Agentic AI 的真实架构：LLM 是智力，Harness 是执行系统，Data 是资产

一、先把判断边界划清楚：Agentic AI 不是聊天框

Agentic AI 不应该被理解为“会自己说话的聊天机器人”。

它更接近一种任务系统：能理解目标，拆解步骤，调用工具，读取数据，执行动作，观察结果，再调整下一步。

IBM 对 agentic AI 的公开定义里，有两个关键词很重要：它能在有限监督下完成特定目标；多 Agent 系统中，不同 Agent 处理子任务，并通过 AI orchestration 协调。这个定义已经把重点从“生成内容”推到了“完成任务”。

所以，理解 Agentic AI 最清楚的公式是：

Agentic AI = LLM + Harness + Data

层	作用	决定什么
LLM	智力层	能不能理解、推理、生成、协调
Harness	执行系统	能不能调用工具、进入流程、受控行动
Data	资产层	是否懂领域、是否可信、是否能复利

更准确地说：

LLM 决定系统的智能上限；Harness 决定系统的行动能力；Data 决定系统的专业深度、长期信任和壁垒。

这张图应该放在文章开头，因为它解决的是定义问题。很多讨论把 Agentic AI 简化成“模型更聪明了”。这个简化会误导产品判断：模型能力当然重要，但只靠模型，不会自动得到一个能稳定做事、能被审计、能持续变强的系统。

二、LLM 是智力层：能理解，但不能独自行动

LLM 是 Agentic AI 的认知引擎。

它负责理解自然语言、文档、任务目标和上下文；负责拆解问题、制定步骤、识别矛盾；负责生成文本、代码、报告、方案和沟通内容；也负责把人类语言转换成结构化查询、API 参数、代码或工作流指令。

在多工具、多 Agent、多步骤任务里，LLM 还承担协调作用：下一步该查数据，还是该问人；该调用搜索，还是该调用数据库；该继续执行，还是该停下来复核。

但 LLM 的边界也必须说清楚。

LLM 本身不知道企业私有世界。它不知道某个客户今天有没有付款，某个仓库现在有没有库存，某份合同有没有被法务批准，某个学生的真实学习状态有没有变化。

LLM 本身也不能可靠执行现实动作。它可以建议发邮件，但发不发、发给谁、是否越权、是否需要审批，都不是模型参数能独立解决的问题。

LLM 还不能保证数据真实、结果有效、权限合规。它能组织论证，不等于它拥有事实来源；它能生成计划，不等于它拥有执行许可；它能解释风险，不等于系统已经有审计和回滚能力。

所以，LLM 是“脑”，但不是完整的 Agentic AI 系统。

如果把 Agentic AI 做成只有模型和聊天窗口，最后得到的是一个表达能力很强、行动能力很弱、责任边界很模糊的产品。它可以写总结，可以做头脑风暴，可以解释材料，但很难成为生产系统。

三、Harness 是执行系统：工具、流程、权限和审计

Harness 是 Agentic AI 最容易被低估的一层。

这里的 Harness，不只是 prompt，也不只是 function calling。它是把 LLM 接入真实业务世界的执行系统：工具、API、工作流、状态机、权限、规则、预算、审计、回滚和人工复核。

LLM 可以“想”；Harness 决定它能不能“做”。

Harness 能力	解决的问题
任务编排	把目标拆成步骤，安排执行顺序，记录进度
工具调用	调用搜索、数据库、CRM、ERP、代码环境、优化器、模拟器
权限控制	决定 Agent 能看什么、能改什么、能执行什么
状态管理	保存当前任务、上下文、失败点和下一步
人类复核	在高风险、低置信度、不可逆动作前升级给人
审计与回滚	记录调用了什么数据、做了什么动作、为什么这样做
运行时治理	控制预算、速率、风险、异常中止和合规边界

没有 Harness，LLM 只能停留在建议层。有了 Harness，模型才可能进入工作流。

这也是为什么很多企业 AI 项目卡住，不是因为模型不会回答，而是因为系统没办法把回答变成受控动作：没有权限模型，没有工具边界，没有状态恢复，没有审计日志，没有人工交接点，也没有失败后的补偿路径。

真正成熟的 Agentic AI 产品，表面上可能只是一个自然语言入口；底层却一定是一套严肃的执行系统。它知道什么动作可以自动做，什么动作必须等人批准，什么动作一旦失败要回滚，什么数据只能在授权范围内读取。

四、Data 是资产层：事实、状态、记忆和反馈

Data 是 Agentic AI 的事实基础，也是垂直 AI 的长期壁垒。

没有 Data，LLM 只能依赖公开知识和用户当下输入。有了 Data，Agent 才知道当前真实状态是什么，历史发生过什么，哪些路径有效，哪些风险曾经出现，某个动作之后产生了什么结果，下一轮应该如何优化。

Data 不是一个抽象词。对 Agentic AI 来说，至少有八类数据需要区分：

数据类型	价值
领域知识数据	行业术语、规则、流程、标准、案例、合规要求
业务状态数据	库存、订单、患者状态、案件状态、实验进度、设备状态
工作流数据	任务如何流转、谁处理、耗时多久、卡在哪里
行为数据	用户、员工、客户、供应商、设备的真实行为
结果数据	推荐、动作、决策之后是否有效
专家修正数据	人类如何纠错、为什么否决、哪些边界不能自动化
多模态数据	文本、图像、视频、传感器、地理空间、分子结构、时间序列
权限与审计数据	谁能看、谁能改、谁批准、谁承担责任

其中最重要的是这一组：

状态 → 行动 → 结果 → 反馈

只有这类数据，才能支撑真正的学习闭环。

文档库当然重要，向量库也重要，但它们不是数据护城河的全部。很多团队把“有一个知识库”误以为“有了领域智能”。这通常是误判。

静态知识库解决的是“能不能查到材料”。Agentic AI 真正需要的是：能不能知道当前状态；能不能把行动写回业务系统；能不能知道行动结果；能不能把人工纠错、失败案例和长期效果沉淀下来。

Data 的战略意义不在于“存了很多资料”，而在于它能被 Harness 激活，被 LLM 推理，被真实结果持续强化。

五、三者不是相加，而是闭环

Agentic AI 的最小闭环可以写成这样：

步骤	发生了什么	依赖哪一层
目标进入	用户或系统提出任务	LLM
理解与规划	模型拆解目标、判断步骤	LLM
工具调用	系统查询数据、调用 API、启动工作流	Harness
事实注入	当前状态、历史、约束进入上下文	Data
决策与生成	模型形成方案或选择动作	LLM + Data
受控执行	系统执行动作，必要时等待审批	Harness
结果观察	真实结果被记录	Harness + Data
反馈沉淀	成功、失败、人工修正进入资产层	Data

三者不是简单并列，而是互相定义。

LLM 没有 Data，会空泛；LLM 没有 Harness，不能行动；Harness 没有 LLM，只是传统自动化；Data 没有 Harness，无法进入流程；Data 没有 LLM，难以转化为判断；三者没有反馈，就不能形成复利。

一句话：

LLM 是智能引擎，Harness 是智能落地系统，Data 是智能复利资产。

六、不同场景会长出不同架构

不是所有 Agentic AI 都该长成同一种形态。

内容生产类任务，LLM 权重更高；企业流程类任务，Harness 权重更高；药物研发、物流供应链、国防态势分析这类高复杂、高风险、高状态密度的任务，Data 与治理权重会显著上升。

这张图应该放在分型之前，因为它展示的是同一个公式如何在不同场景中变形。Agentic AI 的架构，不是由技术名词决定，而是由任务约束决定。

架构类型	典型组合	适合场景	主要瓶颈
Copilot 型	通用 LLM + 轻量检索 + 人类执行	写作、总结、研究助手、客服辅助	护城河弱，执行仍靠人
Workflow Agent 型	LLM + function calling + SaaS/API + 审批	工单、销售跟进、HR、财务对账、采购审批	Harness 复杂度和权限边界
Expert RAG 型	LLM + 高质量知识库 + 引用溯源 + 人工审核	医疗、法律、金融合规、科研文献分析	数据质量、版本、引用、责任边界
Optimization Agent 型	LLM + 优化器/仿真 + 实时数据 + 人类确认	物流路径、库存、排班、能源调度	结构化数据、约束建模、实时性
Multi-agent Research 型	多 Agent + 工具链 + 共享记忆 + 审查 Agent	药物研发、材料发现、投研、复杂报告	幻觉、长链路可靠性、证据审计
Ontology Decision System 型	LLM + ontology/knowledge graph + 工作流 + 治理	国防态势、金融风控、工业运营、城市治理	数据建模、权限分级、可追溯责任

这张表有一个直接含义：不要用 Copilot 的产品标准去评估高风险行业，也不要用国防级系统的复杂度去做轻量写作工具。

架构重心要跟任务风险、数据密度、动作可逆性和责任边界匹配。

七、三个行业样本：药物研发、物流供应链、国防态势分析

1. 药物研发 Agent：核心不是让 LLM “发明药物”

药物研发不是聊天任务，而是一个科学发现流程：

疾病理解 → 靶点发现 → 文献与数据库检索 → 分子生成 → 虚拟筛选 → ADMET 预测 → docking / 结构模拟 → 候选排序 → 实验设计 → 实验反馈 → 下一轮优化。

2025 年一篇关于 LLM agent 与模块化药物发现的论文，已经把这个方向说得很清楚：LLM reasoning 可以和领域工具结合，完成生物医学数据检索、领域问答、分子生成、性质预测、分子优化和 3D 蛋白-配体结构生成。

这里的关键不是“LLM 直接创造药物”。关键是 LLM 能编排科学工具，读取证据，提出候选，记录推理，接受实验反馈，加速 Design-Make-Test-Analyze 循环。

这类 Agent 的壁垒主要在 Data：文献、专利、分子结构、实验结果、失败样本、ADMET 数据、临床数据和药化专家修正。没有这些数据，模型只能做漂亮但不可靠的科学写作。

2. 物流供应链 Agent：核心是动态系统优化

物流任务的本质是资源配置问题：

订单、库存、仓库、车辆、路线、天气、交通、时效承诺、成本和异常，不断变化。

LLM 在这里不应该直接“算最优路线”。更合理的分工是：LLM 理解业务目标，生成约束，解释异常，调用优化器，比较备选方案，向人说明为什么要改路线、调仓或延迟交付。

真正求解要依赖专业优化模型、实时数据、TMS/WMS/ERP 接口、digital twin 和异常处理流程。

物流 Agent 的 Harness 会很重，因为它要接入运输系统、仓库系统、库存系统、通知系统和人工审批。Data 也必须实时、准确、结构化，否则 Agent 只会在旧状态上做出漂亮但错误的调度。

3. 国防态势分析 Agent：核心是可追溯的决策支持

这个领域必须划清边界：这里讨论的是战略分析、态势理解、情报融合、后勤保障、风险评估和决策支持，不讨论自动化武器使用、目标打击或绕过人工判断。

国防类 Agentic AI 的任务特点是：多源数据、高不确定性、对抗环境、时间压力、权限分级、责任极重。

它更接近一种 ontology decision system：用本体和知识图谱表达部队、装备、地点、事件、关系和时间线；用传感器融合层整合卫星、无人机、雷达、通信、公开信息等多源输入；用 GIS 和仿真做态势展示与方案推演；用严格的人类审批、权限控制和审计日志约束每一步。

LLM 在这里更像自然语言与解释层。它帮助分析员理解碎片化信息，比较假设，生成情景推演，解释风险来源。但最终责任不能外包给模型。

图里把这一类标成 Palantir-style，不是说某一家公司等于全部答案，而是指向一种公开可见的产品方向：把 LLM 接入受控数据、业务对象、工作流、权限和自动化。真正的架构重点不在“战争聊天机器人”，而在 ontology、数据集成、流程治理和人工监督。

八、成熟路径：从助手到闭环系统

一个领域里的 Agentic AI，通常会经历五级：

阶段	形态	价值	风险
Level 1	聊天助手	回答问题，生成内容	容易空泛，难进入业务
Level 2	RAG 助手	读取企业或领域知识，给出可引用答案	检索质量和权限边界决定上限
Level 3	工具调用 Agent	查系统、调 API、生成任务、执行低风险动作	工具失败、越权、状态丢失
Level 4	工作流 Agent	嵌入分流、审批、调度、异常处理和结果记录	治理和运维压力上升
Level 5	闭环自治系统	在明确边界内预测、推荐、执行、监测、反馈、再优化	责任、审计、目标函数和安全边界必须成熟

这里最容易犯的错误，是直接从 Level 1 的演示跳到 Level 5 的叙事。

真实落地通常慢得多。一个组织必须先把数据域、权限、工具、状态、回滚、人类复核和指标口径建清楚，然后才谈得上更高等级的自治。

Agentic AI 的成熟，不是模型换得更快，而是任务系统变得更可控。

九、真正的护城河来自三者闭环

单独看，LLM 会继续商品化。领先模型会很强，但企业很难只靠“接入某个模型”长期领先。

Harness 也会被平台和开源工具部分标准化。function calling、workflow engine、agent framework、browser agent、MCP/A2A 这类连接层会越来越成熟。

Data 如果没有质量、权利、反馈和激活，也只是库存。很多企业拥有大量数据，但没有统一口径，没有权限治理，没有结果回写，没有专家修正，也没有进入业务流程的路径。

真正的护城河是闭环：

专有 Data 通过 Harness 进入工作流；
LLM 将数据转化为判断和行动；
行动产生真实结果；
结果再次进入 Data；
下一轮判断更准确、流程更稳、产品更懂领域。

这就是 Agentic AI 从“工具”变成“行业操作系统”的路径。

它不是因为模型会说话，而是因为模型、执行系统和数据资产被绑进同一条任务链。

十、结论：从模型架构转向任务架构

未来判断 Agentic AI，不能只问：

用了哪个模型？

更应该问：

• 它接入了什么数据？
• 它能调用什么工具？
• 它进入了什么工作流？
• 它能执行什么动作？
• 它在哪些地方必须停下来交给人？
• 它如何记录结果？
• 它如何用结果改进下一轮？

真正成熟的 Agentic AI，不是一个更聪明的 LLM，而是一套完整的任务系统。

LLM 负责理解、推理、生成、协调。

Harness 负责连接、执行、约束、审计。

Data 负责事实、上下文、记忆、反馈、资产。

三者组合得越深，Agentic AI 就越从“助手”走向“行业操作系统”。

最终的竞争力，可以压缩成一句话：

LLM 决定智能上限，Harness 决定行动能力，Data 决定专业深度和长期壁垒。

参考来源

• IBM: What is agentic AI?
• arXiv: Large Language Model Agent for Modular Task Execution in Drug Discovery
• Palantir: Artificial Intelligence Platform