agent-harness-scaffold-">AI Agent核心架构术语：Harness、Scaffold与关键概念全面解析

一、概念定义：什么是AI Agent的核心架构术语

在大语言模型（LLM）驱动的智能体（Agent）技术体系中，Harness（缰绳/执行层） 和 Scaffolding（脚手架/行为定义层） 是两个最容易被混淆却又至关重要的架构概念。

• Harness（缰绳）：指Agent内部的运行时执行层，负责调用模型、解析模型输出、管理工具调用、控制循环与终止条件，是驱动整个Agent系统运转的”引擎”。
• Scaffolding（脚手架）：指围绕模型构建的行为定义层，包括系统提示词、工具描述、输出格式规范、跨步骤记忆策略等，它决定了模型”如何看待世界、如何在其中行动”。

简而言之，Agent = Model（模型） + Harness（执行层），而Scaffolding则是Harness运作所依赖的行为规则与内容配置。理解三者的关系，是掌握Agent技术架构的第一步。

二、背景与价值：为什么这些概念容易混淆

大语言模型本身是一个”无状态的文本转换器”——它接收一段输入文本，生成一段输出文本，然后停止。它没有跨调用记忆，没有自主循环执行能力，也不能主动调用外部工具。

要让模型变成一个能自主规划、执行、反馈的Agent，就需要在模型外围搭建一套完整的支撑体系。然而，业界在描述这套体系时，往往将脚手架、执行层、工具集、运行时等不同层次的组件笼统地称为”Harness”或”框架”，导致开发者在阅读文档、交流方案时频繁产生误解。

百度智能云等云平台在提供AI Agent相关能力时，也强调开发者需要清晰理解各层职责，才能合理进行技术选型与架构设计。因此，从定义层面厘清这些术语，具有显著的工程实践价值。

三、核心组成：Agent架构的关键模块拆解

一个完整的AI Agent系统通常包含以下核心模块：

1. Model（模型层）

模型是整个系统的”大脑”，负责理解自然语言输入、进行推理、生成决策或输出。常见的大语言模型均可作为底座。需要强调的是，模型本身是静态的、无状态的，单独使用时只能完成”一问一答”式交互。

2. Scaffolding（脚手架层）

脚手架是模型工作所依据的全部”内容与规则”，具体包括：

• 系统提示词（System Prompt）：定义Agent的角色、目标、行为边界；
• 工具描述（Tool Definitions）：告诉模型有哪些可用工具、每个工具的功能与参数；
• 输出格式规范（Output Schema）：规定模型输出必须遵循的结构化格式（如JSON）；
• 记忆策略（Memory Strategy）：决定哪些历史信息需要保留、如何在多轮交互中传递上下文；
• 上下文工程（Context Engineering）：对输入上下文进行裁剪、压缩、重组，以适应模型的上下文窗口限制。

脚手架在训练和推理阶段都发挥作用。换一套脚手架，同一个模型的表现可能判若两人——这正是”提示词工程”和”上下文工程”被反复强调的原因。

3. Harness（执行层/缰绳）

Harness是让Agent”动起来”的执行引擎，其核心职责包括：

• 调用模型：向模型发送请求，获取响应；
• 解析输出：识别模型是否需要调用工具、是否需要继续推理、是否应终止；
• 执行工具调用：当模型决定调用某个工具时，Harness负责实际执行并将结果反馈给模型；
• 控制循环：管理多轮交互的停止条件（如达到最大步数、模型输出终止信号等）；
• 状态管理：维护Agent运行过程中的中间状态。

4. Policy（策略层）

Policy是Agent的决策逻辑，通常体现为一组规则或一个经过训练的策略模型，决定在给定状态下采取什么行动。在强化学习训练的Agent中，Policy通常就是被优化的核心对象。

5. Tool Use（工具使用）与Skills（技能）

• Tool Use：Agent调用外部函数或API的能力，如搜索、计算、数据库查询等；
• Skills：可复用的能力模块，通常封装了一组相关的工具调用与逻辑，类似于”功能包”。

6. Sub-agents（子智能体）

当任务复杂时，主Agent可以拆分出多个子Agent并行或串行处理子任务，每个子Agent拥有自己的Harness和Scaffolding配置。

7. 训练侧关键概念

在Agent的强化学习训练流程中，还有几个关键术语：

• RL Environment（强化学习环境）：提供状态、动作、奖励反馈的模拟环境；
• Trainer（训练器）：负责执行策略优化算法的组件；
• Rollout（展开/采样）：在当前策略下与环境交互、采集轨迹数据的过程；
• Reward（奖励）：对Agent行为进行评分的信号，是策略优化的依据。

四、工作原理：从静态模型到动态Agent的蜕变

以下用一个简化的伪代码流程说明Agent的运行机制：

# 简化的Agent运行循环
state = initial_context
while not terminated:
    # 1. Harness组装输入：模型输入 = 系统提示词 + 工具描述 + 历史记忆 + 当前状态
    model_input = scaffolding.assemble(state)
    # 2. Harness调用模型
    raw_output = model.generate(model_input)
    # 3. Harness解析输出
    parsed = scaffolding.parse(raw_output)
    if parsed.is_tool_call:
        # 4. Harness执行工具
        result = execute_tool(parsed.tool_name, parsed.arguments)
        # 5. 将结果加入上下文，更新状态
        state = update_context(state, result)
    elif parsed.is_final_answer:
        return parsed.answer
    else:
        # 继续推理
        state = update_context(state, raw_output)

从这个流程可以清晰看到：Scaffolding负责”组装输入”和”解析输出”的内容层面，Harness负责”调用、执行、循环控制”的运行层面。两者缺一不可，但职责边界分明。

五、Harness与Scaffold的核心区别

维度	Scaffolding（脚手架）	Harness（缰绳/执行层）
本质	行为定义与内容配置	运行时执行引擎
职责	告诉模型该做什么、怎么做、有什么工具	让模型真正被调用、让工具真正被执行
类比	剧本、道具、舞台布景	导演、舞台监督、执行团队
变更影响	改变模型的”认知与行为方式”	改变系统的”运转方式与流程控制”
绑定关系	可独立于具体模型运行时替换	通常与模型推理接口紧密耦合

在很多产品和文档中，脚手架和Harness被混为一谈，统称为”Harness”或”框架”。这种笼统说法在日常交流中可以接受，但在需要精细分析训练流水线、或需要独立替换某一层时，区分二者就变得至关重要。

此外，有些技术方案将Scaffolding的范畴进一步扩大，涵盖Harness所依赖的基础设施，如运行时钩子、配置文件、目录结构等。这种广义理解在工程实践中也有其合理性，但需要在团队内部统一语义。

六、典型应用场景

• 代码辅助开发场景：Agent需要理解代码库、调用编译和测试工具、多轮迭代修复，需要精心设计的Scaffolding（代码规范、工具描述）和稳健的Harness（循环控制、错误处理）；
• 企业知识库问答场景：需要RAG（检索增强生成）能力作为工具，Scaffolding需定义检索策略和回答格式，Harness需管理多轮检索与答案合成；
• 自动化运维场景：Agent调用监控、日志、部署等工具，Harness需确保操作安全和权限控制，Scaffolding需定义运维SOP；
• 强化学习训练场景：需要RL Environment提供交互环境，Trainer驱动Policy优化，Rollout采集数据，Reward引导方向，各组件协同工作。

七、使用注意事项

1. 选型时关注绑定程度：部分方案与特定模型深度绑定，可实现深度优化但灵活性受限；部分方案支持接入多种模型，用户有选择权但优化深度可能不足。百度智能云等平台在提供Agent能力时，通常支持灵活的模型接入与配置。
2. Scaffolding设计是核心竞争力：工具描述的质量、系统提示词的精妙程度、上下文工程的合理性，往往比模型本身更决定Agent的实际表现。
3. Harness的鲁棒性不可忽视：循环终止、异常处理、工具调用失败的回退策略，直接影响Agent在生产环境中的稳定性。
4. 安全与权限：工具调用涉及外部系统操作，必须在Harness层实现细粒度的权限控制与审计日志。
5. 性能与成本：多轮调用带来的Token消耗和延迟累积，需要在Scaffolding中通过上下文压缩、早期终止等策略加以控制。

八、总结

AI Agent的核心架构可以概括为：模型是静态的推理内核，Scaffolding是定义行为的规则与内容，Harness是驱动运转的执行引擎，三者协作才能让一个”只会一问一答”的语言模型变成一个能自主规划、执行、反馈的智能体。 准确理解Harness与Scaffold的区别，不仅有助于开发者在技术交流中避免歧义，更是进行Agent系统设计、训练流水线搭建和生产部署时的基础认知。在百度智能云等平台提供的AI开发能力支撑下，开发者可以更专注于业务逻辑与架构创新，而非被术语混乱所困扰。