北京
把AI智能體部署到生產環境，正在成為一件"技術上成功，但實際中無用"的事。軟件交付生命周期公司Harness最新調查顯示，根據2026年Gartner CIO與技術高管調研，目前僅有17%的企業真正把AI智能體推上了生產環境。
Harness高級副總裁兼總經理Trevor Stuart點出了癥結所在：在演示環境里讓智能體跑通很容易，但要知道它在生產環境里會怎么表現，完全是另一回事。
"智能體創造的攻擊面既更大、又是動態變化的，"Stuart說，"這讓企業不敢把它放進生產環境。強制智能體留在預生產和沙箱環境里——最終結果是技術上成功了，但實際上毫無用處。"
這個困局的根子，藏在應用代碼和智能體的運行邏輯差異里。應用代碼是確定性的，開發者可以對同一段代碼跑兩次同樣的測試，兩次得到的結果完全相同。但智能體的底層語言模型會自己決定如何完成任務，同一個智能體，接收同樣的輸入，兩次運行可能選擇不同的工具、走不同的路徑。一次通過的測試，不代表下次還能通過。故障不再能按需復現，傳統的捉蟲手冊在這里根本用不上。
與其試圖馴服智能體本身的不確定性，Harness本周推出的AI智能體開發全生命周期服務選擇了一條不同的路。Stuart給出的方案很直接："別想著讓智能體可預測，反過來，讓它周邊的流水線變得可預測。"
思路是這樣的：持續交付邏輯一向看的是"上線前測試通過了沒"，現在把質量關卡和評估分數當作同樣的判斷依據——從正確性、安全性、性能三個維度給智能體的每次響應打分，把這個分數直接接入流水線，作為通過或攔截的硬門檻。這樣一來，智能體每次作出的不同選擇，都會被一套確定性的評估框架兜住。
這個被命名為AI Agent DLC的新服務，把智能體的交付流程納入了和應用代碼同樣的治理、測試和安全管控體系里。Stuart認為這才是真正的突破點所在——不是去消除智能體的不確定性，而是確保無論它怎么變，能上線的一定達到了那條清晰的質量紅線。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
