每一层解决一个不同的问题，顺序不可跳过：
提供推理与生成的原始能力。必要条件，非充分条件——同一个模型换一套 Harness，实测表现可以相差 20–30 个百分点。
把模型的"意图"变成真实可执行的动作——调用工具、维护上下文、处理循环，是能力落地的第一层转换。
把某个 X 专家（举例 cyber security，可替换为任意垂直行业）的经验、判断力、工具编码进执行环境，决定能不能"上岗"。
同一份 Harness 能力，交付给谁决定价值兑现的量级——最容易被忽略、却最决定回报的一环。
EXAMPLE · X = CYBER SECURITY
同一个 Harness 挖掘出的漏洞情报，交付路径不同，兑现价值完全不同：交付给像 Microsoft 这样的大型企业，成为其安全加固、打补丁流程的直接输入，量级是百亿；交付给中小客户或长尾渠道，同样的情报只能兑现零头价值，量级是亿。这说明 Harness 本身不等于商业价值——交付路径的选择，才是价值量级的开关。
业务结果要么变成数据飞轮，要么被浪费掉。链路是：① 业务反馈（客户真实使用结果——情报是否被验证有效，而不是模型觉得自己答对了）→ ② Reward 链路（可验证部分走 RLVR 自动打分；模糊部分走人类偏好/KPI 评估，需警惕 reward hacking）→ ③ 数据飞轮（真实执行轨迹沉淀为训练与评估数据集，越用越多，越多越准）→ ④ 反哺迭代（可验证任务微调基础模型权重；模糊任务优化 Agent/Harness 工程）——再回到第一层，闭环完成。
模型是必要条件，不是充分条件；Harness 决定专家能力能否被封装、被执行；而交付对象与反馈闭环，才是决定这条链路能否真正兑现价值、并持续自我强化的两把钥匙。评估任何一个"AI 落地"叙事时，先问这四层问题分别答对了没有，而不是只看模型跑分。