Agent 术语别再混着用了：Model、Scaffold、Harness 到底怎么分？

原文：Harness, Scaffold, and the AI Agent Terms Worth Getting Right

大家好，我是唐斩，第149天第170篇分享 今天分享一篇 Hugging Face 的 Agent 术语梳理文章。

这篇文章发布时间是 2026 年 5 月 25 日，标题是《Harness, Scaffold, and the AI Agent Terms Worth Getting Right》。它不是一篇产品发布，也不是一篇教程，而是试图把 Agent 领域里一堆经常被混着用的词讲清楚。

比如 Model、Scaffolding、Harness、Agent、Context Engineering、Policy、Tool Use、Skills、Sub-agents，还有训练侧的 RL Environment、Trainer、Rollout、Reward。

如果只看标题，可能会觉得这是术语表，比较枯燥。

但我觉得这篇文章很值得技术人看，原因不是记单词，而是它说明了一个变化：

Agent 开发正在从“会调模型”进入“会设计系统”的阶段。

过去大家讨论 AI 应用，常常只问模型强不强、prompt 怎么写、工具怎么接。

现在真正复杂的问题是：模型外面那一整套东西怎么设计？上下文怎么组织？工具怎么调用？什么时候停？失败怎么处理？记忆怎么保存？子任务怎么拆？这些才是 Agent 工程的重点。

1、Agent 不是模型本身

文章里最重要的一个区分是：Model 不是 Agent。

Model 就是 LLM，本质是输入文本、输出文本。比如 Claude、Qwen、GPT、Kimi、DeepSeek。

模型自己没有跨调用记忆，也不会自己循环执行任务。它可以表达“我想调用工具”，但真正执行工具、拿回结果、继续下一轮的，不是模型自己，而是外层系统。

所以，一个 Agent 更准确地看，是：

Agent = Model + Scaffold + Harness

当然，不同社区会有不同说法，比如很多人会说 Agent = Model + Harness。这里的重点不是争定义，而是要知道：模型只是 Agent 的一部分。

这对程序员很重要。

因为我们现在用 Claude Code、Codex、Cursor、Antigravity CLI 的时候，实际体验不只取决于底层模型，也取决于它外面的 harness 怎么设计。

同一个模型，被不同产品包起来，体验可能完全不同。

反过来，同一个 harness 换一个更强模型，体验也会变化。

所以以后评价 AI 编程工具，不能只说“它用了什么模型”。还要看它的上下文管理、工具调用、任务循环、错误处理、停止条件和产品交互。

2、Scaffold 和 Harness 不要混着用

这篇文章专门解释了 Scaffold 和 Harness 的区别。

我的理解是：

Scaffold 是行为定义层，Harness 是执行控制层。

Scaffold 主要包括：

• system prompt
• tool descriptions
• 模型输出格式
• 上下文管理
• 记忆怎么放进去
• 模型每一步看到什么

它决定模型“以什么身份、看什么信息、按什么格式做事”。

Harness 则是让 Agent 跑起来的执行层，主要负责：

• 调用模型
• 接收工具调用
• 真正执行工具
• 把工具结果塞回上下文
• 决定是否继续
• 处理错误和重试
• 加上 guardrails

一个简单类比：

Scaffold 像是给员工的工作说明书和材料包。

Harness 像是项目经理和流程引擎，负责推进、调度、检查、停止。

文章也提到，很多产品会把这一整套都叫 harness，比如 Claude Code 文档里就说自己是 Claude 外面的 agentic harness。

这没问题。实际产品里，Scaffold 和 Harness 常常是打包在一起的。

但如果我们要做 Agent 系统设计，最好拆开理解。不然问题会混在一起。

模型输出乱，是 scaffold 问题？ 工具执行错，是 harness 问题？ 上下文丢了，是 context engineering 问题？ 任务停不下来，是 stop condition 问题？

拆清楚以后，才知道该改哪里。

3、上下文工程不是写一个 prompt

文章对 Context Engineering 的定义也很实用：

它不是一次性写好 prompt，而是设计 Agent 每一步上下文窗口里应该放什么。

包括：

• system prompt
• tool descriptions
• 对话历史
• 工具结果
• 检索出来的知识
• 短期记忆
• 长期记忆

重点是，这不是静态的。

Agent 每运行一步，上一轮的输出、工具结果、错误信息、用户补充，都会影响下一步应该看到什么。

所以真正的上下文工程，是 harness 在运行过程中持续管理上下文。

这里也能解释为什么很多 AI 编程工具看起来都是“问模型”，但实际体验差很多。

有的工具只会把一堆文件塞进去，模型窗口很快乱掉。

有的工具知道什么时候读文件、什么时候压缩历史、什么时候保留关键决策、什么时候重新检索。

差距就在这里。

我觉得这也是程序员做 AI 应用必须补的一课。过去我们做后端，会设计数据库、缓存、队列、日志。现在做 Agent，要设计上下文结构、短期记忆、长期记忆、工具返回内容和压缩策略。

上下文不是越多越好，而是在正确时间给模型正确材料。

4、Tool、Skill、Sub-agent 是三种不同能力

这篇文章里还有一个我很关注的点：Tool、Skill、Sub-agent 的边界。

这几个词在不同框架里经常混着用，但按工程实现来看，确实应该区分。

Tool 是一个动作。

比如调用 API、读文件、执行命令、查数据库、搜索网页。

它更像函数调用。

Skill 是一套可复用的任务知识包。

比如“调查这个 bug 并形成修复方案”“把这篇文章转成我的写作风格”“生成一份可发布的 PPT”。

Skill 不是单个动作，而是把流程、规则、经验、模板打包起来，让 Agent 下次不用重新学习。

Sub-agent 是能独立推理的代理。

它拿到一个子任务，可以自己分析、使用工具、继续拆任务，最后返回结果。它不是函数，也不是说明书，而是一个具备独立执行能力的小 Agent。

这三个东西在实践中的区别很关键。

如果只是查一个接口，用 tool。

如果是重复流程，用 skill。

如果是需要独立判断、调研、执行和汇总的复杂子任务，用 sub-agent。

我之前做写作系统时，其实就是把“从一篇文章到唐斩风格分享”的流程做成了 Skill。它不只是一个 prompt，而是一套工作流：抓取、结构化、判断、选题、成文、质检。

这就是 Skill 的价值。

5、训练侧术语，普通开发者先理解边界

文章最后讲了一组训练侧术语：

• RL Environment
• Trainer
• Rollout
• Reward

如果你不是做模型训练的，可以不用一上来就深挖，但要理解它们和部署侧 Agent 的区别。

部署时，我们更关心 Agent 能不能完成任务。

训练时，系统会让 Agent 跑很多任务，把每次完整运行记录下来，也就是 rollout。然后根据 reward 评分，再由 trainer 更新模型权重。

Environment 就是 Agent 交互的环境，可以是文件系统、浏览器、代码仓库、游戏环境，也可以是一个可验证任务集合。

Reward 是学习信号，可以是测试是否通过，也可以是人工偏好、LLM-as-judge，或者一组 rubric。

这部分对 AI 编程也有启发。

我们现在用 Codex、Claude Code 跑任务时，本质上也在构造一个“环境”和“验证信号”。

比如：

• 测试通过就是 reward
• lint 通过就是 reward
• bug 复现被修掉就是 reward
• E2E 流程跑通就是 reward

虽然我们没有训练模型权重，但我们在训练自己的工作流。

6、对程序员的启发

总结一下，我觉得这篇文章最有价值的地方，不是给大家背术语，而是帮我们把 Agent 工程拆清楚。

以后看一个 AI 编程工具，不要只问：

这个模型强不强？

还要问：

• 它的 harness 怎么设计？
• 它怎么管理上下文？
• 它怎么执行工具？
• 它什么时候停止？
• 它怎么处理错误？
• 它有没有长期记忆？
• 它能不能沉淀 skill？
• 它能不能调用 sub-agent？
• 它有没有可验证的 reward 信号？

这些问题，比“prompt 怎么写”更接近真正的 Agent 工程。

我的观点是，未来程序员要补三层能力。

第一层，继续理解模型能力。知道不同模型的边界和适用场景。

第二层，学习 Harness Engineering。知道怎么让模型和工具、上下文、循环、验证器组成一个可靠系统。

第三层，沉淀自己的 Skill 和工作流。把自己重复做的事情固化下来，让 Agent 越用越像自己的外脑和团队。

短期看，这些术语只是讨论 AI Agent 的共同语言。

长期看，它们会变成 Agent 工程的基础概念。

就像以前后端工程师必须理解数据库、缓存、消息队列、事务、监控一样，未来 AI 工程师也要理解 model、scaffold、harness、context、tool、skill、sub-agent、reward。

不会这些词，不一定不能用 AI。

但想把 AI 用到生产力工具和真实业务里，迟早要把它们搞清楚。

原文地址：https://huggingface.co/blog/agent-glossary

我是唐斩，AI知识库专家。