附录 G：术语表

老板怎么用： 看不懂技术黑话就看这张表。你和各角色（Agent 落地工程师、AIBP、治理运维）对齐时，可用这里的统一定义避免「各说各话」，也能更快判断团队是否在用正确的方法推进。

全书高频术语速查。技术类术语给落地视角（Agent 落地工程师视角）的一句话定义，深入细节 📎 深链 Harness Agent Book · 附录 A。

角色与组织

Agent 落地工程师（FDE，Forward Deployed Engineer，前沿部署工程师） 能打破「数据-算法-工程」职能墙，独立完成从业务意图到工程部署全链路闭环的复合型工程师。交付「智能能力」和「业务价值」，而非只产出代码。本书统一称这一角色为 Agent 落地工程师，FDE 为其英文缩写。（第 1、4 章）

AIBP（AI Business Partner） 业务效果负责人，通常由业务专家、产品经理或数字化负责人担任，负责定义「业务上什么是好结果」并提供真值数据（Ground Truth）。（第 19 章）

治理运维 负责上线后的成本、合规、可观测、回滚与自主运营保障，让 AI 能力稳定跑在真实业务里。（第 4、23、24 章）

智能体敏捷小组 2–4 人的全功能最小作战单元，快速完成业务、数据、模型、工程、验收闭环。（第 18 章）

Agent 落地工程师的四顶帽子 业务咨询师（识别痛点）、架构操盘手（设计与搭建）、AI 驯化师（调优）、监控运维官（运营）。（第 4 章）

企业 AI 成熟度 L1–L5 从「会用工具做 Demo」（L1）到「能交接给业务方自主运营」（L5）的能力阶梯。（第 4 章、附录 H）

方法与流程

需求共创 Agent 落地工程师与 AIBP 围绕真实业务效果的高频协作，核心不是「交接」而是「共创」。（第 5、19 章）

场景卡 把模糊业务意图收敛成可验证、可验收 PoC 范围的第一份交付物。（第 6 章、附录 A）

Value-First 优先选择高频、高耗时、高错误率、高价值、低风险的场景构建 MVP。（第 8 章）

PoC（Proof of Concept） 能解释价值、演示流程、验证假设的最小可行验证，不追求完整平台建设。（第 17、18 章）

EDD（Evaluation Driven Development，评估驱动开发） 在开发前先定义评估样本、业务指标、验收标准与回归门禁。（第 22 章、附录 D）

Golden Dataset 沉淀真实业务的典型 / 边界 / 失败 / 高风险样本，用于验收与回归。（附录 D）

需求变更池 区分缺陷 / 优化 / 新需求 / 范围扩大 / 指标变化的变更管理机制。（第 21 章）

上线门禁 进入真实业务前必须通过的权限、数据、评估、可观测、可恢复检查。（第 23 章、附录 F）

技术（落地视角，细节深链 Harness 书）

Harness（宿主） 承载并运行 Agent 的运行时，替你处理循环、工具、上下文、会话等苦活。📎 Harness 书前言

RAG（检索增强生成） 先检索相关资料，再让模型基于资料生成，解决幻觉与时效。📎 Harness 第 10 章

Agent（智能体） LLM + 工具 + 循环，在「做—看—再做」中借助工具达成目标。📎 Harness 第 1–2 章

Skill（技能） 把业务 SOP、执行脚本、领域知识封装为可复用业务能力。📎 Harness 第 6 章

MCP / Tool Calling 通过标准化接口接入外部系统，明确参数、权限、返回结构与审计。📎 Harness 第 4 章

多智能体协同 Router 路由、Critic 评审、Planner-Executor、Supervisor 层级调度等模式。📎 Harness Part 5

Context Engineering（上下文工程） CoT、ReAct、Plan-and-Execute、上下文压缩与结构化输出。📎 Harness Part 3–4

Harness Engineering 把 prompt、tool、memory、middleware、skills、sub-agents、evals 视为可演化系统持续优化。（第 15 章）

LLM-as-a-Judge 用模型辅助评估回答质量、格式、引用可信度；高风险场景必须保留人工复核。（附录 D）

Vibe Coding 借助 Cursor / Codex / Claude Code 等 AI 编程工具快速补定制 Demo。（第 17 章）

Prompt Injection（提示注入） 用户输入或外部内容诱导模型忽略系统规则、泄露信息或调用不该调用的工具。（第 14、23 章）

Excessive Agency（过度代理） 给智能体过多工具、权限或自主决策空间，导致它能执行超出业务边界的动作。（第 14、23 章）

PII（个人敏感信息） 手机号、身份证、账号、地址等可识别个人的信息。企业 AI 项目必须控制采集、脱敏、访问和输出。（第 23、24 章）

RACI 责任矩阵：Responsible 执行、Accountable 最终负责、Consulted 咨询、Informed 知会，用来避免「大家参与但没人负责」。（第 18 章）

SLA / SLO 服务可用性与服务目标，例如响应时间、错误率、恢复时间等。AI 上线后也要被运营指标管理。（第 21 章）

Trace ID 一次请求或任务的唯一追踪编号，用来串起输入、检索、工具调用、人审、输出和成本。（附录 C、F）

Runbook 运维操作手册，写清故障、回滚、降级、通知和恢复步骤。（第 23 章、附录 F）

Adoption Rate（采纳率） 业务方直接采用 AI 输出的比例，是判断 AI 能力有没有进入真实工作流的重要指标。（第 12、21、22 章）