Harness擅长管理会话、调用工具、响应指令，但在处理多文档信息聚合、长周期分析时则力不从心。

面对海量企业级数据，既要保证来源可追溯，又要兼顾合规安全。

NVIDIA 新推出的 AI-Q Blueprint（AI-Q 蓝图），巧妙化解了当前困境。

系统将繁复的深度研究流水线打包成便携的 Agent Skill，只需一行指令，就能给框架加装独立的分析引擎。

代理框架可以直接向 AI-Q 服务器派发任务并接收结构化报告，企业敏感数据始终安全留在本地。

告别重复造轮子

Claude Code、Codex、LangChain Deep Agents 等框架是优秀的任务调度员。它们负责管理对话上下文、串联功能模块、高效执行代码，表现无可挑剔。一旦面对企业级深度研究任务，局限性立刻显露无疑。

跨越不同数据源的信息合成、附带来源归因的长周期分析，往往超出了通用调度的范畴。

工程师只好亲自下场，处理庞杂的数据连接逻辑。

他们需要编写路由模块，打通各个加密的企业数据库；需要手动处理复杂的身份验证，确保每一次调用都符合安全规范；还要反复微调提示词，设计完善的评估机制，并且小心翼翼地保留每一次结果输出的引用出处。

全部流程不仅耗费大量精力，后期维护成本也十分高昂。

AI-Q 蓝图刚好填补了技术空白。系统将繁杂的底层逻辑打包成开源的深度研究模块，作为通用技能直接提供给调度平台。

代理框架只需把任务直接委托给本地或云端托管的服务器，随后就能坐收一份结构化且带有详细引用的研究报告。

开发者不再需要死磕底层的研究管线。敏感的源数据安稳地留在企业内部。对医疗、金融、政府、国防等强监管行业来说，一套免接触源数据的方法尤为关键。

安装过程十分轻量。

以 Claude Code 框架为例，使用两条命令即可将技能链接到工作区：

mkdir -p .claude/skillsln -s ../../.agents/skills/aiq-research .claude/skills/aiq-research

若希望跨代码库通用，直接执行用户级安装即可：

mkdir -p ~/.claude/skillscp -R .agents/skills/aiq-research ~/.claude/skills/aiq-research

对于 Codex 用户，只需将相关文件复制到配置目录，重启会话即可完成部署：

mkdir -p <codex-skills-dir>cp -R .agents/skills/aiq-research <codex-skills-dir>/aiq-research

OpenCode 的逻辑同样直白，把文件放进用户配置夹即可生效：

mkdir -p ~/.config/opencode/skillscp -R .agents/skills/aiq-research ~/.config/opencode/skills/aiq-research

部署完毕后，通过一行测试代码验证连通性：

python3 scripts/aiq.py# Usage: aiq.py <command> [args]

平台此时便多了一项强悍的深度研究能力。输入类似检索内部政策文档并生成合规备忘录的指令，请求会自动经由技能模块路由至服务器。繁琐的检索、规划、合成与引用逻辑全被隐藏在幕后。

守护核心数据资产

企业级应用的另一大痛点在于数据读取的安全与便捷。AI-Q 原生支持连接已认证的 MCP 服务器。研究管线可以直接读取智能体现有使用的企业内部系统数据，彻底省去了重复搭建平行检索栈的麻烦。

由于整个架构建立在 NeMo Agent Toolkit（NeMo智能体工具包）基础之上，所有的远端服务器都能以功能组的形式无缝插入。

官方文档清晰列举了3种端到端的集成模式。表1梳理了常见的身份验证场景与对应映射。

无认证的服务节点处理起来最为省心。只要将 mcp_client 功能组指向目标地址，系统便会自动发现并把远端工具注册进可用列表。

function_groups:  mcp_financial_tools:    _type: mcp_client    server:      transport: streamable-http      url: ${MCP_SERVER_URL:-http://localhost:9901/mcp}

推荐在新部署或生产认证环境中使用 streamable-http 传输协议，它比传统的服务器发送事件响应更为稳定可靠。

在持续集成、批处理作业或共享企业数据源等应用层级管控权限的场景中，基于服务账号的认证模式成为首选。

function_groups:  mcp_enterprise_tools:    _type: mcp_client    server:      transport: streamable-http      url: ${ENTERPRISE_MCP_URL}    auth_provider: enterprise_service_account    authentication:      enterprise_service_account:        _type: mcp_service_account        client_id: ${SERVICE_ACCOUNT_CLIENT_ID}        client_secret: ${SERVICE_ACCOUNT_CLIENT_SECRET}        token_url: ${SERVICE_ACCOUNT_TOKEN_URL}        scopes:          - enterprise.read

部分网关可能要求同时提供 OAuth2 令牌与特定服务的委托凭据。系统同样支持通过 service_token 模块在外部调用时附加第二重请求头。

面对下游 API 已经信任当前用户无记名令牌的场景，直接转发用户的登录身份即可。

系统暴露了 aiq_agent.auth.get_auth_token() 方法，在提交作业的瞬间捕捉请求凭证，并在异步 Dask 工作进程中予以恢复。

漫长的研究过程里，用户身份上下文始终得以保留。待下一个版本加入进程内的刷新机制后，长时间运行任务的稳定性将进一步提升。

驻扎在数据源头

完整的代码库被打包成 Docker Compose 和 Helm charts。一套相同的蓝图，可以在开发者的笔记本电脑上跑，可以在本地数据中心的 Kubernetes 集群上跑，甚至能在完全物理隔离的机房里平稳运行。

数据在哪里，研究管线就部署在哪里。

模型直接读取本地文件、执行检索、合成报告。原始文档从始至终都没有离开过企业防火墙的视线。框架最后拿到手的，仅仅是一份带有精确引用的文本输出。对数据主权要求严格的企业，悬着的心彻底放了下来。

不仅管线可以本地部署，底层的模型也完全支持私有化。

NVIDIA Nemotron 开源模型通过 NIM（NVIDIA推理微服务）在本地环境飞速运转。云端的前沿大模型依然是随时可调用的备选项。业务团队手握绝对的自主权，复杂的任务编排可以交给云端，触及核心商业机密的研究全部交由本地模型处理，既满足合规审查，又兼顾了计算成本。

系统天生具备透明可查的基因。产出的每一份报告都附带着详细的来源归因，底层的工具包持续输出 OpenTelemetry（开源遥测）追踪记录。审查团队调出日志，哪一行结论引用了哪一份文件、检索逻辑经过了怎样的推演，全程一目了然。

专为深度研究打磨

通用的调度平台应对日常检索绰绰有余，但面对复杂的企业级多源信息合成，输出质量往往忽高忽低。

AI-Q 的管道专门为高质量深度研究设计。每一次查询，都要经过4个严苛的阶段过滤。

意图分类器充当大脑，精准判断当前问题需要钻取多深。遇到模糊不清的指令，系统自带的人工介入环节会主动要求澄清，绝不盲目开始检索。边界清晰的基础问题交由浅层研究员迅速搞定。错综复杂的跨源数据合成，则由深层研究员接管，进行长程视角的深度剖析。

每一个阶段都经过了 FreshQA、Deep Research Bench 以及 DeepSearchQA 等权威基准测试的独立调优。配套的评估工具也会随蓝图一并交付，企业随时可以用专有数据对系统进行跑分验证。

灵活的混合模型架构让性能与成本达到完美平衡。Nemotron 模型扛起规划与合成的大旗，部分高度依赖特定能力的环节则由可配置的路由器转发给云端处理。

整套经过反复打磨的开源蓝图已经正式向开发者开放。

戴尔 AI 工厂也完成了全面验证。基于 Dell AI Data Platform 的 Dell-NVIDIA AI-Q 2.0 参考架构，将一切最佳实践固化为生产可用的工作流。

金融服务、公共部门、制造研发等强监管行业，只需点击部署，就能立刻拥有一个高效稳定的研究助手。

参考资料：

https://developer.nvidia.com/blog/add-a-specialized-deep-research-skill-to-agent-harnesses

https://github.com/NVIDIA-AI-Blueprints/aiq

https://x.com/NVIDIAAI/status/2057855521193881773