ARTICLE · 1039427
AI Agent 专用术语有哪些及如何应用的
AI Agent 领域的术语确实容易混淆，同一个词在不同场景下含义可能不同。要理解它，关键在于从“模型本身”和“模型之外的系统”两个层面来拆解。
🧠 核心架构：模型本身 vs. 外围系统
这是最基础也最容易混淆的一组概念。一个 AI Agent 并不仅仅是那个大语言模型（LLM）。
Model (模型)：即大语言模型（LLM），如 Claude、GPT、DeepSeek 等。它的本质是“文本进，文本出”，本身没有记忆，也不会自主循环执行任务。它可能会“表达”调用工具的意图，但无法自己执行。
Scaffolding (脚手架)：这是模型所“看到”的一切，是行为定义层。它塑造模型的行为边界，但本身不负责运行。主要包括：
System Prompt (系统提示词)：定义 Agent 的身份和总目标。
Tool Descriptions (工具描述)：告诉模型有哪些工具可用，以及怎么用。
Context Management (上下文管理)：决定模型每一步能看到哪些信息。
Harness (执行框架)：这是让模型“跑起来”的执行控制层。它负责调用模型、处理工具调用请求、真正执行工具、把结果塞回上下文，并决定循环是否继续。它像是一个项目经理，负责推进、调度和检查。
三者关系：一个更精确的 Agent 定义是 Agent = Model + Scaffolding + Harness。在日常讨论中，也常简化为 Agent = Model + Harness，这里的 Harness 泛指“模型以外的一切”。例如，Claude Code 官方就称自己为“Claude 外面的 agentic harness”。
⚙️ 核心能力与工作模式
这些术语描述了 Agent 如何思考和行动。
Tool Use / Tool Calling (工具调用)：Agent 的“手”。模型输出结构化指令来调用外部工具（如搜索、计算、API），由 Harness 负责执行。Function Calling (函数调用) 是它的另一种叫法。
ReAct (推理+行动)：一种经典的 Agent 工作模式，即 “想一步 → 做一步 → 看结果 → 再想” 的循环。
Chain-of-Thought (CoT, 思维链)：让模型“一步一步思考”再给出答案，以提高复杂推理任务的准确性。
RAG (检索增强生成)：让 Agent 在回答前先去外部知识库（如你的文档）检索相关信息，再基于这些信息生成答案，有效减少幻觉。
Memory (记忆)：Agent 的“记事本”。通常分为短期记忆（当前对话上下文）和长期记忆（跨会话持久化的重要信息）。
Context Engineering (上下文工程)：比 Prompt Engineering 更广，核心问题是“Agent 每一步看到什么”。它需要动态管理整个上下文窗口，包括系统提示词、工具描述、对话历史、检索到的知识等。
🤝 多智能体与协作
当任务复杂时，单个 Agent 可能力不从心，这时就需要多个 Agent 协作。
Multi-Agent System (MAS, 多智能体系统)：由多个自主智能体通过通信、协商、合作等机制组织起来的系统。每个智能体可以专注于特定任务。
Orchestration (编排)：安排多个 Agent 谁先干、谁后干，协调它们的协作流程，就像导演安排演员。
Sub-agent (子智能体)：在一个主 Agent 的调度下，负责完成特定子任务的 Agent。
A2A (Agent-to-Agent Protocol)：一种让智能体之间能够相互协作和交接任务的协议。
🔌 关键协议与标准
为了让不同来源的 Agent 和工具能够互通，一些标准化协议变得至关重要。
MCP (Model Context Protocol, 模型上下文协议)：由 Anthropic 提出并开源，旨在标准化 AI 模型与外部工具、数据源的连接方式。可以把它理解为一个“通用适配器”，让 Agent 能方便地接入各种外部能力。
AIP (Agent Interoperability Protocol)：提供“身份—描述—发现—交互—工具调用”的统一规则，解决不同智能体如何发现彼此、分配任务的问题。
📚 其他重要术语
Autonomy (自主性)：Agent 自主决策和行动的权限大小。它像一个可调节的旋钮，自主性越高，灵活性越强，但成本和不可预测性也越高。
Human-in-the-Loop (人在回路)：在关键决策点引入人工确认，确保 Agent 的行为可控、安全。
Fine-tuning (微调)：用特定领域的数据对基础模型进行“再培训”，让它更懂某个专业领域。
Rollout：指 Agent 从开始到结束的一次完整运行过程。
RL Environment / Trainer / Reward：训练侧的术语，分别指强化学习环境、训练器和奖励信号，用于通过试错来优化 Agent 的策略。
💡 术语如何应用：以场景为例
这些术语并非纸上谈兵，它们共同构建了 Agent 解决实际问题的能力。
场景：自动完成一份市场分析简报
用户发出指令：“帮我分析一下这个地块的规划潜力，做个简报。”
意图理解与规划：Harness 驱动的 Agent 解析指令，制定步骤：查询内部数据库 → 调用分析工具 → 生成图表 → 撰写报告。
工具调用 (Tool Calling)：Agent 通过 MCP 协议，标准化地调用内部数据库查询接口和外部数据分析 API。
执行与循环 (ReAct)：Harness 执行工具调用，将返回的数据（如地块属性、周边规划）放回上下文。Agent 看到结果后，决定下一步调用图表生成工具。
记忆与上下文管理：在整个过程中，Memory 帮助记住用户最初的目标和已查询到的关键数据，Context Engineering 确保每一步的上下文窗口都包含最相关的信息。
结果交付：最终，一份图文并茂的报告生成完毕。如果涉及复杂的多维度分析，甚至可以由多智能体系统 (MAS) 协作完成——一个负责数据查询，一个负责可视化，一个负责报告撰写。
人在回路 (Human-in-the-Loop)：在发送最终报告前，Agent 可以设置一个确认步骤，将报告草稿提交给用户预览，确保方向正确。
AI Agent 的术语体系反映了它正从“会调模型”向“会设计系统”的工程化阶段演进。理解 Model、Scaffolding、Harness 的三层结构是入门的关键，而 MCP、A2A 等协议则代表了构建开放、互操作 Agent 生态的未来方向。希望这份梳理能帮你建立起一个清晰的理解框架。