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。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。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。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。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️最佳学习路线只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事02适学人群应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】
