飞书 × 燕千云 ITSM 焕新上线！飞书用户即刻试用ITSM工具
飞书x燕千云ITSM，让IT服务再焕新
2025.09.25
了解详情 >
前言
当大模型能够回答问题之后，企业关心的问题开始发生变化：AI能不能进一步参与实际工作？
例如，一名员工提交一张IT服务工单：“系统无法登录，请帮我处理。”
如果只是聊天机器人，它可以给出排查建议；但如果让AI真正参与处理，就需要进一步获取工单信息、查询知识库和配置数据，根据结果判断下一步，并在授权范围内调用企业系统。
这背后，并不只有一个大模型。
从Token→Prompt→Context→Agent→Harness→MCP→Skills，可以把一套Agent系统拆成七个相互关联的技术层次。
快速建立基础认知
Token是大模型处理文本时使用的离散符号单元，输入、输出和上下文都会涉及Token。它与模型的上下文容量、调用成本和处理效率有关。
Prompt解决的是“要做什么”。用户指令、系统要求、输出格式和约束条件，都可以成为Prompt的一部分。
Context解决的是“完成任务需要知道什么”。历史对话、知识库、工单信息、业务数据以及前面步骤产生的结果，都可能成为模型当前任务的上下文。
在此基础上，Agent进一步负责围绕目标进行任务规划、工具调用和多步骤执行。不再只是根据输入生成一次答案，而是可以根据执行结果决定下一步。
但问题也随之出现：
如果一个任务需要连续调用模型、工具和企业系统，谁来管理整个过程？
这就进入了之后的三个概念。
Harness：Agent如何真正运行？
传统工作流通常可以预先确定：
A→B→C→D
而一项复杂Agent任务往往是：
模型判断→调用工具→获取结果→再次判断→调用另一个工具→检查结果→继续执行或结束
模型会参与决策，但并不会自动完成这条完整的执行链路。它需要外部软件负责接收模型输出、执行工具调用、保存任务状态，并把新的结果重新提供给模型。因此，Harness可以理解为Agent的运行与控制层。
用一句话理解Harness：
Agent负责决定“下一步做什么”，Harness负责让这个决定在可控的环境中真正执行下去。
以ITSM工单为例
用户提出：“帮我分析这起P1故障。”
Agent判断需要查询历史故障案例，并发起工具调用；系统获得结果后回传。Agent发现还需要了解当前配置关系，再发起下一次查询。新的结果回来后，Agent继续分析，直到能够形成结论。
在这个过程中，Harness需要持续处理这些执行环节，包括任务状态、上下文、工具调用以及执行过程中的异常和控制条件。
AI不仅需要“答对”，还需要在正确的权限和流程范围内执行。例如：
查询工单与修改环境配置，不是同一风险等级；
而咨询信息和关闭高优先级事件，也不应该拥有相同的操作权限。
MCP：Agent如何连接企业已有的系统？
Agent能够做出判断，但企业的数据和操作能力并不都存在于大模型中：
工单在ITSM系统
配置关系在CMDB
告警在监控平台
知识沉淀在知识库……
如果Agent每连接一个系统，都采用一套完全不同的调用方式，随着连接的系统越来越多，集成工作也会越来越复杂。
MCP（Model Context Protocol）是一套开放标准，解决的正是这一类连接问题——让AI应用连接数据所在的系统以及外部工具。
从Agent到企业系统，一句话理解：
Agent负责判断需要什么能力→MCP负责标准化连接→企业系统提供实际能力。
例如，Agent判断：
“需要查询这张工单的历史处理记录。”
它可以通过MCP连接对应的ITSM工具，获得查询结果，再把结果交回Agent继续判断。
这也是MCP受到企业AI应用关注的重要原因之一：当AI需要从“生成内容”进一步进入真实业务环境时，系统连接会成为必须解决的问题。
Skills：如何沉淀可复用能力？
有了Agent，有了运行环境，也有了连接企业系统的方式，还存在一个问题：
面对同一类业务任务，是否每次都要从头开始告诉AI应该怎么做？
这就是Skills需要解决的问题。
Skill可以理解为针对某一类任务预先封装的知识、操作方式和工作流程。
我们用Prompt是在告诉AI“这一次要做什么”；Skill则是在沉淀“这一类事情通常应该怎么做”。
例如：一套成熟的故障分析流程，本身就包含企业长期积累的经验和规则。如果把这些内容形成Skill，并叠加使用。每当Agent面对类似任务时，就可以直接调用相应能力，而不需要每次重新组织完整流程。
因此，Skills更接近业务能力的沉淀层。
回到ITSM
AI从“回答问题”进入服务流程
这套七层模型完整描绘了现代AI从底层技术到上层应用的全链路。而在ITSM场景中，AI的价值也正在逐步进入实际工作过程。
效率提升
AI可以承担大量重复的信息查询、内容整理和标准化处理工作，让服务人员将更多精力放在复杂问题和需要判断的任务上。
服务可靠性提升
企业将知识、流程和处理经验沉淀为可复用的AI能力后，同类问题可以遵循相对统一的处理逻辑，减少因人员经验差异带来的服务波动，也有助于降低操作风险。
灵活协同
Agent 的任务规划能力、Harness的运行控制能力以及MCP的系统连接能力，也能使AI不必局限于单一系统或单一任务，而可以根据实际业务需要调用不同的信息和工具。这为ITSM 中的跨系统协同和服务流程自动化提供基础。
持续优化
当这些能力持续积累后，AI可以参与服务数据分析、问题归因和流程优化，让ITSM不只是“处理已经发生的问题”，也能够基于历史数据发现规律，让后续服务持续改进。
这也是企业引入AI时需要关注的重点：不是简单增加一个AI入口，而是让AI能力真正嵌入已有的服务管理体系，并与数据、流程和业务系统形成协同。
对企业来说，大模型只是AI 能力的一部分。如何让AI理解企业业务、调用现有系统、遵循服务流程，并在可控范围内完成任务，才是AI真正进入企业IT服务管理场景需要解决的问题。
