智东西6月3日报道，AI Agent圈子有个很尴尬的问题：大家在聊同一件事，用的却是不同的词；用同一个词，指的却是不同的东西。
ICLR 2026结束之后，Hugging Face工程师Aritra Roy Gosthipaty发了一条帖子，精准戳中了这个问题：“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。”
这个问题很快引起共鸣，Hugging Face的两位工程师Sergio Paniego和Aritra，联手发布了一篇博客，这是一份专门解读最容易被混用的那些概念的手册，我通读并编译了全文，把其中最核心的框架拎了出来。
一、Model、Scaffolding和Harness，Agent的三层骨架
先把三个最容易搞混的概念区分开：
Model，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。
Scaffolding，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。
Harness，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：Agent=Model+Scaffolding+Harness。
不过在社区日常讨论中，有一个更简化的说法：Agent=Model+Harness。Claude Code官方自己也说“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，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Orchestrator。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。
二、Context Engineering决定Agent看什么，Policy定义Agent的行为
Context Engineering（上下文工程）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，可以修改提示词然后重新开始即可。
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。
Policy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。
三、Tool、Skills、Sub-agent层层递进，以及训练Agent的四个关键词
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。
Tool Use是最底层。诸如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，返回结果进上下文，然后继续循环。
Skills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。
Sub-agent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。
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：
RL Environment，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。
Trainer，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。
Rollout，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，本质上就是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。
Reward，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
这篇文章不是什么颠覆性研究，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等等，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。
热门跟贴