夜雨聆风
Claude Code 源码泄露之后,我更想讲清楚:AI Agent 到底是怎么工作的
最近 Claude Code 源码泄露，这事在国内外都挺火热的。
很多人盯着泄露出来的隐藏功能研究。我更关心另一件事：它终于让我们有机会，从产品壳子里面看一个 AI Agent。
这也是我想写这篇文章的原因。
前面那篇关于 Harness Engineering，我讲的是：为什么 AI 不能只靠 prompt，而是需要一个能干活的工作台。这篇我想继续往前推一步，讲更具体的问题：当工作台真的搭起来之后，一个 AI Agent 到底是怎么工作的？
先说结论：Agent 不是更会聊，是一个会围绕目标持续推进任务的执行系统。
聊天机器人和 Agent，差别不在界面，在任务结构
如果只看表面，聊天机器人和 Agent 很像。你说一句，它回一句。很多人第一次用 Claude Code、Codex 这一类工具的时候，也会觉得：这不就是一个更强一点的聊天框吗？
但真正的差别，不在界面，在任务结构。
聊天机器人处理的是「这一轮你问了什么，结合之前的对话，我这一轮怎么答」。它的工作单位是单轮响应。哪怕上下文更长、语气更自然，本质上还是回答。
Agent 不一样。Agent 接到的不是一句话，而是一件事。
比如你让它读项目目录、找到关键文件、整理结构、改一个 bug、再把结果交回来。它必须先理解目标，再决定从哪开始，然后读文件、调工具、判断下一步、根据结果修正动作，直到把任务收住。
Chatbot 是在回答一个问题，Agent 是在接手一件任务。
这是理解这波 Agent 的第一道分水岭。
用 Claude Code 拆开看，Agent 的核心不是回答，是循环
Claude Code Unpacked 里有一个很有价值的地方：它把这类 Agent 的工作路径拆开了。你会看到，中间根本不是「收到输入，生成回复」这么简单。
它要经过用户输入、历史记录、系统提示、API 调用、工具判断、循环执行、结果渲染，然后再等待下一步。
翻译成人话，其实就一句：Agent 不是答一次，它是在一轮一轮往前推。
每一轮，它都在做四件事。
第一，理解现在的目标是什么。
第二，判断接下来最该做什么。
第三，决定这一步要不要调用外部工具。
第四，根据执行结果，重新进入下一轮判断。
你会发现，基本和人干活的逻辑是一样的，这就是 agent loop。
这个 loop 才是 Agent 的心脏。因为有了它，AI 才不再只是一个被动回答器，而开始像一个会持续推进任务的执行者。
说白了，Agent 最关键的能力不是生成，而是推进。
一旦有了工具、状态和循环，AI 的性质就变了
为什么同样是一个模型，放在聊天框里和放在 Agent 里，感觉完全不是一个东西？
因为一旦你给了它工具、状态和循环，它处理任务的方式就变了。
先说工具。
没有工具的时候，AI 再会说，也只能停留在语言层。它可以解释、建议、起草，但碰不到真实对象。看不到文件，改不了系统，也验证不了结果。
用一个很形象的比喻，就是「缸中之脑」。
工具一接上，边界就被打开了。它可以读文件、写文件、执行命令、搜索资料、管理任务。这个时候，它才真正长出了手和脚。
再说状态。
Chatbot 每一轮对话的初始状态是你们的聊天记录。Agent 不一样。它要知道现在做到哪一步了，前面看过什么，哪个动作执行过了，哪里失败了，下一步该往哪走。
这其实就是任务状态管理。
最后是循环。
工具解决的是「能不能动手」，状态解决的是「知不知道自己在哪」，循环解决的是「能不能把事情持续往前推」。少一个都不行。
所以我越来越不喜欢把 Agent 说成「Chatbot 升级版」。这个说法太轻了。它会让人误以为，Agent 只是聊天做得更好、上下文更长、工具更多。
但本质上不是。
一旦系统开始围绕目标、状态、工具和循环组织起来，它就有了真正的主体性。
这也是 Harness Engineering 真正接上的地方
前面那篇讲 Harness Engineering，我想讲清楚的是：AI 协作的瓶颈，正在从「会不会问」，转向「有没有把工作方式整理成 AI 能接手的执行环境」。
这篇要回答的，是下一步的问题：当你真的把执行环境搭好了，AI 是怎么在里面跑起来的？
如果说 harness 讨论的是「怎么给 AI 搭工作台」，那这篇讨论的就是：AI 站上工作台之后，到底是怎么工作的。
这也是为什么，理解 Agent，不能只盯着模型。模型决定上限，但真正决定它能不能稳定干活的，是外面的系统结构。
那句很朴素的话，我现在越来越认同：Agent = Model + Harness。
模型决定能力上限，harness 决定它有没有工作台，loop 决定它能不能真的把任务往前推。
对普通人真正重要的，不是会不会提问，而是会不会拆工作
Claude Code 只是一个样本。真正值得关心的，不是 Anthropic 这次泄露了什么，而是它让我们更清楚地看到：未来真正有价值的能力，可能已经在变了。
以前大家都在学怎么提问、怎么写 prompt。这当然没错，而且今天也还重要。但如果 Agent 继续往前走，真正拉开差距的能力，可能不是「谁更会问」，而是谁更早学会把自己的工作拆成 AI 能接手的结构。
输入是什么，目标是什么，判断标准是什么，哪些步骤可以自动做，哪些步骤必须人工拍板，哪里最容易跑偏，哪里需要检查，哪里需要记忆沉淀。
你把这些东西整理得越清楚，Agent 就越容易真正接手。
反过来，如果你的工作方式本身还是一团雾，全靠临场发挥，那你就算接了最强模型、配了最多工具，最后也很容易只得到一种感觉：AI 好像很强，但总差最后一步。
如果你只记住一句话，我希望是这一句：Agent 时代，真正拉开差距的能力，是谁更早学会把自己的工作拆成 AI 能接手的结构。
「注」本文由大鹏的分身系统创作