简介:本文从系统架构和任务执行流程出发,对 AI Agent 中的 Model、Tool、Skill、Rules、Hooks、Harness 六类核心概念进行拆解与对比,说明它们各自解决的问题、相互之间的关系、适用场景与使用边界,帮助开发者建立完整的 Agent 认知,并为系统设计、能力扩展和工程落地提供选型依据。
近年来,“AI Agent”被广泛用于描述不同类型的智能应用。有些系统只是在大模型输出前增加了工具调用能力,有些系统则能够自主拆解目标、执行多个步骤、根据反馈调整计划,并在完成任务后返回结果。
这些系统虽然都可能被称为 Agent,但其技术边界并不相同。为了避免概念混淆,本文重点比较六类常见组成要素:
可以将 Agent 抽象为:
Agent = Model + Tool + Skill + Rules + Hooks + Harness
这并不是一个严格固定的公式,而是一种架构分析方法。不同系统可能缺少其中某个模块,也可能将多个模块合并,但只要系统具备目标理解、任务规划、动作执行、结果观察和循环推进等能力,就已经超出了普通问答模型的范畴。
Model通常指大模型或其他具备语言理解、推理、规划、生成能力的基础模型。它主要负责以下工作:
例如,用户提出“分析一批业务数据并给出异常说明”,Model可能会判断:
但Model本身通常不能直接访问文件、执行代码或修改外部系统。它能够提出“应该做什么”,却不一定具备“真正做什么”的执行权限。
Tool是Agent可以调用的外部能力,通常以函数、接口或受控操作的形式存在。常见类型包括:
Tool的核心特点是:它能够改变系统状态,或者从外部环境获得Model原本无法直接获取的信息。
例如,Model可以判断“需要查询订单状态”,但只有在调用订单查询Tool后,系统才能取得真实结果。
| 对比维度 | Model | Tool |
|---|---|---|
| 主要职责 | 理解、推理、规划、生成 | 执行具体动作、访问外部资源 |
| 信息来源 | 上下文、训练知识、当前输入 | 数据库、文件、接口或运行环境 |
| 是否改变外部状态 | 通常不会直接改变 | 可能读取、写入或触发操作 |
| 输出形式 | 文本、结构化决策、调用意图 | 执行结果、错误信息、业务数据 |
| 主要风险 | 幻觉、错误判断、规划不合理 | 越权调用、参数错误、操作副作用 |
因此,“会调用工具的大模型”可以被视为Agent的一个组成形态,但仅仅增加工具调用并不代表系统已经具备完整的Agent能力。是否能够持续观察反馈、处理异常并推进任务,同样重要。
Tool通常粒度较小。例如:
它一般只负责完成一个清晰动作,并返回结果。
Skill是围绕某一类目标封装的可复用任务能力。它可以由多个Tool、提示模板、流程步骤和结果校验组成。
例如,“生成数据分析报告”这一Skill可能包含:
从实现角度看,Skill可以是:
如果某项能力只需要一次调用,适合设计成Tool;如果需要多个步骤、明确流程和质量校验,适合封装为Skill。
例如:
Skill的优点是降低上层Agent的规划复杂度,提高复用性和一致性。但Skill封装过度也会带来问题:流程不够灵活,难以适配特殊任务,调试时还可能难以定位具体失败步骤。
Rules是Agent必须遵守的规则,主要用于限制行为范围、规范输出格式和保障安全性。常见规则包括:
Rules通常具有较强的稳定性,是系统的行为边界。它回答的是:
Agent可以做什么、不能做什么,以及在什么条件下可以继续执行。
Rules既可以写在系统提示中,也可以由程序代码、权限系统、策略引擎和配置文件共同实现。对于安全要求较高的场景,关键规则不能只依赖模型自觉遵守,还需要在程序层进行强制校验。
Hooks是挂接在Agent执行生命周期中的事件点。它允许开发者在特定阶段插入额外逻辑,例如:
Hooks更像一种动态拦截和扩展机制。它不一定定义核心业务流程,但能够对流程进行观察、修改、阻断或补充。
例如,在Tool执行前,可以通过Hook:
在Tool执行后,可以通过Hook:
| 对比维度 | Rules | Hooks |
|---|---|---|
| 主要作用 | 规定行为边界 | 介入具体执行阶段 |
| 关注重点 | 能不能做、应该怎么做 | 什么时候检查、如何拦截 |
| 实现方式 | 策略、配置、提示、校验 | 生命周期回调、拦截器、中间件 |
| 稳定性 | 通常长期稳定 | 可按流程节点灵活扩展 |
| 典型用途 | 权限约束、输出规范、重试策略 | 审计、监控、脱敏、人工确认 |
两者并不是替代关系。Rules负责定义原则,Hooks负责在执行过程中落实原则。对于重要安全要求,通常应采用“规则声明+程序拦截”的双重方式。
Harness可以理解为Agent的运行外壳或控制框架。它负责把Model、Tool、Skill、Rules和Hooks组织起来,并驱动整个任务循环。
一个完整的Harness通常需要处理:
如果没有Harness,Model、Tool和Rules只是彼此独立的组件,无法稳定地形成一个可运行系统。
传统应用通常由程序员预先定义确定流程:
接收输入 → 执行步骤一 → 执行步骤二 → 返回结果
Agent系统则可能根据任务和中间结果动态决定下一步:
理解目标↓选择行动↓调用工具↓观察结果↓判断是否完成├─ 未完成:继续规划└─ 已完成:输出结果
Harness正是负责管理这条动态循环的组件。它既不是Model,也不是某个具体Tool,而是将智能决策与工程执行连接起来的控制层。
可以用一次“生成业务分析报告”的任务来理解:
这六者的关系可以概括为:
只使用Model的系统结构简单,但能力有限,适合问答、摘要和内容生成。
加入Tool后,系统具备外部执行能力,但需要处理参数校验、异常和权限问题。
进一步引入Skill、Rules、Hooks和Harness后,系统可维护性和工程稳定性提升,但架构复杂度也会增加,需要明确模块边界和责任归属。
Agent的性能不仅取决于Model响应速度,还受到以下因素影响:
如果Skill设计过于复杂,可能导致不必要的步骤;如果Harness缺少循环控制,可能出现重复调用或无限执行。因此,生产环境需要设置超时、最大步数、资源配额和失败降级机制。
Agent具备执行能力后,安全重点就从“内容安全”扩展到“动作安全”。应重点关注:
尤其不能把所有安全责任交给Model。模型可能理解错误,也可能受到恶意输入影响。权限和关键拦截应尽量在Harness、Tool网关或程序逻辑中实现。
Agent的成本通常由多部分组成:
简单问答系统开发成本较低,但复杂任务覆盖能力有限。完整Agent系统前期投入更高,却更适合处理重复性强、流程较复杂、需要连接多个系统的任务。
如果任务主要是文本理解、改写、摘要和问答,Model加少量Rules通常已经足够,不必过早引入复杂Harness。
如果需要访问数据库、文件或内部接口,应引入Tool,并配合权限控制、参数校验和执行日志。
对于审批、数据核验、报告生成等流程,可以将多个Tool封装为Skill,减少Model自由规划带来的不确定性。
如果Agent能够修改数据、发送通知或执行不可逆动作,应重点建设Rules、Hooks和人工确认机制,必要时采用“建议模式”而非“自动执行模式”。
当任务需要长时间运行、动态规划、并行处理或多个子任务协作时,应重点建设Harness,包括状态管理、任务恢复、超时控制和可观测性。
如果从普通聊天应用升级为Agent系统,建议分阶段进行:
迁移过程中,最常见的问题不是Model能力不足,而是接口契约不清晰、权限边界模糊、异常处理缺失和上下文管理混乱。
Model、Tool、Skill、Rules、Hooks和Harness并不是六个互相竞争的概念,而是Agent系统中不同层次的组成部分。
因此,判断一个系统是否真正具备Agent能力,不能只看它是否接入了大模型,也不能只看它是否支持工具调用,更要观察它是否能够围绕目标持续执行、处理反馈、遵守约束并在异常情况下安全退出。
在实际选型时,建议优先从任务复杂度、外部执行需求、风险等级、流程稳定性和团队运维能力出发,而不是盲目追求更多组件。简单任务应保持架构克制,复杂任务则需要通过分层设计建立可控、可观测、可演进的Agent系统。