AI Agent圈内人易混淆概念解析：Model、Scaffolding、Harness到底啥意思？

01***.***Model、Scaffolding和HarnessAgent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AgentModelScaffoldingHarness。不过在社区日常讨论中有一个更简化的说法AgentModelHarness。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。02***.***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AgentPolicy定义行为。03***.***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。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】