企业 AI Agent 的难题，往往不只是如何写出一段 prompt，而是如何把角色、技能、工具、权限、测试和部署连成一条可管理的流程。Resolve 于 2026 年 8 月 17 日发布新一代 AgentLab，将它定位为一个用来构建、测试、治理和部署企业 Agent 的平台。这是公司自己的产品发布，以下功能描述以 Resolve 公开资料为准，并不代表独立测试结果。
Resolve 表示，AgentLab 把 natural-language agent creation、reusable skills、AI-assisted workflow building 和 governance-aware deployment 放进同一个平台。团队可以用自然语言定义 Agent 的角色、职责、部门、operating boundaries 和 guardrails，再把 skills 和 workflows 接到已由 Resolve orchestration 管理的企业系统。对不想从零开始编写大量脚本的团队来说，这种设计把工作重点由「如何接线」转向「哪些工作可以安全授权」。
发布内容列出的 Advanced Agent Studio，让团队以 plain-language instructions 设置 Agent 的角色和边界。Skill and Workflow Building 则可以把通过 Jarvis 建立的 workflow 保存为 callable skills，让自定义 Agent 在获准时建议下一步或通过 Resolve orchestration 采取行动。另一项 Improve Prompt 功能会协助加强 Agent instructions，使角色和使用情境更清晰一致；这些都是 Resolve 对产品功能的描述。
治理部分是这次发布较值得留意的讯号。Resolve 表示，当 Agent 连接 action skills 和 workflows 时，可以继承 deterministic orchestration engine 已配置的 guardrails 和 controls。平台亦提供 agent testing and permission confidence，让团队在扩大使用前先测试 Agent 的行为、角色和权限信心。这个 build-test-deploy 顺序，比单纯把一个聊天机器人直接放进生产环境，更接近企业真正需要的交付流程。
不过，平台有治理功能不等于治理工作已经完成。企业仍要自己定义哪些 action 属于高风险、哪些工具只可读取、哪些资料不可离开指定范围，以及什么情况一定要人工批准。测试也不应只问 Agent 能不能完成正常路径，还要覆盖权限不足、工具返回错误、上下文不完整、重复执行和下游系统不可用等情境。
从 AI workflow 角度看，AgentLab 的产品讯号是把「Agent」拆成几个可以交付的层次：角色和边界、可复用技能、可连接的 workflow、执行时 guardrails、上线前测试，以及扩大部署时的权限信心。这个分层方法不依赖 Resolve，也适合团队审视自己的 agent platform：每一层是否有 owner、测试证据、版本记录和恢复方法？
Resolve 的公告没有提供独立的 benchmark、客户成效数据或第三方评估，因此不应把「可加快构建」或「可支持 autonomous operations」当成已证实的普遍结果。较可靠的解读是，企业 Agent 市场正在把构建工具与治理工具放到同一个产品叙事中；真正能否安全落地，仍取决于权限设计、例外处理、执行记录和人工责任链。
