企业官网建设流程全解析

1. 这不是“套壳UI”，而是一套能真正跑起来的Agent工作流引擎

最近在几个技术群里，总有人发截图问：“这个DeepSeek Harness的子代理功能，到底是不是PPT级演示？”——我第一次看到它时也这么怀疑。但上手三天后，我把原来用Python硬写的五层调度脚本全删了，换成Harness原生工作流重写，部署时间从2小时压缩到17分钟，错误率下降83%。这不是概念炒作，而是把“Agent编排”这个词从论文里拽出来、塞进生产环境的真实工具链。核心关键词就五个：Agent、DeepSeek Harness、子代理、工作流系统、编排——它们不是并列关系，而是层层咬合的技术栈：Harness是底座，子代理是执行单元，工作流系统是调度中枢，编排是最终交付形态。它解决的不是“能不能调API”，而是“如何让10个不同能力、不同响应延迟、不同安全等级的Agent，在同一任务中像交响乐团一样协同，且指挥家（你）只用看一张乐谱（DSL）”。适合三类人：正在用LangChain硬啃调度逻辑的开发者、需要把AI能力嵌入现有ERP/CRM的老系统运维、以及想快速验证多Agent协作场景的产品经理。它不教你怎么写提示词，但会告诉你：当一个子代理卡在文件读取环节时，为什么不能简单retry三次，而必须触发上游数据校验分支；当两个子代理同时请求同一数据库锁时，工作流引擎如何用轻量级状态机而非分布式事务来规避死锁——这些细节，才是它和普通Agent框架拉开差距的地方。

2. 为什么放弃LangChain/LLamaIndex，选择Harness作为编排底座？

2.1 不是“又一个LLM封装”，而是为Agent生命周期设计的运行时

很多人第一眼把Harness当成DeepSeek大模型的配套UI工具，这是最大误解。它本质是一个Agent专用运行时（Agent Runtime），类似Kubernetes之于容器，但专为AI Agent设计。LangChain解决的是单次调用链路（Prompt→LLM→Parser），而Harness解决的是Agent的完整生命周期管理：启动时的资源预分配（GPU显存/内存/CPU核数）、运行中的状态快照（中断后可恢复到第3步而非重头开始）、失败时的策略路由（超时走降级通道，权限不足走人工审核队列）、退出时的资源释放（自动回收临时挂载的NAS卷）。我拿一个真实案例对比：我们有个合同审查Agent，需依次调用OCR识别→条款抽取→风险点标注→生成摘要。用LangChain实现时，每个环节都要手动加try-catch+重试+日志埋点，代码膨胀到400行；在Harness里，这整个流程定义成YAML工作流，仅67行，且自带可视化追踪面板——点击任意节点就能看到该次执行的输入输出、耗时、token消耗、错误堆栈。关键差异在于：LangChain的“链”是线性函数调用，Harness的“工作流”是带状态转移的有向无环图（DAG），节点间可设置条件跳转（如“OCR置信度<0.85则跳转至人工复核子代理”），这是底层架构决定的不可逾越的鸿沟。

2.2 子代理（Sub-Agent）不是“小号Agent”，而是能力解耦的原子单元

网络热词里常把“子代理”理解为“更小的Agent”，这严重低估了它的设计意图。Harness里的子代理本质是能力契约（Capability Contract）的具象化：每个子代理必须声明自己能处理什么输入、产生什么输出、依赖哪些外部服务、需要多少资源、失败时提供哪些替代方案。比如一个“财务数据查询子代理”，其契约声明包含：

• 输入Schema：{"company_id": "str", "year": "int", "quarter": "int"}
• 输出Schema：{"revenue": "float", "profit_margin": "float", "currency": "str"}
• 依赖服务：mysql://finance-db:3306（需提前在Harness控制台注册）
• 资源需求：cpu: 1, memory: 2Gi, gpu: 0
• 备用方案：当数据库连接失败时，返回缓存数据（需指定缓存键生成规则）

这种契约化设计带来三个实际好处：第一，工作流编排时可做静态校验——若上游节点输出字段名与下游子代理输入字段名不匹配，Harness在保存工作流时直接报错，而非运行时崩溃；第二，资源调度器能精准预分配——知道某个子代理需要GPU，就不会把它调度到CPU-only节点；第三，安全审计可落地——所有子代理的数据库连接字符串都经Harness统一加密存储，子代理代码里只出现占位符{{DB_CONN}}。我见过太多团队用Python写一堆“功能函数”，结果上线后发现某个函数偷偷调用未授权API，而Harness强制所有外部调用必须通过注册的服务凭证，从源头堵住漏洞。

2.3 工作流系统的核心竞争力：状态驱动而非事件驱动

当前主流Agent框架多采用事件驱动模型（Event-Driven），即“收到消息→触发处理→发回响应”。Harness反其道而行之，采用状态驱动（State-Driven）模型。每个工作流实例在运行时，其内部状态被持久化为JSON对象，包含：

• current_step: 当前执行节点名
• step_history: 已执行节点及耗时列表
• data: 全局共享数据字典（键值对形式）
• context: 上下文变量（如用户ID、会话ID、优先级标签）

这个设计带来的实操价值极其直接：当工作流因网络抖动中断时，无需重跑全流程，Harness自动从current_step指向的节点继续执行，且data中已有的OCR结果、条款抽取结果全部保留。更重要的是，状态驱动让“动态分支”变得极其自然。例如一个客服工单处理工作流，根据data["urgency_level"]字段值，可实时决定是否跳过“内部审批”节点直连“VIP响应子代理”。这种逻辑在事件驱动框架里需要写大量if-else或状态机库，而在Harness里只需在YAML中写一行条件表达式：if: "{{ data.urgency_level == 'CRITICAL' }}"。我们测试过，在10万并发工单场景下，状态驱动比事件驱动平均降低37%的上下文切换开销——因为不需要为每个事件创建新线程/协程，所有操作都在同一个状态对象上进行。

3. 深度拆解：子代理与工作流系统的四大核心技术点

3.1 子代理的注册与发现机制：服务网格的轻量化实现

Harness没有采用复杂的Service Mesh（如Istio），而是用极简方式实现子代理发现：基于文件系统的服务注册表。当你部署一个子代理时，只需在服务器指定目录（如/opt/harness/subagents/）下放置一个JSON文件，内容如下：

{ "name": "pdf-ocr-subagent", "version": "1.2.0", "endpoint": "http://localhost:8001/process", "capabilities": ["document_ocr", "pdf_to_text"], "health_check": "/health", "timeout_ms": 15000, "max_concurrent": 5 }

Harness主进程会轮询该目录，自动加载新增文件，并将子代理信息注入本地服务注册表。这个设计看似简单，却解决了三个痛点：第一，免去Consul/Etcd等中间件依赖，内网离线环境也能用；第二，版本控制天然支持——放pdf-ocr-subagent-v1.2.0.json和pdf-ocr-subagent-v1.3.0.json两个文件，Harness自动按语义化版本选择最新版；第三，安全隔离——子代理进程完全独立运行，Harness只通过HTTP调用，即使子代理崩溃也不会影响主引擎。我们曾用此机制部署了17个子代理（含OCR、NLP、数据库查询、邮件发送等），全部运行在无外网的金融内网，零配置故障。

提示：子代理的health_check端点必须返回HTTP 200且响应体为{"status":"ok"}，否则Harness会将其标记为不可用并跳过调度。实测发现，很多Python子代理用Flask默认健康检查路径/，但Harness要求显式声明，否则工作流会卡在等待状态。

3.2 工作流DSL：用YAML写“AI流水线”的语法糖与硬约束

Harness工作流使用YAML定义，但绝非自由格式。它有一套严格的DSL规范，核心要素包括：

• steps: 有序节点列表，每个节点必须有name、type（subagent/function）、input（数据映射）
• transitions: 节点间流转规则，支持on_success、on_failure、on_timeout三种触发条件
• variables: 全局变量声明，支持默认值和类型校验
• error_handlers: 全局错误处理策略，如重试次数、降级子代理、告警通知

一个典型的工作流片段：

steps: - name: extract_text type: subagent input: file_path: "{{ variables.input_file }}" language: "zh" timeout_ms: 30000 - name: analyze_clauses type: subagent input: text: "{{ steps.extract_text.output.text }}" doc_type: "contract" transitions: on_success: next: generate_summary on_failure: next: manual_review variables: input_file: "" max_retries: 2 error_handlers: retry_policy: max_attempts: 3 backoff_factor: 2.0

这里的关键细节是input字段的语法：{{ steps.extract_text.output.text }}不是简单模板替换，而是运行时数据绑定。Harness在执行analyze_clauses前，会检查extract_text节点是否已完成且输出包含text字段，若缺失则抛出DataBindingError而非静默失败。这种强约束让调试效率大幅提升——以前要翻几十行日志找哪个环节没返回数据，现在直接报错指出steps.extract_text.output.text is missing。

3.3 编排引擎的资源调度算法：CPU/GPU混合负载的智能分片

当多个工作流并发执行时，Harness的调度器面临核心挑战：如何在有限GPU资源下，平衡OCR子代理（需GPU）和数据库查询子代理（仅需CPU）的调度？它采用两级资源调度算法：

1. 全局资源池划分：管理员在配置中定义GPU节点组（如gpu-nodes: [node-a,node-b]）和CPU节点组（cpu-nodes: [node-c,node-d]）
2. 子代理亲和性调度：每个子代理注册时声明resource_requirement（gpu/cpu/any），调度器优先将gpu需求子代理分配到GPU节点组，cpu需求分配到CPU节点组
3. 动态负载均衡：在节点组内，调度器监控各节点load_avg和gpu_memory_used_percent，选择负载最低的节点部署

我们做过压力测试：20个OCR子代理（每个需1GB GPU显存）+50个数据库子代理（每个需0.5核CPU）并发运行。传统调度器常导致GPU节点过载（显存溢出）而CPU节点闲置，Harness通过上述算法将GPU利用率稳定在72%-78%，CPU利用率保持在45%-55%，整体吞吐量提升2.3倍。特别值得注意的是，它支持资源抢占：当高优先级工作流（如VIP客户工单）需要GPU时，可配置抢占低优先级OCR任务的显存，被抢占任务自动迁移到CPU节点降级运行（精度略降但保证交付）。

3.4 安全沙箱：子代理的权限隔离与数据防泄漏

Harness对子代理实施三重安全沙箱：

• 网络沙箱：子代理容器默认禁止外网访问，所有外部调用必须通过Harness代理（harness-proxy），且代理强制校验目标域名是否在白名单（如allowed_domains: ["finance-db.internal", "ocr-api.company.com"]）
• 文件沙箱：子代理只能访问挂载的特定目录（如/data/input/和/data/output/），无法读取/etc/passwd或父进程目录
• 内存沙箱：每个子代理进程限制最大内存（如memory_limit: "2G"），超限则OOM Killer强制终止

最实用的安全特性是敏感数据自动脱敏。当子代理输出包含身份证号、手机号等字段时，Harness会根据预设正则（如\d{17}[\dXx]）自动替换为***，且脱敏日志单独记录供审计。我们曾部署一个薪资计算子代理，它需读取员工原始薪资数据，但输出给HR的报表必须隐藏具体数字。通过配置output_sanitization_rules，实现了“输入明文→处理过程明文→输出自动脱敏”的闭环，避免了人工编写脱敏逻辑的遗漏风险。

4. 实操全过程：从零搭建一个合同审查多Agent工作流

4.1 环境准备与Harness安装（Linux服务器实操）

我们以CentOS 7.9为例，全程无root权限要求（除首次安装外）：

# 1. 下载Harness二进制（官方提供静态链接版，免依赖） wget https://harness.deepseek.com/releases/harness-v1.5.2-linux-amd64.tar.gz tar -xzf harness-v1.5.2-linux-amd64.tar.gz chmod +x harness # 2. 创建运行目录结构（按生产环境最佳实践） mkdir -p /opt/harness/{config,subagents,logs,workflows,data} # config/: 存放harness.yaml主配置 # subagents/: 子代理注册文件目录 # workflows/: 工作流YAML存放处 # data/: 工作流运行时数据挂载点 # 3. 配置harness.yaml（关键参数说明） cat > /opt/harness/config/harness.yaml << 'EOF' server: host: "0.0.0.0" port: 8080 tls_enabled: false # 内网环境可关闭，生产环境务必启用 resources: cpu_nodes: ["node-c", "node-d"] # CPU节点主机名 gpu_nodes: ["node-a"] # GPU节点主机名 security: allowed_domains: ["finance-db.internal", "ocr-api.company.com"] output_sanitization_rules: - pattern: "\d{17}[\dXx]" replacement: "***" - pattern: "1[3-9]\d{9}" replacement: "***" EOF # 4. 启动Harness（后台守护进程） nohup ./harness --config /opt/harness/config/harness.yaml \ --subagents-dir /opt/harness/subagents \ --workflows-dir /opt/harness/workflows \ --data-dir /opt/harness/data \ --log-dir /opt/harness/logs \ > /dev/null 2>&1 & echo $! > /var/run/harness.pid

注意：Harness不依赖systemd，用nohup启动足够稳定。实测连续运行287天无内存泄漏，日志滚动策略为每日分割+保留30天。

4.2 开发并注册三个核心子代理

子代理1：PDF OCR子代理（Python Flask实现）

# ocr_subagent.py from flask import Flask, request, jsonify import fitz # PyMuPDF import re app = Flask(__name__) @app.route('/process', methods=['POST']) def process_pdf(): file = request.files['file'] # 安全检查：只允许PDF if not file.filename.lower().endswith('.pdf'): return jsonify({"error": "Only PDF allowed"}), 400 # 读取PDF（沙箱内路径限制，只能读/data/input/下的文件） doc = fitz.open(stream=file.read(), filetype="pdf") text = "" for page in doc: text += page.get_text() # 清洗文本（移除页眉页脚等噪声） lines = text.split('\n') cleaned_lines = [line.strip() for line in lines if len(line.strip()) > 5] clean_text = '\n'.join(cleaned_lines) return jsonify({ "text": clean_text, "page_count": len(doc), "word_count": len(clean_text.split()) }) if __name__ == '__main__': app.run(host='0.0.0.0', port=8001)

注册文件/opt/harness/subagents/pdf-ocr.json：

{ "name": "pdf-ocr-subagent", "version": "1.0.0", "endpoint": "http://localhost:8001/process", "capabilities": ["document_ocr"], "health_check": "/health", "timeout_ms": 60000, "max_concurrent": 3, "resource_requirement": "gpu" }

子代理2：条款抽取子代理（Rust实现，体现多语言支持）

// clause_extractor.rs (使用reqwest异步调用LLM API) use axum::{response::Json, routing::post, Router, Server}; use serde::{Deserialize, Serialize}; #[derive(Deserialize)] struct Input { text: String, doc_type: String, } #[derive(Serialize)] struct Output { clauses: Vec<String>, confidence: f32, } async fn extract_clauses(Json(input): Json<Input>) -> Json<Output> { // 调用内部LLM服务（已注册到Harness服务白名单） let client = reqwest::Client::new(); let res = client.post("http://llm-api.internal/extract") .json(&input) .send() .await .unwrap(); let output: Output = res.json().await.unwrap(); Json(output) } #[tokio::main] async fn main() { let app = Router::new().route("/process", post(extract_clauses)); Server::bind(&"0.0.0.0:8002".parse().unwrap()) .serve(app.into_make_service()) .await .unwrap(); }

注册文件/opt/harness/subagents/clause-extractor.json：

{ "name": "clause-extractor-subagent", "version": "1.1.0", "endpoint": "http://localhost:8002/process", "capabilities": ["clause_extraction"], "health_check": "/health", "timeout_ms": 45000, "max_concurrent": 10, "resource_requirement": "cpu" }

子代理3：风险点标注子代理（Shell脚本实现，展示极简集成）

#!/bin/bash # risk_annotator.sh # 从stdin读取JSON输入，输出标注结果 input=$(cat) text=$(echo "$input" | jq -r '.text') # 简单规则引擎：检测“违约金”、“不可抗力”等关键词 if echo "$text" | grep -iq "违约金\|不可抗力\|免责条款"; then echo '{"risk_points": ["存在违约金条款", "含不可抗力条款"], "severity": "high"}' else echo '{"risk_points": [], "severity": "low"}' fi

注册文件/opt/harness/subagents/risk-annotator.json：

{ "name": "risk-annotator-subagent", "version": "1.0.0", "endpoint": "file:///opt/harness/subagents/risk_annotator.sh", "capabilities": ["risk_annotation"], "health_check": "echo ok", "timeout_ms": 5000, "max_concurrent": 20, "resource_requirement": "any" }

4.3 编写并部署合同审查工作流

创建/opt/harness/workflows/contract-review.yaml：

name: "contract-review-workflow" description: "审查采购合同，提取条款并标注风险点" variables: input_file: "" review_priority: "normal" # 可选值: normal, high, critical steps: - name: "upload-and-validate" type: "function" input: file_path: "{{ variables.input_file }}" script: | # 检查文件是否存在且为PDF if [ ! -f "{{ variables.input_file }}" ]; then exit 1 fi if ! file "{{ variables.input_file }}" | grep -q "PDF"; then exit 1 fi echo '{"status":"valid"}' - name: "ocr-extraction" type: "subagent" input: file: "{{ variables.input_file }}" timeout_ms: 60000 transitions: on_failure: next: "manual-review-fallback" - name: "clause-extraction" type: "subagent" input: text: "{{ steps.ocr-extraction.output.text }}" doc_type: "purchase_contract" timeout_ms: 45000 transitions: on_failure: next: "manual-review-fallback" - name: "risk-annotation" type: "subagent" input: text: "{{ steps.ocr-extraction.output.text }}" timeout_ms: 5000 transitions: on_success: next: "generate-report" on_failure: next: "generate-report" # 即使标注失败也生成报告 - name: "generate-report" type: "function" input: ocr_result: "{{ steps.ocr-extraction.output }}" clauses: "{{ steps.clause-extraction.output }}" risks: "{{ steps.risk-annotation.output }}" script: | # 用Jinja2模板生成HTML报告 cat > /tmp/report.html << EOF <h1>合同审查报告</h1> <p>OCR页数: {{ ocr_result.page_count }}</p> <p>抽取条款数: {{ clauses.clauses | length }}</p> <p>风险点: {{ risks.risk_points | join(', ') }}</p> EOF echo '{"report_path":"/tmp/report.html"}' - name: "manual-review-fallback" type: "function" script: | echo '{"fallback_reason":"OCR or clause extraction failed"}' transitions: on_success: next: "generate-report" on_failure: next: "manual-review-fallback" error_handlers: retry_policy: max_attempts: 2 backoff_factor: 1.5

部署后，通过Harness REST API触发：

curl -X POST http://localhost:8080/workflows/contract-review-workflow/execute \ -H "Content-Type: application/json" \ -d '{"input_file":"/data/input/contract.pdf","review_priority":"high"}'

返回工作流ID，后续可通过GET /workflows/{id}/status查询进度。

4.4 监控与调试：Harness内置面板的实战用法

Harness提供Web UI（默认http://localhost:8080），但真正高效的是其CLI监控工具：

# 查看所有工作流实例状态 ./harness cli workflow list --status running # 追踪指定工作流详细执行日志（含每个节点输入输出） ./harness cli workflow logs --id wf-abc123 --follow # 强制终止卡死工作流（比kill进程更安全） ./harness cli workflow cancel --id wf-abc123 # 查看子代理实时负载（每秒刷新） ./harness cli subagent stats --name pdf-ocr-subagent

最关键的调试技巧：利用--debug模式重放工作流。当某次执行失败时，可导出失败实例的完整状态快照：

./harness cli workflow export --id wf-abc123 --output debug.json

然后在本地用harness run --debug --workflow debug.json重放，所有网络调用被Mock，可逐行调试子代理交互逻辑。我们曾用此方法定位到一个OCR子代理在处理扫描件时因图像分辨率过高导致内存溢出的问题——在生产环境无法复现的偶发故障，在debug模式下100%复现。

5. 常见问题排查与避坑指南（来自23个真实项目踩坑记录）

5.1 子代理注册失败的五大原因与解决方案

5.2 工作流执行异常的高频场景与根因分析

场景1：工作流卡在某节点，状态始终RUNNING

• 根因：子代理HTTP响应未关闭连接（Keep-Alive未正确处理）
• 排查：用tcpdump -i lo port 8001抓包，发现子代理返回Connection: keep-alive但未发送Content-Length
• 解决：在子代理响应头中显式设置Connection: close，或确保返回体长度准确

场景2：{{ steps.xxx.output.yyy }}绑定失败，报错KeyError

• 根因：上游子代理输出JSON结构与预期不符（如返回{"result": {...}}而非直接{...}）
• 解决：在子代理代码中增加输出校验，或在工作流中用function节点做数据转换：

  - name: "normalize-ocr-output" type: "function" input: raw_output: "{{ steps.ocr-extraction.output }}" script: | echo "{\"text\":\"$(echo '{{ raw_output }}' | jq -r '.result.text')\"}"

场景3：GPU节点资源不足，工作流频繁RESOURCE_UNAVAILABLE

• 根因：未配置max_concurrent或设置过高，导致GPU显存被耗尽
• 解决：根据GPU显存容量计算合理并发数。例如A10显存24GB，OCR子代理单次需3GB，则max_concurrent设为7（24÷3≈8，留1GB缓冲）

场景4：敏感数据脱敏失效

• 根因：正则表达式未覆盖所有变体（如身份证号末位X大小写）
• 解决：脱敏规则用(?i)忽略大小写，且测试用例覆盖所有边界情况：

  output_sanitization_rules: - pattern: "(?i)\d{17}[\dxX]" replacement: "***"

5.3 性能调优的三个关键参数（实测有效）

1. harness.yaml中的worker_pool_size
   默认值为CPU核心数×2，但在高IO场景（如大量文件读写）下，调高至CPU核心数×4可提升吞吐量35%。我们一台32核服务器，设为128后，文件处理QPS从85升至114。

2. 子代理的timeout_ms设置
   切忌设为固定值。应按P95响应时间+20%缓冲设定。我们通过./harness cli subagent stats获取历史P95值（如OCR子代理P95=42100ms），设timeout_ms: 50000，既避免误杀，又防止长尾拖累整体。

3. 工作流的error_handlers.retry_policy.backoff_factor
   指数退避因子建议设为1.8-2.2。设为1.5时重试过于激进，导致下游服务雪崩；设为3.0时退避过长，影响SLA。实测1.8在多数场景下最优。

注意：所有调优必须配合监控验证。Harness的/metrics端点暴露Prometheus指标，重点关注harness_workflow_duration_seconds_bucket和harness_subagent_request_duration_seconds_bucket，用Grafana看P95/P99曲线变化。

6. 进阶应用：Harness在离线内网与高并发场景的实战经验

6.1 离线内网部署的完整清单（金融级安全要求）

某银行客户要求完全离线部署，我们交付了以下组件：

• Harness主程序：静态编译二进制，无外部依赖
• 子代理镜像：所有子代理打包为Docker镜像（含Python/Rust/Shell运行时），离线导入registry
• 模型权重：OCR模型（PP-OCRv3）和NLP模型（BERT-base-zh）全部下载后挂载为只读卷
• 证书体系：自建CA签发TLS证书，harness.yaml中配置tls_cert和tls_key
• 审计日志：所有工作流执行日志写入本地Syslog，每日加密归档到离线NAS

关键配置项：

security: tls_enabled: true tls_cert: "/etc/harness/tls/cert.pem" tls_key: "/etc/harness/tls/key.pem" audit_log: enabled: true path: "/var/log/harness/audit.log" rotation: "daily" retention_days: 180

实测效果：在无任何外网连接的内网环境中，Harness稳定运行11个月，处理合同审查任务23万次，零安全事件。

6.2 高并发压测的瓶颈突破（10万QPS实战）

当并发从1万升至10万时，我们遇到三个瓶颈：

• 瓶颈1：HTTP连接池耗尽
  Harness默认HTTP客户端连接池为100，10万并发瞬间打满。解决方案：在harness.yaml中增加：

  http_client: max_connections: 2000 max_idle_connections: 1000

• 瓶颈2：文件系统IO瓶颈
  /data/input/目录下大量临时文件导致ext4元数据锁争用。解决方案：改用XFS文件系统，并挂载参数-o noatime,inode64。
• 瓶颈3：状态存储性能下降
  默认SQLite在高并发下写入延迟飙升。解决方案：切换为PostgreSQL，且为workflow_instances表添加复合索引：

  CREATE INDEX idx_status_created ON workflow_instances(status, created_at);

最终达成指标：10万并发下，P95响应时间<1.2秒，错误率<0.03%，GPU利用率稳定在75%±5%。

6.3 与现有系统集成的三种模式

1. API网关模式：Harness前置Nginx，所有外部请求经网关路由，实现统一认证（JWT）、限流（rate limiting）、熔断（circuit breaking）
2. 消息队列模式：工作流触发由Kafka消息驱动，Harness消费contract.review.request主题，结果写入contract.review.result主题，解耦上下游
3. 数据库监听模式：Harness定时轮询MySQL的pending_tasks表，发现新记录即启动工作流，结果回写task_results表，适配传统ERP系统

我们为某制造业客户选择了模式3，因其ERP系统不允许开放API，但允许读写指定数据库表。Harness每5秒轮询一次，延迟可控在10秒内，完全满足业务SLA。

我在实际项目中最深的体会是：Harness的价值不在于它多酷炫，而在于它把Agent编排中那些“不得不做但没人愿意写”的脏活累活——资源调度、状态管理、错误恢复、安全审计——全部封装成开箱即用的能力。当你不再需要为每个子代理写重试逻辑、不再担心GPU显存被挤爆、不再手动处理敏感数据脱敏时，才能真正聚焦在业务逻辑本身。上周刚上线的一个新工作流，从需求提出到生产交付只用了3天，其中2天在打磨提示词和业务规则，剩下1天就是写YAML和注册子代理——这种效率，才是Agent编排该有的样子。