logo

一文讲透 AI Agent 核心概念:从 Model 到 Harness

作者:新兰2026.11.16 11:23浏览量:1

简介:本文系统梳理 AI Agent 的核心概念体系,从"它是什么"出发,逐一厘清 Model、Tool、Skill、Scaffolding、Harness、Context Engineering 与 Policy 等关键术语的定义与相互关系,帮你区分 Agent 与普通对话大模型,理解其工作原理、适用场景与落地注意事项,快速建立一套完整、不混淆的认知框架。

agent">一、什么是 AI Agent

要用一句话记住它的定义:AI Agent 是以大模型为核心大脑、能够调用外部工具、接收执行反馈并持续自主推进任务直至目标达成的系统。

它与普通对话大模型的本质区别,在于交互范式的不同:

  • 普通大模型是”一问一答”的单次响应模式,你问一句、它答一句,交互到此结束;
  • Agent 是目标驱动的闭环执行模式,用户只需下达最终目标,它会自主完成理解任务、拆解步骤、分步执行、接收每一步的结果反馈,并据此迭代调整,直到任务完成或明确无法推进。

举个直观的例子。下面这些事都不是”一次回答”能搞定的:帮你读取一个文件并总结内容、调用代码工具处理一批数据、在网页上完成一连串连续操作、检索资料后再综合成文。这些场景共同的特征是——存在多个步骤、依赖中间结果、需要与外部环境反复交互。这正是 Agent 区别于聊天模型的地方:它不是”说出答案”,而是”把事情做完”。

二、背景与价值:为什么需要 Agent

大模型本身的能力边界是”文本进、文本出”。它能理解、能推理、能生成,但无法直接读写文件、无法访问网络、无法运行代码、无法操作真实系统。用户真实的诉求却往往是”帮我把这件事处理完”,而不是”告诉我怎么处理”。

Agent 的出现,正是为了在模型与真实世界之间架起一座桥:它把模型的”认知与规划能力”和外部系统的”执行能力”结合起来,形成一个可以端到端完成任务的执行体。价值主要体现在三方面:

  • 降低使用门槛:用户描述目标即可,中间的规划与执行由系统承担;
  • 提升任务完成度:通过多步骤闭环和反馈迭代,处理复杂、长链路任务;
  • 增强可扩展性:通过工具与技能模块,让同一个内核适配千变万化的业务场景。

三、核心组成:拆解关键术语

理解 Agent 的关键,是分清几个高频术语各自负责什么。它们分属不同层次,缺一不可。

1. Model(模型):Agent 的大脑

模型是 Agent 的认知核心,负责理解目标、规划步骤、决定下一步动作。但要明确一点:Model ≠ Agent。模型本质仍是”文本输入、文本输出”,本身并不具备跨轮记忆和真正的任务执行循环能力,它只能根据上下文和规则,输出”要调用什么工具”的结构化意图。而网页操作、文件读取、API 调用、代码运行等实际执行动作,都要依托模型外围的系统框架来完成。

2. Tool(工具):可调用的能力原子

工具是 Agent 可以调用的具体能力单元,比如文件读写、代码执行、网络检索、数据查询、系统调用等。工具通常是”输入参数—执行—返回结果”的函数式接口。模型不直接执行工具,而是产出调用意图,由外层框架真正发起调用并把结果回填。

3. Skill(技能):可复用的能力封装

技能是比工具更高一层的抽象。它把”多个工具 + 一段过程性知识”打包成一个面向特定任务的可复用模块,回答的是”如何把某一类事情做对、做好”。工具是”能做什么动作”,技能是”如何组织这些动作完成一类任务”。技能让 Agent 的能力可以沉淀、复用和组合。

4. Scaffolding 与 Harness:思考逻辑与执行引擎

二者是 Agent 框架的两大核心组成部分,可以这样通俗区分:

  • Scaffolding 管”怎么想”:负责思考逻辑层,包括任务规划的提示结构、推理策略、记忆与上下文组织、循环推进的控制逻辑;
  • Harness 管”怎么跑”:负责落地执行层,即真正运行工具、管理运行环境、处理输入输出与异常、维护执行循环的运行时引擎。

一句话记忆:Scaffolding 管”怎么想”,Harness 管”怎么跑”。 前者塑造模型的思维方式,后者保障系统真正把动作执行下去。

5. Context Engineering 与 Policy:一个管输入,一个定行为

这两个概念都会影响 Agent 的下一步决策,但并不是一回事:

  • Context Engineering(上下文工程):管理”模型每一轮能看到什么”,即如何组装上下文——放入哪些历史、检索到的知识、工具返回结果、系统提示,让模型在有限上下文窗口内做出更好的判断;
  • Policy(策略):定义”Agent 的行为边界与规则”,即它能做什么、不能做什么、哪些操作需要人工确认、如何保证安全合规。策略约束的是行为的”边界”,上下文工程优化的是决策的”输入质量”。

四、工作原理:Agent 如何运转

把上述组件串起来,Agent 的运行本质上是一个“感知—规划—行动—观察”的循环:

  1. 用户下达目标,框架将其与系统提示、历史与检索信息一起组装为上下文;
  2. 模型基于上下文进行规划,决定下一步调用哪个工具或技能;
  3. Harness 作为执行引擎真正发起调用,运行动作并获取结果;
  4. 结果被回填进上下文,模型据此判断任务是否完成;
  5. 若未完成,则进入下一轮循环,直至目标达成或终止。

示意性的伪代码如下,帮助理解这一循环的结构(仅为通用示例,非特定产品实现):

  1. while not task_done:
  2. context = build_context(goal, history, retrieved, tool_results)
  3. action = model.decide(context) # 模型产出下一步意图
  4. if action.type == "tool_call":
  5. result = harness.execute(action.tool, action.args)
  6. tool_results.append(result) # 结果回填
  7. elif action.type == "finish":
  8. task_done = True

这里模型只负责”决策”,Harness 负责”执行”,Context Engineering 负责”喂什么信息”,Policy 负责”划定边界”,各司其职。

五、典型场景

只要任务具备多步骤、需反馈、依赖外部能力这几个特征,就适合用 Agent:

  • 文件与数据处理:读取文档、解析内容、运行代码完成清洗与统计;
  • 信息检索与综合:多轮检索资料后归纳成文,而非单次问答;
  • 流程自动化:把一连串跨系统操作串起来连续执行;
  • 开发辅助:读代码、跑测试、根据报错迭代修复;
  • 企业业务系统:在受控策略下对接内部数据与业务接口,完成端到端任务。

在落地时,Agent 往往需要与通用云基础设施配合,如对象存储、消息队列、容器平台、数据库、日志服务、监控告警、身份认证等,用来承载运行环境、状态保存与可观测能力。

六、相关概念区别速览

概念 一句话定位 与相邻概念的区别
Model 决策的大脑 是内核,但不等于完整 Agent
Tool 可调用的动作 是原子能力,比 Skill 更底层
Skill 任务的封装 组织多个 Tool 完成一类任务
Scaffolding 思考逻辑 关注”怎么想”,不管执行
Harness 执行引擎 关注”怎么跑”,不管推理
Context Engineering 输入管理 优化”看到什么”
Policy 行为规则 约束”能做什么”

七、使用注意事项

  • 别把模型当全部:Agent 的效果取决于框架、工具质量、上下文组织和策略设计,而非仅换更强的模型;
  • 重视工具与执行层:Harness 的健壮性、异常处理、沙箱隔离直接决定系统可靠性;
  • 做好上下文治理:无关信息会干扰决策,检索质量与上下文组装需要持续优化;
  • 明确策略边界:涉及高风险操作时,应设置审批与权限控制,保证安全合规;
  • 关注可观测性:对每一步调用与状态留存日志,便于定位问题和迭代优化;
  • 性能与成本权衡:循环步数、上下文长度都会影响时延与开销,需在效果与成本间取得平衡。

八、总结

回到定义本身:AI Agent 是以大模型为核心、能够调用工具、接收反馈并持续自主完成任务的系统。理解它的关键,是分清各术语的层次与分工——模型是大脑,工具是动作,技能是封装,Scaffolding 管思考,Harness 管执行,Context Engineering 管输入,Policy 管边界。掌握了这套框架,你就不会再被”人人都在说 Agent,却各说各的”所困,也能在选型、搭建和落地时抓住真正的要点:Agent 的价值不在于一次回答,而在于把目标稳定、可控、可迭代地做完。

发表评论

活动