一次搞懂AI Agent核心术语：模型、脚手架与执行器

agent-">一次搞懂AI Agent核心术语：模型、脚手架与执行器

在AI应用开发领域，Agent（智能体）已成为最炙手可热的方向之一。然而，围绕Agent的术语体系庞杂且常被混用——“Harness”“Scaffold”“Context Engineering”“Policy”等词汇频繁出现在技术文档与社区讨论中，令初学者甚至部分资深开发者感到困惑。本文旨在系统定义这些核心概念，厘清它们之间的逻辑关系，重点解释“Agent = 模型 + 执行器”这一核心公式，并深入剖析执行器与脚手架的差异——这是理解整个Agent架构的关键。

一、核心概念定义：Agent是什么？

从最简洁的技术视角看，Agent（智能体）是一个由“模型”与“执行器”共同组成的自主运行系统。模型提供推理与生成能力，执行器负责驱动模型、管理其运行循环、协调外部资源，使模型从“一问一答”的静态工具转变为能够完成多步骤任务的动态系统。

更具体地说：

• 技术视角：Agent是一个软件实体，它接收输入、调用模型进行推理、根据推理结果执行动作（如调用工具、读取文件、发起请求），并循环这一过程直至任务完成。
• 业务视角：Agent是一个可部署的自动化工作单元，能够替代人工完成特定业务场景下的复杂任务，如信息检索、数据分析、流程编排等。
• 使用视角：Agent是开发者通过配置模型、设定行为规则、提供工具集而构建的智能应用。不同配置决定了Agent的能力边界与行为特征。

二、背景与价值：为什么需要Agent？

大语言模型（LLM）本身的能力边界十分明确：它吃进文本、吐出文本，没有跨调用的记忆，也没有循环执行的能力。单独使用模型时，用户每次提问都是一次独立交互，模型无法自主规划步骤、无法调用外部工具、无法在多次调用之间保持状态。

Agent的诞生正是为了解决这一问题。它将模型从“被动的回答者”转变为“主动的执行者”，使得以下场景成为可能：

• 多步骤任务自动完成：模型可先生成计划，再逐步执行，并在执行过程中根据结果调整策略。
• 外部工具集成：Agent可调用搜索、数据库、API、计算器等外部工具，突破模型自身知识与时序的局限。
• 状态管理与上下文延续：执行器可维护跨多轮调用的记忆状态，使Agent能够处理更复杂的交互逻辑。

简而言之，Agent让LLM从“能说”进化到“能做”，而实现这一进化的关键，正是执行器与脚手架。

三、核心组成：模型、脚手架、执行器

1. 模型：静态的推理核心

模型（Model）是Agent中负责语言理解与生成的组件。它本质上是一个参数化的概率系统，根据输入文本预测最可能的输出文本。业界常见的模型包括各类开源与闭源的大语言模型，它们架构相近，差异主要体现在参数量、训练数据、对齐策略等方面。

关键特征：

• 无状态：模型本身不保留历史交互信息；
• 一次性输出：单次推理产生单次结果，不会自主决定“继续执行”或“再次调用自身”；
• 具备“意图表达”能力：模型可以在输出中声明希望调用某个工具，但无法真正执行该工具。

这些特征决定了模型必须依赖外部载体才能成为Agent的一部分。

2. 脚手架：围绕模型的行为定义层

脚手架（Scaffolding）是配置与约束模型行为的“范式框架”。它定义了：

• 模型如何被提示（Prompt模板、系统指令）；
• 模型输出如何被解析（识别工具调用意图、提取结构化字段）；
• 模型在何种条件下被再次调用（循环判断逻辑）；
• 任务目标的分解方式（如分步指令、子任务划分）。

脚手架可以理解为“剧本”——它规定模型在各类情境下该如何表现，但不负责具体执行。同一个模型可以套用不同脚手架，从而产生不同风格的Agent行为。例如，一个严谨的检索式脚手架会让模型先搜索再回答，而一个对话式脚手架则让模型优先基于自身知识回复。

3. 执行器：驱动Agent运行的机械载体

执行器（Harness）是Agent运行时的“发动机与传动系统”。它负责：

• 管理运行循环：不断将用户输入或中间结果送入模型，接收输出，判断是否需要继续；
• 执行工具调用：当模型表达调用工具的意图时，执行器实际调用对应的外部函数或服务，并将结果返回给模型；
• 维护状态：在多次模型调用之间保存上下文、中间变量、任务进度；
• 处理异常：如超时重试、错误恢复、任务终止条件判断。

执行器是“运行时环境”，它让模型从“静态文本生成器”变成了“动态决策执行体”。没有执行器，模型最多只能输出一段描述“我想做什么”的文字，而无法真正完成任何动作。

4. Agent = 模型 + 执行器：核心公式

将上述概念组合，便得到Agent的核心构成公式：

Agent = Model（模型） + Harness（执行器）

但需要注意的是，完整的Agent系统通常还需要脚手架的配置。更精确的表达是：

Agent = Model（模型） + Scaffolding（脚手架配置） + Harness（执行器）

其中，脚手架提供了“行为规则”，执行器提供了“运行能力”，模型提供了“智能核心”。三者缺一不可。

四、工作原理：从输入到任务的完整循环

一个典型Agent运行流程如下：

1. 接收输入：用户或上游系统向Agent提交任务请求。
2. 组装提示：执行器根据脚手架配置，将用户输入与系统指令、历史上下文、工具描述等组合成完整的提示文本。
3. 调用模型：执行器将提示发送给模型，获取生成结果。
4. 解析输出：执行器分析模型输出，判断其是“最终回答”还是“工具调用请求”。
5. 执行工具：若为工具调用请求，执行器调用相应外部工具，获取结果。
6. 回传结果：将工具执行结果追加到上下文中，再次触发模型推理。
7. 循环判断：重复步骤3-6，直到模型给出最终回答或满足终止条件。
8. 返回结果：将最终回答返回给用户。

这一循环机制使得Agent能够自主完成多步骤任务，而执行器的优劣直接决定了Agent的稳定性、效率与可扩展性。

五、关键术语延伸：上下文工程、策略、工具使用、技能与子代理

1. 上下文工程（Context Engineering）

上下文工程指系统性地设计、组织和管理提示中上下文内容的过程。它涵盖：

• 如何选择相关信息（知识检索、记忆筛选）；
• 如何压缩信息（摘要、截断）；
• 如何排列信息（指令前置、示例优先）；
• 如何避免上下文溢出（清窗策略、关键信息保存）。

上下文工程是Agent效果的主要决定因素之一——相同的模型与执行器，因上下文组织方式不同，其任务完成质量可能差异巨大。

2. 策略（Policy)

策略是对Agent行为规则的显式定义与约束，通常表现为一套可执行的规则或决策逻辑。策略可以规定：

• 哪些操作被允许（如禁止删除操作）；
• 哪些信息不可读取（如隐私字段）；
• 在何种条件下终止任务；
• 工具调用的优先级与频率限制。

策略常内嵌于脚手架的配置中，也可由外部系统动态下发。它负责在模型自由生成与业务合规要求之间建立边界。

3. 工具使用（Tool Use）

工具使用是Agent调用外部功能接口（如搜索、计算器、数据库查询、代码执行等）的能力。执行器通常维护一个“工具列表”，其中描述了每个工具的名称、参数、功能说明。模型在推理时，根据工具描述决定是否调用以及如何调用。工具使用能力是Agent从“聊天机器人”转化为“任务执行者”的关键跃迁。

4. 技能（Skills）

技能是对一组工具与相关提示逻辑的可复用封装。一个技能通常包含：

• 一组工具定义；
• 对应的调用提示模板；
• 处理返回结果的后处理脚本。

技能使得开发者可以将常见任务能力模块化，在多个Agent之间共享。例如，一个“检索技能”可以同时用于问答Agent和分析Agent。

5. 子代理（Sub-agents）

子代理是由主Agent动态调用的独立Agent。它拥有自己的模型配置、脚手架与执行器，可独立完成某一子任务。主代理负责任务分解与结果汇总，子代理负责专项执行。这种分层架构有助于处理超大规模任务，并可实现不同子代理使用不同模型或策略的灵活组合。

六、相关概念区别：执行器 vs 脚手架 vs 训练框架

执行器与脚手架的区别（核心辨析）

• 脚手架是“规定动作”：它定义模型“应该做什么、如何表现”，是静态的配置与提示层；
• 执行器是“实际执行”：它负责驱动模型跑起来、调用工具、管理循环，是动态的运行时层。

举个容易理解的例子：脚手架相当于“驾驶员的操作手册”，规定了何时加速、何时转弯；执行器则相当于“汽车发动机与转向系统”，实际执行这些指令。手册再好，没有机械系统无法行驶；机械系统再强，没有手册则容易失控。二者职责完全不同，但缺一不可。

执行器与训练框架的区别

在模型训练侧，还存在一套独立的术语体系：

• 强化学习环境：模拟Agent与外部世界交互的环境，用于训练Agent策略；
• 训练器：负责模型参数更新的学习算法与优化逻辑；
• 滚出采样：在环境中运行Agent策略以生成训练数据的过程；
• 奖励函数：评估Agent行为优劣的打分机制。

这些概念属于模型训练阶段，与推理侧的“执行器”“脚手架”处于不同生命周期。训练侧的强化学习环境可类比测试场，训练器可类比教练，滚出采样可类比练习赛，奖励函数可类比评分标准。理解两者的分野，有助于避免混淆“训练Agent”与“运行Agent”两个不同阶段的技术栈。

七、典型应用场景

基于前述架构，Agent在以下场景中具有典型应用价值：

• 智能问答与知识库检索：配置检索技能与对话脚手架，Agent可回答复杂问题并标注信息来源。
• 自动化运维与故障处理：Agent可调用监控接口、日志查询工具，自主排查并修复常见故障。
• 数据分析与报告生成：Agent可连接数据源、执行SQL、生成图表，并输出完整分析报告。
• 业务流程编排：Agent可协调多个内部系统API，替代人工执行跨系统的流程操作。
• 代码辅助与缺陷修复：Agent可调用代码仓库、测试框架，自动生成补丁并提交审查。

八、使用注意事项与选型建议

在开发与部署Agent时，需重点关注以下几点：

• 执行器的稳定性：运行循环中的异常处理、超时重试与错误恢复机制必须健壮，否则Agent将频繁卡死或失控。
• 脚手架的灵活性：应支持快速调整提示模板与工具描述，以适配不同业务场景。
• 上下文管理：长任务中务必设计上下文压缩与关键信息保留策略，避免模型因上下文过长而性能下降。
• 策略合规性：明确工具调用权限、数据访问边界与操作审计日志，满足安全与合规要求。
• 可观测性：需要记录模型调用、工具执行、决策路径等日志，便于问题回溯与效果优化。
• 成本控制：多轮调用会放大模型推理成本，需合理设计终止条件，避免无效循环。

九、总结

Agent的本质是“模型+执行器”，其中模型提供智能推理能力，执行器提供运行循环与工具调用能力。脚手架则作为行为定义层，为模型设定任务范式与行动准则。上下文工程、策略、工具使用、技能与子代理等概念，都是在围绕这一核心框架展开的功能增强与工程化手段。理解执行器与脚手架的区别——一个是驱动模型运转的机械系统，一个是定义模型行为规则的附着层——是构建可靠Agent的思维起点。

对于开发者而言，在开始编写Agent之前，先厘清这几个基础概念、明确每一层职责边界，将大幅降低设计与调试成本。Agent技术仍在快速演进，但其底层架构逻辑已经趋于清晰：智能来自模型，能力来自执行器，行为来自脚手架。掌握这一主线，便能从容应对后续不断涌现的新名词与新框架。