Harness 沙盒机制：锁定 AI Agent 的操作边界
在大模型（LLM）应用于关键业务场景时，“幻觉” 和越权执行是主要风险。Harness 沙盒机制通过构建一个封闭、受限的执行环境，确保 AI 只能在预定义的规则内行动，从而杜绝高危代码生成和违规操作。
核心痛点：大模型的不可控行为
当让 AI 处理财务报销审批任务时，它可能并不理解 “单笔超过 5000 元需副总裁审批” 的公司红线。AI 可能会根据上下文生成包含异常金额（如 5800 元）的单据，甚至试图绕过正常流程。这种 “提示词注入” 或逻辑疏忽，在实际生产中可能导致严重的合规事故。
机制拆解：如何实现 “不跑飞”？
Harness 的沙盒机制在代码层面实现了以下关键隔离：
1. 动作预定义（Pre-defined Actions）
沙盒内部不开放任意代码解释器。AI 只能调用预设好的、有限的 API 动作（如 approve_expense 或 reject_expense），而无法编写恶意脚本或直接访问底层数据库。
2. 物理与逻辑解耦
沙盒运行在隔离环境中，切断了模型代码与真实物理系统（如银行网银）的直接连接。即使模型试图执行高危指令，沙盒会将其拦截在逻辑层，仅返回待处理状态。
3. 实时校验与路由
在沙盒内部，系统会对模型输出的 JSON 数据进行实时扫描：
- 金额拦截：检测金额是否触发上限（如 5000 元）。
- 自动路由：若金额 5800 元，系统识别为违规，自动将请求路由至高管审批流程；若金额为 4800 元则自动放行。