它理解为围绕模型搭建的运行系统：模型负责判断下一步，Harness把这个判断接到工具上，记录执行结果，再把需要的信息送回模型，让任务一步步往下走。

讨论Harness，并不意味着模型已经不重要了。一个能力不足的模型，配上再完善的系统，也未必能完成复杂工作。但模型的能力之外，还有一个问题需要单独回答：当AI已经能写报告、查资料、改程序，为什么我们依然很难放心地把一件事交出去，等它做完？

一份周报，远不止生成几段文字

假设你让AI每周五整理销售周报。如果把整理好的数据贴进聊天窗口，它通常能很快写出一篇像样的总结。可在公司里，数据往往还散落在不同地方：订单在业务系统里，退款在财务表里，销售同事对异常订单的解释留在群聊里。AI得先找到这些资料，确认统计的是同一段时间，再判断取消的订单该不该算进去。如果财务还没更新，它还得把这件事记下来，过一会儿再查；报告写完以后，也不能因为一句“发送周报”，就把包含客户信息的附件发给所有人。

这时，模型与Harness的分工就容易理解了。模型可以提出“先查询上周订单”，但实际连接哪个系统、使用谁的账号、查询失败是否重试、返回的几万行数据怎样处理，都需要周围的软件来落实。拿到结果以后，模型可能决定继续核对退款，Harness再执行下一步。我们常说的AI agent，就是这种能够反复观察结果、选择动作并使用工具的系统；Harness承担着把这些动作组织成连续工作的职责。它没有一份全行业统一的功能清单，但只要任务走出聊天窗口，状态、工具和执行控制就很难绕开。

一种可行的安排，是给AI提供能够保留变量的程序运行环境。例如处理十万行订单时，先用程序筛选出上周的记录，计算各地区销售额，再把汇总和异常项交给模型判断。这样，模型不必逐行“阅读”整张表，下一步也能接着使用已经加载的数据。这里的效率来自分工：适合精确计算的部分交给程序，需要解释和判断的部分再交给模型。当然，程序仍可能写错，统计口径也可能理解错，所以运行成功还得接着核对结果。

AI需要一份不会随着对话结束而消失的工作记录

让AI连续工作，常常会遇到一种很像“交接班没交清楚”的故障：上一轮已经查过的资料，下一轮重新查；已经排除的方案，又试了一遍；报告写到一半，换个会话就不知道从哪里继续。模型每次作答时能直接使用的材料，通常叫上下文，你可以把它理解成此刻摆在桌面上的文件。桌面放不下全部工作历史，但如果收走文件时只留下“周报进行中”几个字，接班的人也没法继续干活。

因此，长期运行的AI需要把工作记录放在对话之外。继续用周报举例，一份有用的记录应该包括：订单已查到哪个日期，退款表是哪一版，哪些数字已核对，哪三个异常还在等待回复，以及草稿保存在哪里。下一次启动时，系统只取出当前步骤需要的部分交给模型，而完整记录仍留在外部。它和“把所有聊天记录重新塞进去”有很大区别：前者让模型带着明确进度继续，后者可能让它在几百条过时讨论里重新猜测现在该做什么。

Anthropic在2026年4月介绍Managed Agents时，也讨论了类似的工程选择：把保存事件的会话记录、驱动模型和工具的Harness、实际执行操作的环境分开。这样，执行环境出故障时，可以更换环境，而不必连任务历史一起丢掉。可以把它想成换了一台电脑，但项目文件和工作日志还在，接下来要做的是恢复现场。

不过，恢复记录不代表所有动作都能直接重做。假如系统刚发出一封邮件，还没来得及记下“发送成功”就中断了，重启后再次发送，收件人就会收到两封。合理的恢复流程应当先检查发件记录，确认外部世界究竟发生了什么，再决定继续还是重试。查询一遍资料与支付一笔款项，显然不能使用同样的重试规则。Harness越接近真实业务，越需要处理这类看起来琐碎、出错后却很麻烦的情况。

总有人在中途插进一件事

多数演示都很干净：给AI一个任务，等它完成，再给下一个。办公室里的情况要混乱得多。周报刚整理到一半，客户要求修改报价；报价等主管确认时，同事又来问一个数据；下午还要准备会议材料。人会在这些事情之间切换，记住哪些可以推进、哪些必须等待。AI如果把所有内容放进同一段不断变长的对话，很容易把不同客户的数据混在一起，或者忘了一个任务已经被另一个任务卡住。

微软研究院2026年公布的CORPGEN，专门研究了这类多任务环境。它把计划分成不同层次，让具体子任务在相互隔离的上下文里执行，并按需要调取记忆。对应到日常工作，就是总计划知道“今天要交周报和报价”，处理报价的那一轮却不用同时背着周报的全部细节。在包含46项任务、持续六小时的模拟办公评估中，CORPGEN的任务完成率为15.2%，对照系统为4.3%，约提高到3.5倍。但15.2%也说明，大量任务仍未完成；这项研究提供了改进方向，远不足以证明AI已经能够独立承担一个人的工作。

从这类设计出发，可以得到一个很实用的判断：AI系统需要明确表示“等待”。例如给某项任务标上“等待主管批准，收到回复后继续”，它就不必一直重复查看，也不该擅自替主管做决定。等待期间，系统可以安排另一件已具备条件的工作。这样的调度没有生成一篇长文那么容易展示，却决定了AI能否在一天里承接多件互相牵连的事，也决定了它会不会把时间和调用费用消耗在原地打转上。

记得越多，越要分清什么不能说

公司里的信息并不是一个人人可查的大文件夹。同一个员工可以看自己的绩效反馈，却未必能看同事的薪资；一个项目组可以讨论报价底线，却不能把它放进客户群。当AI开始同时服务个人、群聊和项目，这些边界也必须跟过去。假设助手在私聊里帮主管整理过裁员方案，稍后有人在部门群里问“下季度有什么变化”，它不能因为记得一份相关资料，就把内容带进公开回答。这是一个假设场景，但足以说明：记忆更强，会让错误的信息流动更加危险。

QM目前的公开设计，把个人和共享空间的记忆、文件及权限分开管理，并通过授权进行共享。这里需要区分两件事：后台可以集中存储记录，不等于每个助手都可以读取全部记录。对于敏感资料，系统应在取出数据时检查身份和范围；仅在提示词里写一句“请注意保密”，挡不住错误调用，也不能作为安全保证。

权限还包括能做什么。查询订单、生成修改建议、批量改动订单，风险逐步升高，不能因为AI会调用某个工具，就默认把完整操作权限交给它。让人批准高风险操作，也需要给人提供足够的信息：准备给谁发信，会改哪几行数据，改前改后是什么，有没有撤销办法。人只有看得清，批准才有意义；面对一大段流畅的“我已检查无误”，很容易只剩下习惯性点击。

做完了没有，要看留下了什么

AI很擅长说“已完成”，但一句完成声明与交付之间，可能还隔着不少工作。周报文件是否真的保存了？数字能否追溯到原始表格？附件有没有漏掉？如果任务是修改软件，程序能启动、测试能通过、用户要求的功能能实际使用，才构成更可信的证据。Anthropic此前关于长期运行agent的工程实践，就采用了明确的功能清单、进度记录和增量工作方式，减少模型一次做得过多、随后过早宣布结束的情况。

这也给2026年的落地提供了一种比较稳妥的起点：先选边界清楚、结果容易核对的任务。与其一开始就说“帮我管理销售部门”，不如先让AI定时整理周报草稿，把异常单列出来，把所有数字附上出处，最后由负责人确认发送。等这一步稳定了，再扩大自动处理的范围。系统需要记录每次失败发生在哪一步，区分数据缺失、工具故障和模型判断错误；否则换了一个更强的模型，原来没接好的数据和权限问题依然存在。

长期积累也应当从这些具体错误里来。假如AI连续几次把订单创建时间当成到账时间，就可以把“收入统计使用到账时间”整理成带适用范围的工作规则，下次处理同类任务时加载；如果只是把上次几十页聊天保存下来，模型仍可能重复犯错。但这条规则也不能自动推广到所有报表：统计新增订单时，创建时间可能才是正确口径。因此，经验不能未经检查就变成所有助手的永久规则：它适用于什么任务，依据是什么，修改后有没有改善，都需要留痕和验证。

Harness本身也要接受这种检查。Anthropic报告过，针对一个模型临近上下文上限时提前收工的问题，团队加入了额外的上下文重置机制；换到另一个模型后，相应问题消失了，原来的补丁便成了多余负担。这提醒我们，今天有效的安排，未必值得一直保留。模型能力提升后，有些反复提醒和复杂拆分可以撤掉；但身份权限、执行记录、预算限制与结果验收，仍然是现实业务需要的约束。

给五十个人配上AI助手，并不等于公司自动多了五十个可靠的同事。助手需要知道工作做到哪里，等待什么，允许访问哪些资料，什么情况下必须停下来找人。对于准备部署AI的公司，除了问模型有多聪明，也值得拿出一件真实任务追问到底：中断以后从哪继续，误操作怎样发现，交付结果由什么来证明。Harness的价值，就落在这些具体问题的答案里。