AI Agent生态名词详解：Agent到Harness

背景

当前 AI 领域尤其大模型及其应用生态中，涌现了大量术语，如 agent、MCP、tools、plugin、prompt、workflow、hook、skill、harness、memory/context 等。这些概念常被混用或误解，给开发者和用户的交流带来障碍。LINUX DO 论坛上，一位用户发帖试图梳理这些名词的含义，并邀请社区指正；后续多位参与者补充了更精确的定义和层级关系。本文基于该帖内容，整理出一份完整、可独立阅读的深度解读。

核心内容

原文及后续讨论围绕以下概念展开：

1. Agent（智能体）

Agent 是“智能体”，但并非简单等同于 AI 或大模型。AI（Artificial Intelligence）是计算机科学分支，研究模拟、延伸人类智能的理论与技术；大模型（如 LLM、VLM、MLLM）是 AI 的具体技术产品。Agent 则是配置了 instructions（指令）、tools（工具）以及可选运行行为 的 LLM。它能够根据任务目标，自主决定是否调用工具、如何规划步骤，动态决定执行路径。

2. MCP（Model Context Protocol）

MCP 是 AI 应用的上下文协议，用于定义外部服务器如何向 AI 提供 resources、prompts 和 tools。MCP Server 可以暴露这些能力，使不同 AI 应用和不同外部系统之间无需重复开发私有接口，实现标准化交互。MCP Tool 是通过 MCP 协议暴露的工具。

3. Tools（工具）

Tools 泛指一类可供 AI 调用的外部能力。它们不一定要遵循 MCP 协议，但 MCP 是当前主流的标准化方式。Tools 帮助 AI 获取外部信息或执行操作，如查询数据库、调用 API。

4. Plugin（插件）

Plugin 是扩展包，并非 AI 独有（浏览器、应用都有插件）。一个 Plugin 可以包含多个 components，如 skills、agents、hooks、MCP servers 等。Plugin 是“打包和分发能力”的方式。

5. Prompt（提示词）

Prompt 是给模型的指令。由于大模型本质上是统计学模型（通过大量数据训练出的神经网络，无主观意识），它要在海量知识中预测下一个 token，难度极大。通过设定角色、任务范围、目标，可以缩小模型预测范围，降低幻觉。Prompt Engineering 就是编写有效指令，让模型更稳定地输出符合要求的内容。

6. Workflow（工作流）

Workflow 是预先设计好的工作流程，步骤固定、路径清晰、可控性强。例如：先读订单 → 判断退款规则 → 调用退款接口 → 发送通知。Workflow 可以包含大模型，也可以不包含。与 Agent 的区别在于：Workflow 的路径主要由人或程序提前编写；Agent 的路径由模型根据目标和中间结果动态决定。

7. Hook（钩子）

Hook 是程序中的触发器，在特定条件或特殊判断发生时执行。它像“钩子”一样挂在工作流上，当满足条件时触发相应逻辑，保证流程的稳定与顺畅。

8. Skill（技能）

Skill 是可复用的能力包，可以是一个 Markdown 说明文档，也可以包含文档、小程序、模板等。目标是为大模型提供清晰的指令，使其按文档说明执行任务。Anthropic 官方将 Skill 描述为模块化能力包，包含 instructions、metadata 和可选资源（如 scripts、templates），模型会在相关任务中自动使用。

9. Harness（工作台 / 执行外壳）

Harness 是一个运行框架或工作台，上面集成了 plugin、tools、prompt、workflow、hook、skill 以及设定好的 agent。用户可以自由搭配，按需组装。

10. Memory 与 Context（记忆与上下文）

• Context：当前任务或对话中临时放入的信息，包括用户问题、系统指令、聊天历史、检索文档、工具返回结果等。模型在本次推理中只能看到 Context 中的内容。
• Memory：跨会话保存、未来可被检索的信息，如用户偏好、项目背景、历史决策等。Memory 不是模型参数本身发生变化，而是系统将历史信息保存下来，在需要时重新塞回 Context。

Token 与参数补充

原文中解释了 Token 相关概念：文本被切分成 token（词元），映射为 token ID 后进入模型，转换为向量表示（embedding），送入 Transformer 网络计算。参数量是模型内部训练出的权重数量，与输入 token 数不同。Context window 是一次输入/输出能处理的 token 上限。

关键要点

• Agent：LLM 配置了指令、工具和运行行为，能动态决定执行路径。
• MCP：标准化协议，让 AI 应用通过统一接口调用外部资源、提示和工具。
• Tools：AI 可调用的外部能力，可基于 MCP 或其他协议。
• Plugin：可安装扩展包，可包含 skills、agents、hooks、MCP servers 等。
• Prompt：给模型的指令，通过设定角色、任务、目标来缩小预测范围，降低幻觉。
• Workflow：预设的固定流程，路径清晰，可控性强，可与 Agent 互补。
• Hook：生命周期触发器，在特定条件时执行。
• Skill：模块化能力包，包含 instructions、metadata 和可选资源，供模型复用。
• Harness：运行框架/工作台，集成各组件供自由组合。
• Context：当前任务临时可见的信息。
• Memory：跨会话保存、可检索的历史信息。
• Token & 参数：文本被切分为 token，映射为数字后经 Transformer 处理；参数量是模型权重数，与输入 token 数不同。

意义与影响

该帖子系统梳理了 AI 应用生态中的高频术语，帮助开发者、产品经理、普通用户厘清概念边界，避免因术语混淆导致沟通成本。例如，区分 Workflow（固定流程）与 Agent（动态决策）有助于正确设计系统架构；明确 MCP 作为标准化协议，可推动不同平台间工具互操作；理解 Memory 与 Context 的差异，有助于构建更合理的对话记忆系统。同时，帖子也澄清了“大模型具备智慧”的常见误解，强调其统计本质，促进对 Prompt Engineering 和幻觉控制等实践的正确理解。整体而言，这种社区驱动的知识梳理对 AI 领域的知识传播和工程实践具有积极意义。