AI Agent核心概念一文学会：从模型、工具、技能到Harness工程

在人工智能领域，Agent无疑是近两年最炙手可热却也最容易被误解的概念之一。

模型开发者、产品经理、应用工程师都在谈论Agent，但问题在于：每个人口中的Agent可能指向完全不同的东西。

一些人将能调用外部工具的大语言模型称为Agent，另一些人则将驱动模型执行任务的完整系统称为Agent，还有人把负责特定子任务的小模块也称为Agent。对于刚接触这一领域的人来说，很容易陷入混乱——不是因为资料匮乏，而是因为术语繁多且定义不统一。

近期，Hugging Face发布了一套AI Agent术语表，系统梳理了当前讨论中最常出现的核心概念。无论你是在构建Agent、部署Agent，还是日常使用Claude Code、Codex或Hermes Agent等工具，这些术语都会频繁出现。

博客地址：https://huggingface.co/blog/agent-glossary

一、核心认知：Agent并非模型本身

我们可以用一句简单的话来理解AI Agent：

AI Agent是一个以大模型为核心、能够调用工具、接收反馈并持续完成任务的系统。

这里最关键的不是“生成文本”，而是“持续完成任务”。

普通的聊天对话模型更像是“你问一句，我答一句”，而Agent则更像是“你设定一个目标，我先理解任务，然后决定下一步行动；完成一步后，根据结果继续推进”。

比如下面这些事，都不是一次回答就能完成的：

• 搜索网络资料并自动生成摘要
• 读取文档并分析提取关键信息
• 调用编程工具处理数据
• 在网页上执行一系列自动化操作

这正是Agent与常规聊天模型之间最根本的差异。

二、模型与Agent：本质区别是什么？

很多初学者容易混淆Agent与模型的关系：Agent和Model是不是一回事？答案是否定的。

模型是Agent的核心，但并非Agent的全部。

模型（Model）本质上只能进行“文本输入，文本输出”的处理。更重要的是，模型本身不具备跨调用的记忆，也没有循环执行任务的能力。它可以根据目标、上下文和规则，表达出“我下一步想调用某个工具”的意图，但实际点击网页、读取文件、调用API或运行工具，都需要模型外部的系统来完成。

因此，Agent并不等同于模型。

三、Scaffolding 与 Harness：分别承担什么角色？

这两个术语经常同时出现，也最容易被笼统地归类为“Agent框架的一部分”。但若要真正理解一套Agent系统，最好将它们区分开来。

可以用一句简单的话记住：

Scaffolding管“怎么想”，Harness管“怎么跑”。

Context Engineering 与 Policy：一个管理输入，一个定义行为

这两个概念可以放在一起讨论，因为它们都影响Agent的下一步决策；但它们本质不同。Context Engineering关注的是模型在每一步中能看到什么，Policy关注的是基于这些输入，模型会表现出怎样的行为。

Context Engineering：控制模型每一步的信息视野

如果说Prompt Engineering关注的是“提示词如何编写”，那么Context Engineering更关注的是：在Agent执行的每一步，模型应该看到哪些信息。

这包括系统提示词、工具说明、历史对话、检索到的知识以及工具返回的结果。并且这不是一次性配置——随着任务推进，Harness会持续决定哪些信息保留、丢弃或重新注入。

Context Engineering在训练和推理阶段都适用，但代价不同：训练时注入错误，模型学习方向可能偏离；推理时注入错误，通常可通过修改提示词或重新配置上下文来补救。

Policy：定义Agent的决策方式

Policy指Agent遵循的行为模式：在给定情境下，它会以何种方式从多个可选动作中选择。在强化学习中，这个概念通常被更严格地定义，甚至可以表示为“各个可能动作的概率分布”；在LLM Agent中，这套策略一部分嵌入在模型权重中，一部分受提示词、工具、记忆和执行循环的影响。

所以，Policy不等于Agent本身。Agent是那个在环境里真正采取行动的完整系统，而Policy则是它表现出来的行为方式。

Tool、Skill、Sub-agent：三类不同层次的概念

这三个术语很容易被混为一谈，但它们实际上对应三层不同的东西：动作、方法和分工。

1. Tool：具体动作

Tool是最底层概念，指Agent与外部世界交互的方式，例如调用API、使用代码解释器、访问数据库、进行网页搜索或操作文件系统。模型仅以结构化格式表达“我要使用某个工具”的意图；真正执行调用、获取结果并继续循环的是Harness。因此，Tool更像是Agent的“手”。

2. Skill：可复用的方法

Skill不仅是一个动作，而是一套围绕特定目标沉淀下来的做事方法。例如“排查一个bug”、“完成一次数据清洗”、“撰写市场调研摘要”——这些都不是一次工具调用能完成的，它们通常需要一系列步骤、经验和相对稳定的处理流程。因此，Skill更像是Agent的“套路”。

3. Sub-agent：独立处理子任务的Agent

Sub-agent更进一步：它不是被动工具，也不是一套方法，而是另一个能够自主思考、调用工具、独立处理子任务的Agent。例如，主Agent要完成“写一份行业分析”的任务，可以将其拆解：一个Sub-agent收集资料，一个Sub-agent整理数据，一个Sub-agent撰写初稿，最后汇总结果。因此，Sub-agent更像是Agent的“分身”。

为什么训练Agent的人常提到Environment、Rollout、Reward和Trainer？

以上内容主要涉及Agent的构建。下面这些术语则更多出现在“如何训练Agent变得更强大”的阶段。

Environment

Environment是Agent可以与之交互的环境，可以是浏览器、文件系统、代码仓库，或某种抽象的任务空间。Agent在环境中执行动作，环境则返回新的状态和结果。

Rollout

Rollout指Agent从开始到结束完整执行一次任务的过程，记录Agent看到的内容、采取的行动以及最终结果。

Reward

Reward是对执行结果的评价分数，告诉系统本次表现的好坏、哪里做对、哪里做错。这个分数可以来自测试是否通过、人工偏好或其他评估方式。

Trainer

Trainer负责利用大量rollout和reward数据更新模型，使Agent在反复试错中学习更优的策略。

因此，在训练阶段，Agent讨论的焦点不再只是“会不会使用工具”，而是“能否在环境中持续进化”。

总结：一张浓缩的概念图

归根结底，AI Agent不是一个孤立的新模型名词。它更像是一整套围绕模型搭建的系统：模型负责理解和决策，工具负责行动，执行系统负责将任务一步步推进。理清这些概念后，再看各种Agent产品、框架和论文，就不会那么容易混淆了。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI Agent核心概念一文学会：从模型、工具、技能到Harness工程要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题