本文深入浅出地梳理了AI Agent的核心概念澄清了Model、Tool、Skill、Rules、Hooks、Harness等易混淆术语之间的关系。文章强调Agent是以大模型为核心、能持续完成任务的综合系统而非单纯强大的模型。通过解析Scaffolding、Harness、Context Engineering、Policy等关键要素揭示了Agent能力的真正来源——模型与工程的协同作用。最后总结出评价Agent优劣的关键在于系统整体设计而非模型本身倡导从模型思维转向系统思维。对于初学者而言本文是理解AI Agent概念体系的必备指南。最近两年AI Agent这个词出现的频率越来越高。做模型的人在讲做产品的人在讲做应用和工程的人也在讲。但问题是同样是Agent这个词大家说的未必是同一件事。有人把会调用工具的大模型叫 Agent有人把驱动模型执行任务的整套系统叫 Agent还有人把负责某个子任务的小模块叫 Agent。这三种用法都有人在用都能在文章和会议里见到但它们描述的其实是三个完全不同的东西。如果你刚刚开始接触这个方向看多了资料可能反而越来越乱——不是资料太少是术语越堆越高但基础定义却没有对齐过。这篇文章想做一件事把 AI Agent 这套概念从头梳理一遍搞清楚 Model、Tool、Skill、Rules、Hooks、Harness 这些词分别指什么它们之间是什么关系。梳理完之后再去看 Agent 产品、Agent 框架、各种 Agent 论文应该就不会那么容易被绕进去了。一、先给出一个核心定义Agent 不是模型是系统在讲各种细节之前先把最重要的一句话说清楚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。这句话里最关键的不是大模型不是调用工具而是持续完成任务。普通的聊天模型是你问一句我答一句。你发给它一个问题它给你一个回答这一轮就结束了。下一轮对话它不会主动接着推进什么事情。Agent 不一样。你给它一个目标——比如帮我搜集这个行业近三个月的动态整理成一份摘要——它不会直接吐出一段文字给你而是开始分步骤执行先决定用什么方式搜索搜完之后读结果根据结果判断还需要补充什么再做一步再观察直到任务真正完成。这种目标驱动、分步推进、持续执行的工作方式是 Agent 和普通聊天模型最本质的区别。所以有些事情是 Agent 才能做的普通聊天模型做不了搜索资料并整理成有结构的摘要读取一个本地文件并分析里面的内容调用代码工具处理一批数据看结果再调整在网页上连续完成多个操作步骤把一个复杂任务拆开交给多个子模块分头执行最后汇总这些任务有一个共同点不是一次回答就能完成的需要多个步骤中间有判断有工具有反馈循环。二、Model 和 Agent核心与系统的关系讲清楚 Agent 是个系统之后紧接着一个问题模型在这个系统里扮演什么角色很多人会以为 Agent 一个更强的模型或者 Agent 模型 一些工具。这两种理解都不太准确。模型是 Agent 的核心但不是 Agent 的全部。模型本身能做的事情是有边界的。它的本质是文本进文本出——给它一段输入它产生一段输出。它可以理解目标可以读取上下文可以按照规则做判断可以生成下一步应该做什么的意图也可以以结构化的方式表达我要调用某个工具的请求。但是它说要调用工具和真正执行这个调用完全是两件事。模型不会真正点击网页不会真正读取你电脑上的文件不会真正向外部 API 发请求也不会自动把一个任务循环跑完。这些事情都需要模型外面的系统来完成。那么真正把任务跑起来的是什么是围绕模型搭建的整套系统工具调用、状态管理、任务循环、结果反馈、异常处理、上下文更新……这些加在一起才构成一个能实际干活的 Agent。有一个比喻可以帮助理解模型是大脑但 Agent 是一个能把大脑、手、规则和执行系统组织起来的完整工作流。光有大脑手脚不动什么也完不成。三、Scaffolding 与 Harness怎么想和怎么跑理解了 Agent 是一个系统之后下一步是搞清楚这个系统里的两层关键结构。这里有两个词经常出现容易被一起叫成Agent 框架但它们其实在做完全不同的事情Scaffolding 和 Harness。用一句话区分Scaffolding 管怎么想Harness 管怎么跑。︱Scaffolding给模型搭思考框架Scaffolding 关心的是模型在执行任务时的思考结构。它包括任务怎么拆解推理步骤怎么设计模型扮演什么角色输出要满足什么格式工具怎么选多轮执行的策略是什么。这些都属于 Scaffolding 的范畴。Scaffolding 更偏向于软件层面的设计——它影响的是模型如何理解任务、如何规划步骤、如何做出决策、如何把中间结果组织起来。︱Harness让 Agent 真正动起来的执行系统Harness 管的是执行层面的事情。一个完整的 Harness 要做这些接收模型的输出解析里面的工具调用请求把这个请求路由到对应的工具拿到工具的返回结果更新上下文判断任务是继续推进还是结束。除此之外还要处理各种工程问题异常、超时、失败重试。Harness 不关心模型想什么它只关心执行。没有 Harness模型只是在说我想做什么但什么都不会真正发生。有了 Harness工具调用才能落地多轮任务才能推进结果才能回传给模型继续处理。有一句话可以很好地概括这两者真正的 Agent 能力往往不是只靠模型涌现出来的而是模型能力与 Harness 工程共同作用的结果。这也是为什么两个使用同一个模型的 Agent表现可能差距很大——Harness 搭得好不好直接决定了 Agent 能不能把模型的能力真正用出来。四、Context Engineering 与 Policy看见什么和怎么选择Agent 系统里还有两个概念经常被提到值得单独讲清楚Context Engineering 和 Policy。︱Context Engineering管理模型每一步看到的信息很多人知道 Prompt Engineering但 Context Engineering 要比它宽得多。Prompt Engineering 关心的是提示词怎么写。Context Engineering 关心的是在整个任务执行过程中模型在每一步到底应该看到什么信息。这些信息包括系统提示词、用户给的任务、历史对话、工具的说明文档、工具调用的返回结果、从知识库检索回来的内容、上传的文件、中间的推理状态、当前的任务进度……而且这不是一次性设置好就完事了的。随着任务推进Harness 要持续决定哪些信息保留哪些可以压缩哪些应该丢弃哪些需要重新注入。Context Engineering 在训练和推理两个阶段都适用但代价不一样。训练时如果注入了错误的上下文模型可能学偏代价很高。推理时如果上下文配错了通常还可以通过调整提示词或重新配置来补救。这个区别值得记住。︱PolicyAgent 是按什么方式做选择的Policy 指的是 Agent 在给定情境下的行为方式——面对多个可能的下一步它会如何选择。几个具体的问题可以帮助理解 Policy拿到任务之后是先去搜索还是先尝试直接总结不确定的时候是继续追问用户还是自主推进遇到多条路径是保守地走最稳的那条还是尝试探索更多可能性这些选择背后的逻辑就是 Policy。LLM Agent 的 Policy 不是来自单一的地方它受到很多因素的影响模型训练中学到的行为模式、系统提示词、工具的描述方式、规则约束、记忆系统、Harness 的执行逻辑甚至外部的评估和反馈机制。有一点需要特别说清楚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Policy 是它表现出来的行为方式。同一个 Agent 系统配置不同的提示词和规则Policy 会完全不一样。五、Tool、Skill、Sub-agent动作、套路与分工这三个词是 Agent 里被混用得最频繁的。很多人觉得它们差不多其实对应的是三个完全不同的层次。︱ToolAgent 的手Tool 是最基础的一层指的是 Agent 能伸手够到的外部能力。常见的 Tool 包括搜索引擎、各种 API、数据库查询、文件系统操作、代码解释器、浏览器控制、计算器、图像生成工具。Tool 有几个特点通常是单次调用输入和输出比较明确模型只负责表达我要用这个工具的意图真正执行这个调用的是 Harness。所以Tool 是 Agent 的手——模型说想伸手Harness 负责把手真正伸出去。︱SkillAgent 的套路Skill 不是一个单独的动作而是一套围绕某类任务沉淀下来的方法。举几个例子排查一个 bug、做一次数据清洗、写一份市场调研摘要、生成竞品分析、完成一次代码审查。这些都不是一次工具调用能完成的事情它们需要一组步骤、一套判断标准、特定的工具组合、经验积累下来的处理模式以及相对固定的输出模板。Skill 是可以复用的。同样的任务类型有了对应的 SkillAgent 不需要每次都从零开始思考怎么做。所以Skill 是 Agent 的套路——遇到这类任务按照这套路子走。︱Sub-agent独立完成子任务的执行单元Sub-agent 比 Skill 又更进一步。它不是一套方法而是另一个可以独立运作的 Agent。它能做什么自己理解分配给它的子任务自己规划步骤自己调用工具自己处理中间结果最后把结果返回给主 Agent。一个典型的场景主 Agent 要完成一份行业分析报告。它把任务拆开分别交给资料收集 Sub-agent、数据整理 Sub-agent、观点提炼 Sub-agent、初稿写作 Sub-agent、审校优化 Sub-agent。每个 Sub-agent 独立运行最后把结果汇给主 Agent 整合。三者的关系可以这样理解六、Rules 与 Hooks边界、插槽与可治理性Agent 能执行任务还能调用工具听起来已经很强了。但实际部署中一个没有约束、不可干预的 Agent反而是危险的。这里就要说到两个很实用的概念Rules 和 Hooks。︱Rules给 Agent 划清行为边界Rules 是 Agent 必须遵守的显式规则。哪些工具可以调用哪些不行哪些内容绝对不能出现在输出里哪些操作必须先得到用户确认才能执行遇到不确定的信息时应该怎么处理任务失败的时候是静默放弃还是允许重试。这些都是 Rules 在约束的范围。Rules 的价值在于它让 Agent 的行为变得可预期。没有 Rules 的 Agent在测试环境里可能表现很好一到生产环境就会出各种意料之外的事情。有了 Rules就有了安全边界有了业务流程的一致性有了出问题时可以追溯的依据。︱Hooks在关键节点插入额外逻辑如果说 Rules 是规定 Agent 应该怎么做那么 Hooks 就是在执行过程中允许你在关键位置插入额外的处理逻辑。Hooks 通常挂在这些节点上模型调用前、模型调用后、工具调用前、工具调用后、上下文更新前、最终输出前、异常发生的时候。在这些节点上可以做很多事情日志记录、权限校验、内容审核、成本统计、调用限流、对工具返回结果做清洗、触发失败重试、发起人工确认、对结果做自动评估……Hooks 让 Agent 系统变得可观测、可干预、可扩展。想在某个环节加一道权限检查加一个 Hook。想统计某类工具调用的成本加一个 Hook。想在输出前做一次内容过滤还是加 Hook。所以Rules 让 Agent 有边界Hooks 让 Agent 可扩展、可监管、可工程化。这两个概念合在一起构成了 Agent 系统里的治理层——决定了一个 Agent 能不能真正安全、稳定地跑在生产环境里。七、训练 Agent 的人在讲什么Environment、Rollout、Reward、Trainer前面讲的概念主要和搭建一个 Agent有关。如果你还关注如何让 Agent 越来越强就会遇到另外一套词汇来自强化学习的传统Environment、Rollout、Reward、Trainer。这部分可以先跳过等需要的时候再回来。︱EnvironmentAgent 和世界交互的地方Environment 是 Agent 执行动作、观察结果的场所。它可以是浏览器、文件系统、代码仓库、数据库、游戏环境、模拟的任务空间或者企业内部的业务系统。Agent 在环境里采取行动环境返回新的状态和结果。︱Rollout一次完整任务执行的记录Rollout 是 Agent 从任务开始到结束的完整轨迹包括看到了什么上下文做了哪些决策调用了哪些工具每一步拿到了什么结果最终有没有完成任务。你可以把 Rollout 理解成一段录像——把 Agent 这次的表现完整记下来用于后续分析和训练。︱Reward对这次执行结果的评价Reward 是对 Rollout 的打分。它告诉系统这次做得好不好哪里做对了哪里做错了。Reward 的来源可以有很多种测试用例是否通过、人工对结果的偏好评估、基于规则的自动评分、用户满意度、任务完成率……︱Trainer利用反馈让 Agent 越来越强Trainer 的工作是收集大量的 Rollout根据对应的 Reward 判断哪些行为好、哪些行为差然后更新模型权重或策略让 Agent 在反复试错中逐步变强。搭建 Agent 关注能不能跑训练 Agent 关注能不能越跑越好。两件事都重要但不是同一件事。八、把所有概念串在一起梳理到这里可以用一张结构图把所有概念的位置关系整理出来这张图不一定要背下来但可以在脑子里建立一个大致的空间感Model 在中心Harness 驱动执行Context Engineering 管信息Rules 和 Hooks 管治理Tool/Skill/Sub-agent 是执行的三个层次Policy 是表现出来的行为方式。九、最后说一句从模型思维到系统思维很多人第一次接触 Agent会把它理解成一个更强的模型或者一个能调用工具的聊天机器人。这种理解没有大错但会带来一个问题用模型思维去判断一个 Agent 够不够好。Agent 够不够好不完全取决于用了什么模型更取决于系统整体的设计。Context Engineering 做得好不好Harness 稳不稳Rules 是否合理Hooks 有没有覆盖关键节点Skill 有没有沉淀——这些加在一起才决定了一个 Agent 能不能真正可靠地把一个目标推进到完成。把模型思维换成系统思维之后再去看各种 Agent 产品和 Agent 框架会看到很多之前看不见的东西。AI Agent 的核心不是让模型一次性回答得更好而是让模型在工具、规则和工程系统的支撑下把一个目标持续推进到完成。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】