企业级受控 AI 平台架构技术白皮书 (Harness Runtime v2.0)
一、架构定位与核心哲学
本架构面向全员规模化落地场景，核心采用「四层受控执行 + 纵贯治理进化柱」的设计范式，将用户交互（①层）与实际运行时（③层）完全解耦，将权限策略（②层）作为动态访问控制的核心闸门，将不可信代码与外部工具隔绝在资源沙箱（④层），并依托纵贯柱（⑤层）形成持续的安全合规、质量评测与自我进化闭环。
二、针对 5 大关键生产缺口的深度设计
🛡️ 1. 数据出境红线与 DLP 脱敏网关
风险：企业私有数据流向 OpenAI/DeepSeek 等外部商用模型时存在数据违规出境、泄密风险。
落地解法：在 Model Runtime 出口前置 DLP 网关，执行 PII（身份证、手机号、代码密钥、薪资等）自动探测与假名化（Pseudonymization）替换，模型返回后再进行逆向映射还原，确保外部模型全程不接触明文商业机密。
🔄 2. 评测与经验沉淀闭环 (Quality & Skill Loop)
风险：传统审计只记录“做了什么”，不评“做得好不好”，无法杜绝幻觉扩散，且无法自增值。
落地解法：建立 LLM Eval 中心对任务执行成功率、事实性与幻觉率进行量化基准测试；将高分执行轨迹（Golden Trace）经由反哺闭环提炼标准化企业 Skill，自动丰富 Layer 2 技能库。
💰 3. 成本与配额管控 (FinOps Gate)
风险：Agent 自主循环易引发 Token 爆炸，产生不可控的 API 账单与资源浪费。
落地解法：在 Zero-Trust 判定主链路注入 FinOps 闸门，支持按部门/团队/个人配置 Token 预算与单任务消耗上限；超额时自动熔断并向工作台推送预警看板。
⚡ 4. 长任务可靠性与状态机 (Resilient State)
风险：复杂工程级长任务耗时数十分钟甚至数小时，遇到 Human Ask 审批或进程重启容易状态中断。
落地解法：基于 Checkpoint 快照引擎对 Agent 上下文进行单步持久化；处于 Ask 待审批状态时任务脱水（Dehydration）挂起，审批通过后零损失快速唤醒（Hydration）续跑。
🔒 5. 策略引擎单点容灾与 Fail-Closed 原则
风险：所有能力调用必须经过策略引擎，若引擎延迟高或发生崩溃，系统易处于不可用或降级后敞开权限的风险状态。
落地解法：建立严格的毫秒级决策延迟预算（P99 < 5ms），通过内存策略快照与本地缓存加速。在网络分区或服务不可用时，严格贯彻 Fail-Closed（默认阻断） 原则，宁可降级暂停，绝不越权放行高危工具。
三、主准入决策链路 (Zero-Trust Decision Chain)
[User 用户] ➔ [Workspace 空间] ➔ [Skill 技能] ➔ [Tool 工具] ➔ [Data 数据] ➔ [Credential 凭据]
➔ [FinOps 配额闸门 (Token 预算检查)]
➔ [Policy Engine 策略引擎 (本地微秒缓存 · Fail-Closed)]
➔ 决策三态:
├── Allow (放行 ➔ Harness 执行)
├── Deny (阻断 ➔ 拦截记录上报)
└── Ask (挂起 ➔ 任务脱水 ➔ 推送用户审批待办 ➔ 唤醒续跑)