深入理解AI Agent架构：Harness与Scaffold核心术语解析

深入理解AI Agent架构：Harness与Scaffold核心术语解析

在当前的AI开发与工程实践中，“AI Agent”无疑是最受关注的技术范式。然而，随着讨论的深入，大量源自学术界与工程界的术语（如Scaffolding、Harness、Context Engineering等）被混用，导致开发者对Agent架构的理解产生偏差。要构建一个真正可用的智能体，仅仅拥有大语言模型是远远不够的。

本文将从技术定义出发，逐层拆解AI Agent的核心架构与相关术语，重点厘清Scaffolding（脚手架）与Harness（缰绳）的本质区别，并扩展至训练侧与工程侧的关键概念，帮助开发者建立清晰的Agent技术认知框架。

agent-">一、 概念定义：什么是AI Agent？

从工程视角的严谨定义来看，AI Agent = Model + Harness。

Model（模型）即大语言模型（LLM）本身，它是一个静态的、无状态的神经网络。它的核心能力是“接收文本输入，并预测输出文本”。无论是开源还是闭源的主流大模型，其底层逻辑都是基于概率的Token预测。模型自身不具备跨调用的持久记忆，没有自主循环执行的能力，也缺乏与外部世界交互的物理通道。它可以表达“我需要调用某个工具”的意图，但要真正执行这个动作，必须依赖外部驱动。

因此，单独的Model只是一问一答的引擎。当我们把Model包裹上Scaffolding（脚手架）和Harness（缰绳），使其具备感知、记忆、规划和执行能力时，它才真正演化为一个Agent。

二、 核心架构拆解：Scaffolding与Harness的边界

理解Agent架构的关键，在于深刻区分Scaffolding和Harness。这两个概念经常被混淆，但它们在工程实现中处于完全不同的层次。

1. Scaffolding（脚手架）：行为定义与逻辑框架层

Scaffolding是围绕模型构建的“行为定义层”。它类似于建筑工地的脚手架，为模型的输出提供结构化的约束和引导。Scaffolding定义了Agent“应该做什么”以及“以什么格式做”。

在技术实现上，Scaffolding通常表现为：

• 系统提示词工程：定义Agent的角色、目标和工作流。
• 输出结构约束：强制模型以特定格式（如JSON Schema）返回结果，以便下游程序解析。
• 思维链编排：要求模型按照“观察-思考-行动”的逻辑框架进行推理。

Scaffolding本质上是静态的规则与模板，它告诉模型如何扮演一个Agent，但不负责具体的执行。

2. Harness（缰绳）：运行时控制与驱动层

如果说Scaffolding是剧本，那么Harness就是导演和执行剧组。Harness是真正驱动Agent运转的运行时系统，它负责控制执行循环、管理状态并处理与外部环境的交互。

Harness的核心职责包括：

• 循环控制：实现“模型思考 -> 输出工具调用意图 -> Harness拦截并执行 -> 将结果喂回模型”的While循环。
• 状态与记忆管理：在多次调用之间维护上下文窗口，管理历史消息的裁剪与持久化。
• 工具执行引擎：接收模型输出的工具调用参数，在真实环境中执行代码、查询数据库或发起网络请求，并将执行结果转化为观测数据反馈给模型。

简而言之，Scaffolding决定了Agent的“逻辑结构”，而Harness提供了让这个结构动起来的“动力与控制系统”。

三、 工程侧关键术语解析

在构建Agent的过程中，除了Scaffolding和Harness，还有几个高频的工程概念需要厘清：

1. Context Engineering（上下文工程）

上下文工程是提示词工程的进阶阶段。在Agent多轮循环执行中，上下文窗口会迅速膨胀。上下工程关注如何动态管理这些信息，包括历史对话压缩、关键记忆向量检索、环境观测结果注入等，确保模型在每一步推理时都能获得最相关、最精简的信息。

2. Tool Use（工具使用）与 Skills（技能）

• Tool Use 是Agent与外界交互的接口机制，例如调用RESTful API、执行SQL查询或运行一段Python脚本。
• Skills 是更高维度的抽象。一个Skill可能由多个Tool组合而成，并附带特定的提示词逻辑。例如，“数据分析技能”可能包含读取文件、执行统计代码、生成图表等多个工具的编排。

3. Sub-agents（子智能体）

面对复杂任务时，单个Agent可能受限于上下文长度或专业能力。Sub-agents架构允许主Agent将任务分解，派发给专门负责特定领域的子Agent执行。这需要Harness具备多智能体通信与结果汇聚的能力。

4. Policy（策略）

在Agent语境下，Policy通常指模型在面对多种可能行动时的决策倾向。它可以通过系统提示词中的规则软性约束，也可以在模型微调阶段通过强化学习硬性植入。

四、 训练侧核心术语解析

Agent的强大不仅依赖于工程侧的Scaffolding和Harness，也依赖于模型本身是否具备良好的“Agent基因”。这就涉及训练侧的几个关键概念：

• RL Environment（强化学习环境）：用于训练Agent模型的沙箱环境。在这个环境中，模型可以尝试调用工具、执行代码，并获取真实的反馈结果。
• Rollout（轨迹展开）：指模型在RL环境中完整执行一次任务的过程，包括思考、调用工具、接收反馈、直到任务结束或失败。
• Reward（奖励信号）：环境对模型Rollout行为的评价。在Agent训练中，奖励不仅包括最终任务是否完成，还包括工具调用格式是否正确、中间步骤是否高效等。
• Trainer（训练器）：基于Reward信号，通过PPO等强化学习算法更新模型权重的系统组件。

通过在RL Environment中进行大量Rollout并获取Reward反馈，模型（Model）能够学会更准确地输出工具调用意图，从而大幅减轻Harness的解析压力。

五、 工作原理示意

为了更直观地理解上述组件如何协同工作，以下是一个简化的Agent运行循环伪代码：

# 1. 初始化Scaffolding (定义行为框架)
system_prompt = "你是一个数据分析助手，请按JSON格式输出行动指令。"
context = [system_prompt]
# 2. 启动Harness (运行时驱动)
while not task_completed:
    # Model: 接收当前上下文，输出文本意图
    model_output = llm.predict(context)
    # Harness: 拦截并解析意图
    if is_tool_call(model_output):
        tool_name, params = parse_tool_call(model_output)
        # Harness: 执行真实动作
        observation = execute_tool(tool_name, params)
        # Context Engineering: 将结果注入上下文
        context.append({"role": "assistant", "content": model_output})
        context.append({"role": "tool", "content": observation})
    else:
        # 任务完成或给出最终回答
        task_completed = True

六、 典型应用场景

1. 自动化运维排障：Agent通过日志服务接口拉取报错信息，利用代码执行技能分析异常模式，并调用运维平台API重启服务或扩容。Harness负责保障每一步操作的安全审计与循环控制。
2. 企业数据分析与报表生成：面对非结构化的业务提问，Agent通过Text2SQL技能查询数据库，利用Python环境绘制图表，并生成分析报告。其中Scaffolding约束了分析的维度与输出格式。

七、 使用注意事项

1. 状态与记忆管理：由于模型本身无状态，所有的上下文维护责任都在Harness。开发者需警惕上下文窗口溢出导致的“遗忘”问题，合理引入向量数据库等长期记忆方案。
2. 安全与权限隔离：Harness赋予模型执行代码和调用API的能力，这带来了极高的安全风险。必须实施严格的沙箱隔离机制，限制工具调用的权限边界，避免Agent越权操作企业核心资产。
3. 死循环与超时控制：模型在试图解决无解问题时可能陷入死循环。Harness必须配置最大迭代次数和超时熔断机制。

八、 总结

AI Agent并非玄学，其本质是Agent = Model + Harness架构的工程实践。Model提供了认知与推理的基础能力，Scaffolding定义了其行为的结构与规则，而Harness则是驱动这一切运转的核心引擎。理解这三者的边界，并辅以完善的上下文工程与RL训练机制，开发者才能构建出逻辑严密、运行稳定且安全可控的智能体应用。