Salesforce 发布可信企业人工智能驾驭系统，聚焦智能体控制平面与上下文治理

新型人工智能‘驾驭系统’（harnesses）——即控制生成式人工智能模型输出的代码与指令，可自动引导人工智能代理以更可预测的方式完成特定任务——的数量正变得几乎与人工智能模型本身一样多。

因此，以下情况或许并不令人意外： Salesforce，这家全球 客户关系管理（CRM）软件领导者 ，也是一家狂热的“AI-pilled”公司，同样计划推出其自研产品：今日提前发布的 可信企业人工智能驾驭系统（Trusted Enterprise AI Harness），该产品将在公司一年一度的大型会议 Dreamforce（将于下周在旧金山举行，时间为9月15日至17日）之前发布，但要到明年年初才会全面向所有客户开放。

Salesforce 的驾驭系统整合了六项能力——可信上下文（Trusted Context）、可信代理（Trusted Agency）、可信操作（Trusted Action）、可信治理（Trusted Governance）、可信安全（Trusted Security）和可信模型（Trusted Models）——并配备一个用于跨组织管理代理与人工智能的新 AI 控制平面（AI Control Plane）。

这一战略面向的，是一个已明显呈现多平台格局的企业市场。 VentureBeat Intelligence 于2026年7月开展的《智能体编排脉搏调查》（Agentic Orchestration Pulse Survey）基于107位来自员工人数达100人或以上的组织的合格受访者，发现 85%的企业同时运行两个或更多智能体编排平台，平均每家企业的平台数量为 3.1个。

总计 53%的企业预计其主要智能体控制平面 到2026年底 将采用混合架构 ——即融合供应商原生编排与外部编排。

该自愿参与式调查样本偏向大型科技组织，因此所得数据具有方向性而非市场份额估算意义；但这些数字量化了支撑 Salesforce 推广主张的实践现实：企业已 在 异构技术栈上运行智能体，并预期其上方的控制层也将保持异构性。

此举实质上提出了一个关于企业人工智能未来走向的更广泛论点。Salesforce 认为，随着基础模型性能提升并日益普及，企业持久的竞争优势将源于其围绕这些模型所构建的专有上下文及运营控制能力。

Salesforce 总裁兼首席平台与工程官罗汉·库马尔（Rohan Kumar）在宣布前接受 VentureBeat 采访时表示：“源自模型的[这种]智能是无处不在的。”他进一步指出，真正独特的是组织自身的“企业可信上下文”：即其客户、员工、交易、数据关系、知识与历史。

对企业而言，这一区别至关重要，因为日益自主的智能体所需远不止接入一个强大的大语言模型（LLM）。它们还需理解企业对“收入”“客户流失率”或“账户健康度”等术语的具体定义；明确自身被允许访问哪些信息；知晓可执行哪些操作；以及了解这些操作应如何被监控、治理与计费。

库马尔表示：“你或许拥有最顶尖的模型，但若缺乏该上下文，便无法可靠地为企业进行推理与行动。”

Salesforce 扩展了人工智能‘驾驭系统’（harness）的含义

智能体驾驭系统通常涵盖围绕模型的软件，为其提供工具、上下文、指令及执行环境。而 Salesforce 刻意将其定义扩展得更为宽泛。

Salesforce 借用了当前在编码智能体领域广泛使用的术语，并拓展了其边界。例如 Anthropic 的 Claude Code， Anthropic 将其描述为一种智能体式编码工具、DeepSeek Harness（一种 以本地优先为理念的编码智能体开发 与运行时环境），以及 OpenAI 的 Symphony（一种 专为编码智能体设计的极简主义编排层），大多更贴近执行与编排层面运行。

Salesforce 希望其驾驭系统向外延伸，覆盖企业上下文、安全、治理、模型及集中化控制等要素，从而决定智能体所知内容及其被允许执行的操作。

Salesforce 自身的人工智能研究人员近期亦提供了证据，表明围绕模型的较窄技术型驾驭系统可显著影响智能体性能。

在一份 2024年9月8日发布的 Salesforce AI 预印本研究论文中，该公司内部研究人员将驾驭系统定义为围绕大语言模型（LLM）的系统提示（system prompt）、工具集、执行钩子（execution hooks）及上下文管理脚手架（context-management scaffolding）。

在七项企业智能体基准测试中，优化围绕一个较小 Qwen 模型的驾驭系统，使其平均任务成功率从 29.2% 提升至 78.0% ，这一 48.8个百分点的提升 且在该步骤中未更改底层模型的权重。

该研究还揭示了即插即用模型叙事面临的一个复杂问题。在优化harness之后，研究人员对较弱模型进行了微调，使其模仿更强专家模型生成的轨迹。但结果并未进一步改善， 平均成功率反而从78.0%下降至63.1%，所有七项任务的表现均出现下滑。

研究人员将这一退化归因于 模型与harness适配度的丧失：较弱模型采纳了专家的规划策略，却缺乏足够能力在针对其先前行为优化过的harness内可靠执行该策略。一种更具针对性的on-policy方法——即专家在保留较弱模型规划轨迹的同时，仅对单个失败的交互轮次进行纠正—— 将平均成功率提升至79.7%。

该研究是一篇预印本，而非对Salesforce全新企业级AI Harness（Enterprise AI Harness）的生产环境评估，且其研究的harness技术定义范围明显更窄。但它为Kumar论点的某一部分提供了实证支持：改变围绕模型的组件可显著改变智能体所达成的结果；同时也表明，模型与其周围架构并非总能被视作完全独立的组件。

六层架构将推理连接至确定性企业级执行

Salesforce将其整体架构划分为六大‘可信’能力。

1. 可信上下文（Trusted Context） 整合客户信息与数据、元数据、语义、知识、实时信号及记忆。

2. 可信代理（Trusted Agency） 负责推理、规划、状态管理、记忆、协作与编排，同时在业务流程要求确定性时提供确定性控制。

3. 可信操作（Trusted Action） 将智能体连接至应用程序、API、工作流及工具。

4. 可信治理（Trusted Governance） 增加血缘追踪、数据质量、策略与防护栏（guardrails）。

5. 可信安全（Trusted Security） 涵盖身份认证、权限管理、隐私保护、数据保护及运行时安全。

6. 最后， 可信模型（Trusted Models） 旨在使企业能够接入不同模型，并依据准确性、性能、成本及业务需求等因素对任务进行路由。

Salesforce表示，客户将能够将全部六项能力作为单一系统使用；也可按需混搭仅需的组件，将Salesforce技术与现有系统及第三方系统相结合。

模型–harness研究为此类模型路由目标增添了一项重要警示。Salesforce希望企业保有随模型演进而灵活切换智能的自由，但其研究人员的发现表明：针对某一模型的规划与执行行为所优化的harness，有时可能需随该模型的变更而同步演进。

开放式推理与确定性企业级执行之间的区别，是Salesforce主张的核心。大语言模型（LLM）可能以概率方式推断下一步应发生什么，但当智能体执行库存预留、订单修改、访问审批或处理敏感客户信息等操作时，企业未必能容忍类似的不确定性。

Salesforce以一个看似简单实则颇具迷惑性的问题阐明该难题：“我们今天能否履行此订单？”回答该问题可能需要CRM中的客户数据、ERP中的库存信息、合同条款、分析定义、公司政策、过往交互记录以及完成履约所需的工作流。Harness旨在将这些彼此分离的输入转化为多个智能体与模型可复用的上下文及控制机制。

面向智能体泛滥（agent sprawl）的AI控制平面

除上述六大能力外，Salesforce正推出一个 AI控制平面（AI Control Plane） ，旨在为企业提供统一场所，用于发现并注册智能体、建立身份与策略、管理其生命周期、评估性能、观测行为与结果，以及管控成本——包括对第三方AI的成本管控。

该目标尤其契合VentureBeat Intelligence的一项调研发现：企业当前平均已部署3.1个编排平台，且多数预期管控方式将持续保持混合形态。若某一控制平面仅能观测单一供应商的智能体，则仅能覆盖受访者实际运营环境中的一部分。

此举亦使Salesforce卷入一场日益关键的竞争——争夺对企业日益增长的智能体群体的管理权。

Microsoft Agent 365自5月起已向商业客户全面开放（generally available），同样将自身定位为企业级控制平面，用于观测、治理与保障智能体安全，包括运行于微软自有生态之外的智能体。

与此同时，AWS于6月推出了其 Amazon Bedrock AgentCore Harness 并使其全面开放。AWS对该产品的定义更接近传统运行时harness：它管理编排循环、工具、上下文窗口、持久化状态及故障恢复；但AgentCore亦在该harness外围集成了身份、记忆、网关、可观测性、评估及策略控制。AWS明确支持在不重建智能体逻辑的前提下更换模型。

Salesforce的差异化之处在于，它试图将控制平面与运行时问题纳入一个更广泛的架构之中，该架构横跨智能体所消费的上下文、其推理方式、所执行的操作、模型选择、安全及治理。

Kumar表示，Salesforce通过考察客户实际部署中遭遇阻塞的具体环节，得出了这一方法。

他说：“它是否具备成本效益？是否足够安全？是否产出正确结果？”这些问题，而非智能体是否单纯能够运行，正日益决定企业是否愿意赋予其具有实质意义的工作任务。

Data 360、Tableau、Informatica与MuleSoft成为同一AI架构的组成部分

Salesforce并非从零开始构建Harness。相反，它正将平台多年积累的技术重新组织为一套通用架构。

该公司表示，该架构的基础源自Data 360、Informatica、MuleSoft与Agent Fabric、Tableau、Agentforce、Salesforce Guardian及Salesforce Platform。

对于现有客户而言，当前投入将构成起点，并随Harness新能力的陆续发布提供升级路径。

这种整合也揭示了Salesforce为何将‘上下文’（context）的定义扩展至远超仅为大语言模型（LLM）检索记录的范畴。

Informatica 可帮助发现、分类和治理数据。Tableau 语义模型对业务用于描述指标和运营的词汇进行编码。Data 360 汇聚客户数据与企业数据，包括存储在 Salesforce 外部的信息。MuleSoft 和 Agent Fabric 可将智能体（agents）与操作及系统连接起来。

库马尔（Kumar）表示，Salesforce 正“相当激进地调整 [MuleSoft] 的定位”，作为 Harness 战略的一部分，以应对控制平面（control-plane）问题，包括理解大语言模型（LLM）端点、MCP 服务器以及在企业范围内运行的智能体。

Salesforce 表示该技术栈将保持可组合性（composable）。

该战略中或许最具决定性的一环，在于 Salesforce 坚持认为企业无需从 Salesforce 采购每一层技术。

库马尔表示：“你不必从 Salesforce 选择所有产品。”

该公司称，Harness 正以无头（headlessly）方式构建，其能力通过 MCP、API、Skills（技能）和插件（Plug-ins）对外暴露。Salesforce 特别点名 Claude、Slack、Microsoft Teams 和 Agentforce 为可扩展其能力的体验之一，这属于其更广泛的“AIforce”战略组成部分，旨在使 Salesforce 能够接入不同的 AI 系统、智能体、应用程序及交互界面（surfaces）。

这种开放性在 VentureBeat Intelligence 所识别的多平台现实背景下尤为关键。7 月调研中的企业并未收敛至单一编排环境；大多数企业正积累多个平台。因此，Salesforce 有动力使其上下文、治理与控制层即便在智能体本身由其他地方构建的情况下，依然具备实用价值。

Rocket Mortgage 首席技术官肖恩·马尔霍特拉（Shawn Malhotra）在 Salesforce 的公告中强化了开放性论点，称该公司不愿在 AI 技术快速演进的背景下，“将未来押注于一个封闭的技术栈”。

这种可组合性在实践中能否得到验证将至关重要。企业已拥有来自多家供应商的模型、数据平台、安全系统及智能体框架，这意味着 Salesforce 的 Harness 若能对这些既有投资实施治理并加以增强，将比单纯成为客户需整合的另一套技术栈更具吸引力。

定价与授权模式仍不明确。

对企业买家而言，最悬而未决的问题之一是：采用 Harness 实际上将花费多少成本。

Salesforce 尚未公布具体的产品编号（SKU）、按用户或按用量计费标准、最低承诺金额，亦未就新能力确立明确的授权模式。其公开公告指出，现有客户将能够将其符合条件的 Salesforce 投资升级，以解锁随时间推移陆续推出的额外 Harness 能力；详细定价、打包方案及升级路径将在接近全面上市（general availability）时公布。

该措辞至关重要。Salesforce 主张客户当前使用的产品构成了 Harness 的架构基础，但尚未说明未来的 Harness 能力将自动包含在现有订阅中。

库马尔表示，公司仍在完善其商业模型。他将指导原则描述为简洁性与可预测性，即客户按实际使用量付费，并采用一种覆盖各项能力的“通用货币”（common currency）。但 Salesforce 尚未向公众明确确定常规授权销售与基于用量的定价各自所占比例。

这使得若干总拥有成本（total-cost-of-ownership）问题仍未解答：哪些当前的 Salesforce 版本及产品被视为符合条件的投资；客户必须升级至何种版本；各 Harness 能力是否可单独授权；以及跨模型、智能体、数据与操作的用量最终将如何折算为账单。

因此，目前评估该架构的企业应区分其 Salesforce 环境中已有的技术，与 Salesforce 计划推出的额外 Harness 能力。该公司关于更简洁、可组合架构的承诺，比其商业机制更为清晰。

上线启动时间为财年 FY28 初期——距今还有五个月。

许多底层 Salesforce 技术目前已可用，但完整的 Salesforce AI Harness 面向全体用户推出尚需时日。

该公司表示，新的 Harness 能力及统一用户体验计划于财年 FY28 初期开始分阶段推出——根据 Salesforce 的日历，该财年始于 2027 年 2 月， 据 Salesforce 日历所示，考虑到 AI 行业节奏之快、变化之频、颠覆之烈，这一时间跨度相当可观。

在本文作者看来，Salesforce 的现有客户或潜在客户极不可能在此期间静候其专有或品牌化的 Harness 上线；尽管他们可能在 Harness 全面可用后被吸引而转向，但该产品必须在价格、易用性或能力方面表现得格外突出，才值得客户迁移过去。

现有客户可在新能力陆续推出时，将其符合条件的 Salesforce 投资升级。Salesforce 尚未披露详细的打包方案、定价或具体升级路径，仅表示这些信息将在接近全面上市时发布。上线时间也可能因地区而异。

这些细节至关重要。其价值主张不仅取决于 Salesforce 是否能在技术上连接上下文、治理、安全与智能体执行，更取决于此举是否比独立组装这些层级更简单、经济上更可预测。

Salesforce 押注：随着基础模型（foundation models）持续改进，企业级 AI 竞争将日益从模型本身向外延伸。真正的差异化因素，将是那种能为模型注入专有业务上下文、安全连接至真实工作流、并在不牺牲生成式 AI 首要灵活性的前提下约束其行为的架构。

Salesforce 并非唯一得出“模型周边基础设施正变得具有战略重要性”这一结论的公司。使其押注独具特色的是，它试图将技术层面的 Harness 与企业控制平面（control-plane）概念，同已嵌入其应用中的客户数据、语义、工作流及治理机制相融合——同时又主张由此形成的架构必须能在多厂商 AI 环境中运行。

或者，正如库马尔在 Salesforce 公告中所言：“智能体驱动型（Agentic）企业将不由一家公司所选模型定义。”