Harness 正在构建企业级 AI 技术栈

这家起家的 CI/CD 平台刚刚完成了 2.4 亿美元的融资，估值达到 55 亿美元，并悄然成为了每位企业工程师所需的底层基础设施。

AI 编码工具已经将软件开发转变为一个实时的创造性过程。借助 Cursor、GitHub Copilot 和 Anthropic Claude Code 等工具，可以在几秒钟内生成生产就绪的代码，因此瓶颈已不再在于编写软件本身。

真正的挑战始于代码生成之后。

测试、安全、部署、合规性、可观测性、云成本控制以及生产环境的可靠性，仍然依赖于通过数十种企业工具拼接而成的碎片化工作流。虽然 AI 加速了开发者的“内环”（inner loop），但围绕软件交付的运维层（operational layer）仍然痛苦地依赖于手动操作。

这正是 Harness 定位自己要解决的问题：构建一个原生面向 AI 的企业软件交付技术栈，其设计目的不仅是为了生成代码，更是为了在大规模范围内运行、保护、优化和管理代码。

AI 速度悖论

AI 极大地加快了代码生成的速度。但是，代码编写之后的所有事情，如测试、安全检查、部署、合规审批和云成本管理，仍然严重依赖手动工作流和不连贯的工具。

因此，虽然开发者现在可以比以往任何时候都更快地发布代码，但软件管道的其余部分却难以跟上步伐。

当系统中只有部分环节变快时，你并不会获得更快的软件交付。你只会创建一个更大的积压任务队列，等待审查、加固、部署和管理。

问题所在： 内环（编写代码）的速度正在提升 10 倍。外环（代码之后的所有环节）却停留在 2020 年的水平。

解决方案： 谁自动化了外环，谁就掌握了企业 AI 的预算。这是一个比大多数人意识到的要大得多的类别。

Harness 的联合创始人兼 CEO Jyoti Bansal 为每位工程领导者目前默默应对的问题起了一个名字。他称之为“AI 速度悖论”。他是这样说的：

来源：PR Newswire

来源：PR Newswire

这不是一个小或理论上的问题。大多数工程团队花在代码周围事情上的时间，已经多于花在编写代码本身上的时间，包括部署、安全检查、修复事故、管理基础设施和控制云成本。

而 AI 编码工具并不会减少这种工作负载。

事实上，随着 Cursor 和 GitHub Copilot 等工具帮助开发者更快地生成代码，对软件管道其余部分的压力只会增加。更多的代码意味着更多的系统需要测试、加固、部署、监控和优化。

这就是 Harness 试图解决的问题。

它不是通过为开发者构建另一个 AI 聊天机器人，而是通过自动化软件团队每天依赖的基础设施和运维层来实现。

2.4 亿美元在企业 AI 中购买了什么

2025 年 12 月，高盛领投了 Harness 的 E 轮融资 2.4 亿美元，将该公司估值推高至 55 亿美元。这比他们 2022 年 D 轮融资时的 37 亿美元估值增长了 49%。该轮融资包括 IVP、Menlo Ventures 和 Unusual Ventures 的参与，此外还有一项 4000 万美元的要约收购，旨在为长期员工提供流动性。

融资背后的数字清楚地讲述了一切。2025 年的年度经常性收入（ARR）有望超过 2.5 亿美元。同比增长超过 50%。已支持 1.28 亿次部署。8100 万次构建。保护了 1.2 万亿次 API 调用。优化了 19 亿美元的云支出。服务覆盖北美、欧洲、中东及非洲（EMEA）以及亚太地区（APAC）的 1000 多个企业工程团队。

这些不是初创公司的指标。这些是基础设施公司的指标。

无人谈论的平台

大多数关于企业 AI 的讨论都集中在模型本身。公司使用的是 OpenAI 还是 Anthropic？是 GPT-4、Gemini 还是 Opus？

但这正慢慢变成一个不那么重要的问题。

更大的问题在于模型周围是什么。什么系统、数据、权限和工作流赋予了 AI 在企业环境中运行的真实上下文？

Harness 认为答案在于其 软件交付知识图谱（Software Delivery Knowledge Graph）。

在基本层面上，现代软件交付是深度关联的。部署管道、云基础设施、服务、依赖项、安全策略和构建系统都相互影响。但这些信息通常分散在数十种单独的工具中，使得 AI 代理难以完全理解工程环境中正在发生的事情。

由 @techwith_ram 生成

由 @techwith_ram 生成

Harness 试图通过创建一个集中式的知识层来解决这个问题，将所有这些数据连接在一起。目标是赋予 AI 系统对软件如何构建、部署、保护和管理更完整的理解。

这种方法的最佳例子是 2026 年 4 月推出的 Cursor 集成。

开发者可以留在 Cursor 内部，使用自然语言触发部署、运行管道或直接从聊天中检查治理规则。在后台，该系统连接到由知识图谱驱动的 Harness 托管的 MCP 服务器。

并且由于它使用了现有的基于角色的访问控制（RBAC）权限，公司无需重新构建访问控制或为 AI 工作流创建单独的安全层。

由 @techwith_ram 设计

由 @techwith_ram 设计

Cursor 理解内环，即代码在做什么。Harness 理解外环，即代码如何被测试、加固、部署和管理。插件将两者连接起来。这就是在企业规模上应用的上下文工程。

企业验证正在到来

软件平台成为核心基础设施的最大信号之一是，大型企业开始依赖它来支持真实的生产工作负载。

这正是 Harness 正在发生的事情。

2026 年 3 月，Workday 选择 Harness 以在企业规模上支持代理式 AI 软件交付。一个月后，Infosys 宣布与 Harness 建立战略合作伙伴关系，以自动化混合和多云环境中从代码到生产的整个路径。

与此同时，Harness 还扩展了与 Google Cloud Developer Connect 的集成，并因其应用开发和 DevOps 方面的表现获得了 2026 年 Google Cloud 年度技术合作伙伴奖。

客户名单不断增长。联合航空（United Airlines）、晨星（Morningstar）和 Choice Hotels 不仅仅是在测试该平台。他们正在使用 Harness 在生产环境中运行真实的软件交付操作。

大多数团队忽略的洞察

在每一次主要的 AI 浪潮中，都出现了一种模式。

起初，每个人都关注技术最显眼的部分。哪个模型更好？哪个基准分数更高？哪个 AI 生成的结果更好？

但随着时间的推移，焦点发生了转移。

人们开始意识到，仅靠模型是不够的。真正的价值来自于围绕它的基础设施。提供上下文、安全、治理、可观测性、合规性和成本控制的系统。

这才是企业采用真正发生的地方。

如今，大多数前沿 AI 模型已经足够好，可以满足企业使用。对于许多公司来说，在 OpenAI、Anthropic 或 Gemini 之间进行选择已不再是最大的挑战。

更大的挑战在于模型周围的一切。

如何安全地将 AI 连接到内部系统？如何管理部署？监控基础设施？控制云成本？强制执行权限和合规规则？赋予 AI 足够的上下文，以便在生产环境中安全运行？

这正是 Harness 多年来一直在构建的层级。

早在人们开始称之为“外环”之前，Harness 就已经专注于自动化软件交付基础设施。自 2017 年以来，该公司已远远超越了 CI/CD 的范畴，扩展到了安全测试、云成本优化、功能标记（feature flagging）、数据库变更管理、内部开发者门户和治理工具。

所有这些产品都连接到同一个理念。最快的工程团队不仅仅是那些使用最佳 AI 编码助手的团队。它们是那些在幕后拥有自动化、可观测且治理良好的交付基础设施的团队。

AI 并没有改变这个理念。它使这一理念变得比以往更加重要。

现在，随着 AI 生成的代码提高了软件开发的速度，越来越多的企业团队意识到，他们也需要能够管理代码编写之后所有事情的基础设施层。

未来 12 个月的展望

新一轮的 2.4 亿美元融资将用于推进 Harness 的三大优先事项：改进平台、全球扩张以及继续构建其 AI 软件交付平台。

该公司目前在全球 14 个办公室拥有超过 1200 名员工。最近的发布，如 MCP 集成、Cursor 插件以及通过 Google Cloud 扩展其知识图谱，都是同一战略的一部分。

Harness 希望成为连接 AI 编码工具与真实生产系统的基础设施层。

CEO Jyoti Bansal 将这一类别描述为 “代码之后所有事情的 AI”。

而这个市场比传统的 DevOps 要大得多。

随着 AI 编码工具使软件生成变得更快，各地的公司都遇到了同样的问题：生成代码很容易，但在大规模上安全地测试、部署、管理和控制这些代码仍然很困难。

这为 Harness 创造了巨大的机会。

几乎每个工程团队现在都面临着同样的挑战：代码速度正在增加，但软件交付并没有以同样的速度加快。解决这一瓶颈的公司将成为现代 AI 软件技术栈的关键组成部分。

Harness 押注基础设施，而不仅仅是 AI 模型，将定义企业软件开发的下一个阶段。

思考

2026 年在企业 AI 领域获胜的公司，并不是那些拥有最佳模型的公司。而是那些自动化了代码编写后发生的 60-70% 工程工作的公司。Harness 是使这一切成为可能的基础设施层。55 亿美元的估值反映了市场开始意识到这意味着什么。

关注 @techwith_ram 以获取更多此类帖子。