简介：本文系统梳理AI Agent体系中的六大核心概念——Model、Tool、Skill、Rules、Hooks与Harness，分别阐述每个组件的定位、职责与相互协作关系。通过对比不同概念之间的边界与联系，帮助读者建立清晰的认知框架，理解Agent从“单次问答”到“持续任务执行系统”的本质跃迁，避免因术语混用而造成的理解偏差。适合技术决策者、AI应用开发者及架构师阅读。
当前行业中对“Agent”一词的使用存在显著分歧：有人认为“会调用工具的大模型”就是Agent，有人将“驱动模型执行任务的整套系统”称为Agent，还有人把“负责任的子任务模块”命名为Agent。这些用法各有道理，但描述的却是完全不同的对象。对于刚接触这一领域的技术人员而言，阅读大量资料后往往反而更加困惑——问题并非资料稀缺，而是术语体系尚未对齐。
本文的目标，是将AI Agent涉及的核心概念——Model、Tool、Skill、Rules、Hooks、Harness——逐一拆解，明确每个词的定义边界，梳理它们之间的协作关系，最终给出一个能够统摄全局的理解框架。
在展开组件分析之前，必须先确立一个关键认知：AI Agent是一个以大模型为核心、能够调用工具、接收环境反馈，并持续完成任务的系统。 这句话的要点不在于“大模型”或“调用工具”，而在于“持续完成任务”。
传统聊天模型的工作方式是“一问一答”：用户输入问题，模型输出回答，交互即告结束。Agent则完全不同：当你给它一个目标，比如“收集某行业近三个月的动态并整理成摘要”，它不会直接生成一段文字，而是开始分步执行——先决定搜索策略，再检索信息，阅读结果，判断信息缺口，补充搜索，循环往复，直至任务真正完成。这种“目标驱动、分步推进、持续迭代”的工作模式，是Agent与传统模型最本质的区别。
Model是Agent系统的“大脑”，负责语言理解、逻辑推理、规划决策和内容生成。它解决的是“下一步该做什么、怎样做”的问题。
在Agent体系内，模型的重要性毋庸置疑，但它只是整个系统的一个组件。模型本身不具备操作外部世界的能力：无法读取本地文件、无法调用API、无法感知环境变化。它只能基于输入信息生成输出。因此，模型能力决定了Agent的天花板——如果模型规划能力弱，Agent在处理复杂多步任务时会频繁出错；但即使模型足够强大，如果没有其他组件的配合，Agent也无法完成真正的工作。
Tool是Agent与外部环境交互的通道，包括API调用、数据库查询、代码执行、文件读写、网页访问等。工具的存在，让Agent从“只能说话”进化为“能够行动”。
一个典型的工具调用流程是：Agent根据任务需求生成工具调用指令（如“搜索关键词X”），工具执行后返回结果，Agent再将结果纳入上下文进行下一步推理。工具的丰富程度直接决定Agent能处理的任务范围。但需要注意的是，工具本身是“被动”的——它需要Agent来决定何时调用、调用哪个、如何解读结果。工具设计的关键在于接口的标准化、返回结果的清晰度以及错误处理的健壮性。
Skill是对一组相关操作的高层次封装，它比单个工具具备更强的业务语义。例如，“市场调研技能”可能包含搜索、网页内容抓取、数据整理、摘要生成等多个步骤，这些步骤被编排为一个完整的技能单元。
Skill的价值在于复用性和模块化：同一个Skill可以在不同任务中被反复调用，同时也可以组合多个Skill来应对更复杂的场景。站在工程视角，Skill类似于微服务架构中的服务封装——对外暴露统一接口，对内管理复杂的执行逻辑。良好的Skill设计需要明确定义输入参数、输出格式和执行边界，并为之匹配恰当的触发条件，避免Agent在技能选择上犹豫不决。
Rules是Agent系统中最“刚性”的部分，它规定了Agent行为的边界和底线，包括安全限制、合规要求、业务逻辑和权限控制。例如，“不得输出个人隐私信息”“所有工具调用前需获得授权”“涉及金额操作需人工复核”等。
Rules与模型的“提示词级约束”有本质区别。提示词约束是概率性的——模型可能遵循，也可能在复杂场景下忽略；而Rules通常是系统级的硬性执行——要么在代码层面强制校验，要么在工具调用的前置/后置钩子中实施拦截。Rules是Agent在生产环境中可靠运行的保障，也是不同企业Agent能力差异的重要来源。
Hooks是Agent执行流程中的事件回调机制，允许开发者在特定节点注入自定义逻辑。常见挂钩点包括：任务开始前、工具调用前、工具返回后、模型输出后、最终回复前等。
Hooks的主要价值体现在三个方面：观测（在关键节点记录日志和状态）、干预（在工具调用前进行额外校验）、增强（在模型输出后追加格式化或内容过滤）。Hooks让Agent系统具备高度可定制性——不同开发者可以在不改动Agent核心逻辑的情况下，通过Hooks实现差异化的流程控制。
Harness是承载整个Agent运行时的骨架，它负责组织上述所有组件的协作逻辑。具体职责包括：
Harness决定了Agent的“性格”：同一个模型和同一组工具，在不同的Harness架构下，可能呈现出完全不同的行为模式。例如，有些Harness设计为“单步决策循环”，Agent每步只执行一个动作；有些则支持“并行计划执行”，一次规划多个动作同时运行。Harness的选择需要综合考虑任务类型、延迟需求、成本和可控性等维度。
| 概念 | 核心定位 | 解决的问题 | 改动时机 | 灵活性 |
|---|---|---|---|---|
| Model | 推理引擎 | 理解与规划 | 模型升级/微调 | 低 |
| Tool | 外部能力接口 | 操作与获取信息 | 开发期 | 中 |
| Skill | 能力模块封装 | 复用复杂流程 | 设计期 | 中高 |
| Rules | 硬性约束 | 安全与合规 | 配置期 | 低 |
| Hooks | 流程扩展点 | 自定义干预 | 开发期 | 高 |
| Harness | 系统骨架 | 组件编排与运行 | 架构期 | 中 |
从变更灵活度来看，Model的可定制性最弱（通常只能通过提示词或微调进行有限调整），Hooks的灵活性最高（在流程任意节点都可介入），Rules则介于两者之间——它虽然可以配置，但修改Rules往往需要经过严格的评审流程。
从生命周期来看，Harness和Model属于“框架层”，一旦确定后不会频繁变更；Tool和Skill属于“能力层”，随业务发展逐步丰富；Rules和Hooks属于“策略层”，需要在运行过程中持续调优。
理解上述概念的意义，在于正确认知Agent的工作机制。一个完整Agent任务的执行路径大致如下：
在这条循环链路中，每个组件都有自己的职责边界：Model提供智能，Tool提供能力，Skill提供效率，Rules提供安全，Hooks提供灵活，Harness提供秩序。缺了任何一环，Agent都无法正常完成复杂任务。**
在实际构建Agent系统时，不同团队会因场景差异而做出不同选择：
AI Agent的核心理念可以浓缩为一句话：以大模型为引擎，以工具为手脚，以规则为边界，以编排为骨架，持续完成真实世界中的任务。
当理解了六个核心组件各自的定位和协作方式后，再去审视市面上的各类Agent产品、框架或学术论文，就能快速判断它们是在讨论模型能力的提升、工具生态的丰富、还是编排策略的优化。这种判断力，是从“被术语绕进去”到“用术语看透本质”的关键转折。希望本篇文章能帮助你在Agent技术演进的大潮中，建立稳固的认知坐标。