一篇文章讲清楚 AI Agent 的核心概念：从 Model、Tool、Skill 到 Harness 工程

📌 一句话摘要

本文基于 Hugging Face 官方术语表，系统梳理 AI Agent 的核心概念，清晰区分 Model、Tool、Skill、Sub-agent、Scaffolding、Harness 等易混淆术语，帮助读者建立对 Agent 系统的整体认知。

📝 详细摘要

文章以 Hugging Face 发布的 AI Agent 术语表为蓝本，从最核心的认知——「Agent 不是一个模型，而是一个以大模型为核心、能调用工具、接收反馈并持续完成任务的系统」——出发，逐层拆解 Agent 生态中的关键概念。首先明确 Model 与 Agent 的关系：Model 是核心但非全部，Agent 需要 Scaffolding（管「怎么想」）和 Harness（管「怎么跑」）来驱动执行循环。接着深入 Context Engineering（管理模型每一步看到的信息）与 Policy（定义行为方式）的区别，以及 Tool（具体动作）、Skill（可复用方法）、Sub-agent（独立子任务 Agent）三者的层次差异。最后补充训练阶段涉及的 Environment、Rollout、Reward、Trainer 等概念，完整覆盖了从构建、部署到训练 Agent 的全链路术语体系。文章结构清晰、比喻恰当，适合希望系统理解 Agent 概念的读者。

💡 主要观点

- AI Agent 是一个系统，而非一个模型。 Agent 以大模型为核心，但还需要工具调用、执行循环、反馈机制等外部组件才能持续完成任务，与普通聊天模型的「一问一答」有本质区别。

Scaffolding 管「怎么想」，Harness 管「怎么跑」。 Scaffolding 负责 Agent 的推理与决策逻辑（如思考链、任务分解），Harness 负责执行环境与工具调用（如路由 API、管理上下文），两者共同构成 Agent 的运行框架。

Context Engineering 与 Policy 分别管理输入与行为。 Context Engineering 决定模型在每一步看到哪些信息（系统提示、工具说明、历史记录等），Policy 则定义模型基于这些信息如何选择动作，两者共同影响 Agent 的决策质量。

Tool、Skill、Sub-agent 对应不同抽象层次。 Tool 是单个动作（如调用 API），Skill 是围绕目标的可复用方法（如排查 Bug），Sub-agent 是能独立完成子任务的完整 Agent，三者层次递进，不应混用。

训练 Agent 需要 Environment、Rollout、Reward、Trainer 的闭环。 Agent 在环境中执行完整任务（Rollout），根据结果获得 Reward 反馈，Trainer 利用大量 Rollout-Reward 数据更新模型，使 Agent 在反复试错中持续优化策略。

💬 文章金句

- 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。

• Scaffolding 管「怎么想」，Harness 管「怎么跑」。
• Tool 更像 Agent 的「手」，Skill 更像 Agent 的「套路」，Sub-agent 则是另一个可以自己思考、自己调用工具、独立处理子任务的 Agent。

📊 文章信息

AI 初评：86

来源：Datawhale

作者：Datawhale

分类：人工智能

语言：中文

阅读时间：10 分钟

字数：2490

标签： AI Agent, LLM, Tool Use, Agent 框架, Hugging Face

阅读完整文章