一文看懂AI Agent的13大概念：涵盖Harness、Scaffold、Tool和Skill等

AI Agent圈子有个挺尴尬的问题：大家明明在聊同一件事，用的却是不同的词；而同一个词，指的却是完全不同的东西。这种术语上的混乱，正在成为技术交流的隐性壁垒。

ICLR 2026结束后，Hugging Face的工程师Aritra Roy Gosthipaty在社交平台上戳中了这个痛点：“在Agent语境下，harness和scaffold到底是什么意思？我在ICLR听到过很多种解释，但始终不明白为什么没有收敛到一个统一的定义。”这条帖子很快引发了共鸣。随后，Hugging Face的两位工程师Sergio Paniego和Aritra联手发布了一篇博客，专门解读那些最容易被混用的概念。以下是对全文核心框架的梳理。

Model、Scaffolding、Harness：Agent的三层骨架

先把三个最容易搞混的概念掰开说清楚。

，就是那个裸的大语言模型。Claude、GPT、Qwen、DeepSeek、Kimi——文本进去，文本出来。没有记忆，没有循环，不会主动做任何事。它可以“表达”调用工具的意图，但真正去执行，需要别人帮它。

，是模型所“看到”的一切。系统提示词怎么写、工具怎么描述、输出按什么格式解析、跨步骤记住什么——这些构成了模型眼里的世界。它塑造了模型的行为边界，但本身不负责运行。

，是真正让模型“跑起来”的东西。调用模型、处理它返回的工具请求、判断什么时候停止——这个循环的引擎就是Harness。

对于Scaffolding和Harness的区别，文章给了一句极其简洁的区分：Scaffolding是模型可感知的部分（提示词、工具定义、输出格式），Harness是驱动模型运行的部分（调用循环、工具执行、停止判断）。

所以，精确定义下，Agent由三层构成：

。

不过在日常讨论中，有一个更简化的说法：

。Claude Code自己就说“Claude Code is the agentic harness around Claude”，这里的Harness被当成了“除了模型以外的一切”来用。两位作者也坦率表示，日常聊天这么讲无伤大雅。但一旦进入训练环节，把Scaffolding和Harness拆开审视就变得至关重要：训练时，Scaffolding决定了模型学到什么；推理时，Harness决定了模型怎么跑。

Agent这个词本身源自强化学习。在RL里，Agent就是一个函数：接收观察，返回动作。环境接收动作去执行，返还观察结果，循环继续。这个循环，就是今天所有LLM Agent的底层逻辑。

用编程Agent当例子最直观：系统提示词和工具描述是Scaffolding，真正完成调用模型、执行git diff、运行测试、判断何时停止那个循环的，是Harness。训练的时候，Harness还要并行跑成百上千个这样的循环，把结果喂回去更新模型权重。

Sergio和Aritra特别点出了一件事：当人们聊Claude Code、Codex、Cursor这些产品时，他们说的是“一个特定的Harness+一个特定的模型”，两者被一起设计、一起优化。两个产品就算底层用的是同一个模型，体感可以完全不同——因为它们的Harness做了不同选择。反过来，同一个Harness换一个更强的模型，体验也会变。模型、Harness、产品，三个东西，不是一回事。

在这个框架之上，还有一个更高的概念叫

。它是把多个Agent当作单元来调度，每个Agent跑自己的Harness——这对应到现在很火的多Agent协作模式。

Context Engineering决定Agent看什么，Policy定义Agent的行为

的核心问题是：Agent每一步看到什么。除了写系统提示词，还要动态管理整个上下文窗口——系统提示词、工具描述、对话历史、检索到的知识，每一步都可能不一样。

它和Prompt Engineering的关键区别在于：不是一次性写好就完了。随着Agent运行，前几轮的输出会影响在后续调用中放入什么。Harness需要在整个运行过程中主动管理上下文——包括删什么、留什么、从哪里检索补充，不是写个prompt而已。

对于上下文工程，训练和推理的出错代价天差地别。训练时搞错上下文，模型学到错误的东西，代价是重新训练；推理时搞错，修改提示词重新开始即可。

记忆体系也被纳入了上下文工程的框架。短期记忆是单次运行中留在上下文窗口里的内容——对话历史、工具返回结果、之前的推理链。长期记忆跨会话持久化，存在外部，需要时检索回来注入上下文。两者由Harness在同一套上下文管理逻辑中统一调度。

是另一个容易被当成Agent同义词的概念。文章明确做了切割：Policy是行为概率分布，定义了Agent采取每种动作的概率。Policy部分受模型权重影响，但最终行为也取决于Scaffolding和Harness。同一个模型，换一套提示词、工具或执行循环，行为可以截然不同。Policy不是Agent，Policy定义行为。

Tool、Skills、Sub-agent层层递进

Agent的能力体系是按层级递进的。这三个词虽然容易被混用，但代表了三个层级。

是最底层。API、代码解释器、数据库、网络搜索、文件系统等等，Agent通过这些接口触及外部世界。模型只会以结构化的格式表达调用工具的意图，API将其作为一等对象呈现，Harness接收调用并路由到正确的位置，返回结果进入上下文，然后继续循环。

高一层。如果说Tool是最原始的一个动作，Skill就是一套可行的完整方案——比如“研究这个bug”“写修复方案”等。Skill可以跨Agent移植，按需加载。

是最高层。很多人把它当高级工具来用，但文章给了明确区分：Sub-agent有自己单独的模型和Scaffold，能独立推理、自己调工具，甚至能再调用新的Sub-agent。这是它和Tool以及Skill的本质差异。

文章也坦率承认：Tool、Skills、Sub-agent之间的边界，在不同框架里不太一样。

训练Agent的四个关键词

如果切换到训练视角，还有四个概念是训练Agent过程的关键所在。

，指Agent在训练时可以与之交互的任何系统。它的工作方式是：Agent向它发出一个动作（比如执行一条命令），它执行这个动作、更新自身状态，然后把新的状态信息返回给Agent。一个文件系统就是最直观的例子：Agent发出touch foo.txt这个动作，环境执行它、创建了文件，然后把更新后的文件列表作为反馈返回。

，负责让Agent的能力逐步提升。它做的事情分三步：第一，让Agent反复执行完整任务，跑很多轮；第二，对每一轮的结果打分；第三，用这些分数来更新Agent内部模型的权重参数，让下一次执行更接近正确答案。整个过程是自动循环的。

，指Agent完成一次完整任务的全程记录。里面包含三个部分：Agent在每一步看到了什么信息、它据此做出了什么动作、每一步得到了多少分。这份记录也被称为trajectory或trace——本质上，算法通过分析大量这样的记录，找到让分数变高的行为模式。

，一个数值分数，用来告诉训练算法“这次做得怎么样”。它有好几种形式：

• 可验证奖励
  ：有标准答案，比如代码测试跑通了就是1，跑不通就是0。

• 学习型奖励
  ：没有标准答案，需要人来打分或让另一个LLM来评判。

• 稀疏奖励
  ：整个任务做完才给一个总分。

• 密集奖励
  ：任务过程中每一步都给一个分数。

结语：Agent爆火的时代，讲清楚基础概念尤为重要

这篇文章不是什么碘伏性研究，它是那种早就该有人做、但一直没人做的基础工作。Sergio和Aritra在文章中写道：“这篇文章的目标不是推行唯一正确的词汇，而是提供一个实用的思维模式。”当一个领域快速发展时，其术语的演变速度往往超过其共识的形成速度。

在Claude Code、Codex、Hermes Agent、Cursor等产品用各自的词说各自的事的时候，一份中立的术语手册的价值，就凸显出来了。