" 对 Agent 来说，完成一件事可能不是最难的，最难的是怎么理解人。" 说这话的是易鑫首席 AI 科学家、高级副总裁张磊。他所在的公司，做的正是这门 " 最难 " 的生意——汽车金融。
一笔汽车融资申请，要经过材料提交、审批决策、方案匹配、交付签约、资产管理五个大环节。仅材料就有 60 多种，审批决策涉及多达 15 个组织节点，路径组合上万种。而且这条链路不是线性走完的，任何一个节点，都可能回跳到前面任意一个节点。
这让大多数 Agent 在这里 " 过早收工 "。张磊举了个例子：一个用户第一天进来，第三天补充资料，第七天额度发生变化、走了审批；到第十天，所有方案都试过了，没有适合他的。常规 Agent 到这里就会说，" 我的任务结束了 "。但真正的 Agent 会在第 80 天回头，那时公司接入了新的资方、有了新的产品，它会重新找到这个客户：" 你还有没有相应的需求？我现在有东西可以满足你。"
一笔业务的成败，就分在第十天和第八十天之间。
也正因此，张磊对眼下衡量 Agent 的主流标准并不买账。行业里判断一个 Agent 厉不厉害，常说的是它能不能无干扰地跑完 100 步，能不能写出复杂的软件，或者操作几十页的网页逻辑。" 但在企业应用里，更重要的是：给定一个业务目标之后，你能不能持续面对一个不断变化的人做交互，最终推动出一个业务结果。"
为此，易鑫提出了一套自己的范式—— Human-Centric Long-Horizon Agent，即 " 以人为中心的长程智能体 "。它由人的理解模型、垂直领域模型和 Harness 三部分组成，Harness 又分三层：数据的 Harness、Agent 的 Harness、人的 Harness。前两者解决 " 懂人 "，后者解决 " 能不能长期稳定地跑 "。在张磊看来，让 Agent 出结果并不难，难的是它怎么长期稳定运行，这才是 Harness 在企业的价值。张磊透露，这套 Harness 框架计划在年底开源。
不过，他并不认为 Agent 应该包办一切。在易鑫的框架里，人的位置被明确保留：合规熔断（模型幻觉触碰强监管规则）、重大权益（比如罚息减免）、特批这类意外场景，三类必须转人工。
目前这套系统在线上的运转情况是 45 个 Agent，日均处理任务约 23 万次，每天消耗约 3.6 亿 Token；AI 能独立跟进同一个用户超过 20 天，单个任务执行超过 16 小时，单次对话超过 81 轮，且横跨企业微信、微信等渠道。
以下是易鑫首席 AI 科学家、高级副总裁张磊的发言速记，略经笔者编辑：
各位嘉宾下午好！我是来自易鑫的张磊，今天分享的主题是 " 工具到原生，汽车金融全链路的 Agent 革命 "。
过去我们讲 Agent，更多讲的是它够不够智能、能不能更智能地调用工具、完成各式各样的任务。但在实际的行业应用里我们发现，对 Agent 来说最难的其实是理解人，因为它面对的是不断变化的人。所以怎么理解人、怎么影响人，以及最终怎么拿到业务结果，我认为这才是产业落地中更关键的能力。
接下来的分享主要是我们在这方面的思考。先简单介绍一下公司：易鑫是一家 AI 驱动的金融平台，有 12 年的行业积累，研发上也一直在大举投入。我们是整个汽车金融领域里第一家开源行业模型的公司，也是行业里第一家通过国家大模型备案的公司。同时我们跟开源社区有比较好的合作，近期把底层的 GPU 虚拟化工作也开源到社区了。在去年 " 直通乌镇 " 全球互联网大赛的开源赛道里，我们拿下了唯一的一等奖。
对汽车金融来说，为什么需要 Agent？核心本质上是因为汽车金融是一个长链路、决策复杂、动态决策、强合规，以及结果导向的业务。可以看到，当一个用户进来，他会流过大概五个大环节，材料提交、审批决策、方案匹配、交付签约，然后是资产管理。每个环节里都会有很多子流程，比如材料提交涉及 60 多种材料，还要根据不同的场景去做组合。
审批决策里有 15 个组织节点，整个决策路径的组合大概有上万种。而且整个链路不是从左到右线性顺序执行的，左边的任何一个节点，都有可能回跳到前面的任何一个节点。所以这个过程没办法像传统 Agent 那样，用流程自动化去解决。
所以在这样的场景下，就急需新型的 Agent 去解决这些问题。为此我们提出了一个新的 AI 范式，叫 Human-Centric Long-Horizon Agent。这个范式主要有三个部分，第一部分是人的理解模型，第二部分是垂直领域模型，最后一部分就是常说的 Harness，我们把它分成了三层，数据的 Harness、Agent 的 Harness 和人的 Harness。
为什么需要这三个组成部分？核心原因在于：当 Agent 具备工具能力的时候，它可以很好地完成任务；当它懂行业的时候，就能很好地完成业务任务。而当你以人为核心服务对象的时候，整个系统、整个 Agent 就应该更懂人。你要知道人在想什么，才有可能更好地服务用户。所以我们认为，接下来尤其在企业 Agent 领域，会逐步过渡：更好地理解人，才是提升 Agent 效果的关键。
对 Agent 来说，完成一件事可能不是最难的，最难的是怎么理解人。围绕人的整个过程中，传统系统更多是在记录已经过去、已经结束的事情。比如一个人提交了融资审批，他当下的状态是什么，传统系统更多是在记录这种完成的状态。
但实际上，如果你想很好地服务人，就必须知道这个人接下来的状态是什么：他是不是有购车意向，他是不是信任你。整个过程是在环境不断变化中同时交互，同时对这个人的状态和行为做预测。
所以我们基于这套想法做了一个模型出来。它本质上是一个随机过程，输入是整体的语言环境和行为信号，输出是人的行为接下来应该如何变化、他的状态是什么样。
相比传统的 Agent，它做的是管理建模，我们更多是在人的状态粒度上做建模。这意味着，人的状态不是一个静态的用户画像，而是一个随着交互和环境变化持续变化的状态建模，一种持续性的建模。
其实现在行业里谈 Long-Horizon，包括大家去判断一个 Agent 到底厉不厉害，经常会说它能不能无干扰地完成一个比如 100 步的任务，能不能写一些复杂的软件，或者操作几十页的网页逻辑。
但在企业应用里，我觉得可能更重要的是：给定一个业务目标之后，我们能不能持续面对一个不断变化的人去做交互，最终推动出一个业务结果。
这里以汽车金融为例，一个用户第一天进来，第三天他可能到了补充资料的阶段，第七天他的额度发生变化，走了审批决策；到第十天发现所有方案都尝试过了，但没有适合他的。这时候常规的 Agent 可能就会说，" 我的任务结束了 "。但真正意义上的 Agent，会比如在到了第 80 天的时候，因为我们接入了新的资方、有了新的金融产品，反过来去找这个客户，" 你还有没有相应的需求？我现在有东西可以满足你。"
另外，当用户到了第 480 天、合同快要结束的时候，AI 会主动去做这种访客营销。整个决策的过程中，每一个节点其实都是由 Agent 独立承担的，但所有 Agent 背后其实是同一套程序运行循环的机制在支撑：目标拆解、规划决策、执行、观察反馈、交互，以及持续推进，它会变成一个大的闭环。
同时，对 Agent model 来说，很重要的一个内化能力叫 Persuasion Policy，它能够动态决定我到底在什么时间去跟进这个用户、我应该说什么、不应该说什么、在什么渠道先跟他讲。所以整体它是以最大化长期转化为目标的。它的目标不是一次对话有多好，所谓最大化长期转化，对应的其实就是业务结果——我优化的是最终的业务结果。
举个例子，比如这里的预约率、到店率、成交率、渗透率等等。所以我们认为，这可能才是企业真正需要的 Long-Horizon。前面有了 model、有了 Agent，为什么还需要 Harness？我们的任务是说，企业里面真正要去运转 AI Agent 这件事，能不能出结果，我觉得是很容易的；但最难的是它怎么能够长期稳定地运行，这就是 Harness 在企业里的价值。跟传统的 Agent 相比，我们不太一样的地方在于，我们会基于用户的关系去做建模，这里面包括五大板块。
第一个板块是管理，它回答的主要是 " 发生了什么 "。举个例子，我在 9 月份提交了 30 万的融资申请。第二部分是 " 正在发生什么 "，这个用户中间还差一份资料没有补齐。第三部分是 Agent 怎么看待这个用户、这个客户，这块的上下文主要由 model 提供。比如客户购车意图的概率大概是 70%，但他对月供的敏感度概率是 90%。这就是这一块要做的事。
第四是目标管理。其实每一个子阶段都会有一个相应的目标，我要去推动这个目标往前走。还以刚才的客户为例，这个阶段的目标可能就是完成 " 进店提报 "。最后一个板块是，知道所有信息之后，我接下来要怎么办？同样以刚才的客户为例，接下来的动作应该是打消用户对月供的疑虑。
同时，在企业落地的过程中，逻辑上并不是所有角色都能交给 AI 去做，这里面有三个典型的场景。
第一个场景是合规熔断。比如大模型因为幻觉，出现了一些触碰强监管规则的内容，或者跟用户对话的过程中，用户产生了一些触碰规则的事件，这个时候就要迅速转人工。
第二种是涉及重大权益的，比如某一个单子需要做罚息减免，这个时候可能就要转到人去做判断；再比如一些意外的场景，比如特批流程，也需要转到人。
所以在 Harness 框架下面，其实是融合了 Agent 自己以及人本身。同时我们也会有相应的 RSI 这一套逻辑机制。在这个管理过程中，我们会形成相应的、用于训练模型的数据轨迹，这个轨迹未来会有一个小循环或者大循环去做优化，小循环主要是 skill 粒度的优化，大循环主要是基于 model 去做优化。
我们认为 Harness 框架本质上就是一个持续运行、持续反馈、持续优化的过程。我们计划在年底的时候，把这套框架开源出来。
综合以上讲的内容，我大概做一个总结，对比一下到底有什么区别。前者主要是在优化任务的执行，以及执行过程中怎么做规划和推理、怎么做工具的编排、怎么去完成它的一个 flow，最终成没成功，这件事取决于任务是否完成，完成了就代表成功。
后者主要是在优化人的决策过程。除了要持久化用户的记忆，还需要对用户做信任和意图的建模，需要去做关系的管理。最终你成没成功，其实在于你有没有产生收益、有没有转化成功。所以本质上我们认为，未来 AI Agent 在企业的应用，会从任务的执行过渡到 Harness。
这个是我们实际运转中的应用效果。目前在线上一共有 45 个 Agent 在跑，日均处理任务大概 23 万次，每天大概消耗 3.6 亿 Token。因为我们整个集团有自己的训推一体化平台，所以整个 model 都是在这个平台上跑的。
Agent 的自主交付率现在达到 90%，整体的运营提效大概是 45.4%，线索从接触到成交平均大概 3 天。AI 现在可以独立地跟进同一个用户超过 20 天，单个任务的执行时长超过 16 个小时，单次对话超过 81 轮——这些对话可能发生在企业微信，也可能发生在微信，是一个跨渠道的逻辑，全程的信息交互大概超过了 400 条。同时我们也有商业化的产品，是一站式的 AI 智能服务解决方案。
目前有三个大的核心板块，一个是做智能硬件，鑫灵盾是做风控的决策系统，鑫智管是做资管的服务系统。然后底层 Model 是我们自己的一套新的推理模型，以及整个新系列不同尺寸的 Model。
在整个应用的规模上，产品应用上大概累计有 1.44 亿次的使用，覆盖了智能呼叫（每天 10 万通）、智能辨识、智能审批、客服、资管、质检等，基本上覆盖了整个行业的所有场景。
除了提供技术方案之外，我们也有生态合作伙伴，这里面包括 80 家以上的互联网企业、100 多家主机厂、100 多家金融机构，以及 4 万多家经销商。
最后我想分享一下今天的核心观点。我们认为，未来企业 Agent 的 AI 进化会逐步过渡，整个模式可能不只是适用于汽车金融这个行业，也适用于所有类似的、需要交付业务结果的场景。谢谢大家！（本文首发钛媒体 APP，文 | 智客 Zhiker，作者｜郭虹妘，编辑｜杨林）
