夜雨聆风人工智能的发展已从单纯的模型能力竞赛，全面转向以人工智能体（AI Agent）为核心的应用落地新范式。这其中涌现出了一系列关键概念：智能体平台、模型上下文协议（MCP）、AI Agent本身、技能（Skills）、Harness以及OpenClaw。但是，这些概念之间的界限、相互关系以及如何协同工作，尚存在模糊之处。本文简要介绍这几个核心概念的内涵与外延，深入剖析它们之间的区别与内在联系，并通过架构图与流程图的形式直观展现其协作机制。
1、基本概念解析
1.1 AI Agent（智能体）
一个能够感知环境、自主决策、执行动作以完成目标的软件实体。它通常集成了大语言模型（LLM）、记忆、规划和工具调用能力。AI Agent具备自主性、反应性、主动性和社会能力。
感知（Perception）：Agent能够通过各种传感器或API接口接收来自外部世界的信息，如用户输入的自然语言、系统日志、数据库状态、网页内容等。 规划（Planning）：这是Agent的“思考”过程。接收到任务后，Agent会基于其世界知识和可用工具，制定一个或多个行动计划。这可能是一个简单的线性步骤，也可能是一个复杂的、带条件分支的动态任务树。 行动（Action）：根据规划，Agent会调用内部能力（Skills）或外部工具（通过MCP）来执行具体操作，例如执行一段代码、调用一个API、查询数据库或与其他系统交互。 记忆（Memory）：为了处理长期、多轮的任务，Agent需要具备记忆能力。这包括短期记忆（如当前对话上下文）和长期记忆（如用户偏好、历史交互记录），这些记忆有助于Agent做出更符合上下文和个性化的决策。 自主性（Autonomy）：高级的Agent能够在没有人为干预的情况下，根据环境变化动态调整其计划和行动，以确保最终目标的达成
在整个智能体系统中，AI Agent是“总指挥官”或“大脑” 。它负责“想明白要做什么”和“决定谁来做”，是连接用户意图与具体执行之间的桥梁。
1.2 Skills（技能）
Skills是Agent可能调用的原子能力或功能模块，每个Skill实现特定的操作，比如查数据库、发送邮件、读写文件、调用API等。它们是Agent与外部世界交互的标准化的、可复用的能力单元，封装了为完成特定子任务所需的一系列确定性操作、逻辑流程和参数规范。
Skill通常包含以下元素：
名称与描述：供Agent理解该Skill的用途。 输入参数：明确执行该Skill需要哪些信息。 执行逻辑：通常是一段代码（如Python函数），定义了具体的操作步骤，包括如何调用工具、数据处理逻辑等。 输出结果：定义了Skill执行完毕后返回的数据格式。
例如以下查询数据库性能的Skills：
# 技能名称：database-performance-query## 适用场景当用户询问任何数据库的性能数据、监控指标、运行状态时，应激活此技能。## 工作流程1. **意图解析**：从用户输入中提取目标 `db_type`、`instance_name`、`metric_names` 和 `time_range`。- 如果用户未指定具体指标，默认查询所有关键指标（QPS、活跃连接数、慢查询数、复制延迟等）。- 如果用户只问“负载高吗”，应转化为查询连接数、QPS、CPU 相关指标。2. **获取能力清单**：首先调用 MCP 工具 `list_available_metrics(db_type)` 确认可查指标。3. **执行查询**：调用 `query_metrics` 工具获取实际数据。4. **结果解读与输出**：- 以表格形式展示数据。- 对异常指标给出简要诊断（例如：连接数超过阈值 80% 时，提示风险）。- 如果查询了多个指标，可附加一个简单的雷达图或折线图描述（交给平台渲染）。
Skills是 “业务逻辑层” ，它们将Agent的宏观规划转化为微观的、精确的执行动作，让Agent的能力从“泛泛而谈”变得“专精可靠”。
1.3 MCP（模型上下文协议）
由Anthropic推出的开放协议，定义了AI模型与外部工具、数据源之间的标准化接口。MCP协议旨在为AI Agent提供一个统一、安全、可靠的接口，用以访问和调用外部的工具、数据源和系统。它采用客户端‑服务器架构：
MCP Server：暴露具体的工具、资源、提示。 MCP Client：运行在Agent或智能体平台侧，用来发现并调用服务器上的能力。
在没有MCP的场景下，Agent每需要接入一个新的工具（如一个新的数据库、一个API），就需要进行一次定制化的开发和集成，导致连接呈“N×M”的网状复杂度，管理困难、安全性差。MCP通过提供一个通用接口，让所有工具都以标准化的方式接入，而Agent也只需学会与MCP这一个标准接口通信即可。
标准化：提供统一的API规范、通信协议（如HTTP, gRPC）和数据格式，简化了工具的接入和调用 。 安全性：MCP作为一道关口，可以集中实现认证、授权、审计、数据脱敏等安全策略，防止Agent滥用工具或泄露敏感数据 。 可发现性：MCP可以提供工具的注册与发现机制，让Agent能够动态地了解当前有哪些可用的工具及其功能。 可靠性：负责处理网络通信、重试、熔断等工程问题，保证Agent与外部工具交互的稳定性。
MCP构成了系统的“集成层”或“基础设施”，为上层的Skills和Agent提供了无限扩展外部能力的可能。
1.4 智能体平台（Agent Platform）
智能体平台整合了构建、运行和管理一个或多个AI Agent所需的核心组件和服务，包括开发工具、运行环境、通信机制、管理界面以及对Skills和MCP的集成支持。例如 Dify、Coze、LangGraph、CrewAI、AutoGen等。
智能体平台将Agent、Skills、MCP等零散的组件有机地组织在一起，提供了一个标准化、工程化、可扩展的环境，使得开发者可以专注于业务逻辑的创新，而不是重复“造轮子”，从而实现AI Agent的规模化生产与应用。
1.5 Harness（工程化基础设施）
Harness在AI Agent的语境下，不是一个具体的软件名称，而是一个关键的架构概念或设计范式。Harness是Agent系统中，位于核心智能（如LLM）之外的、负责任务执行、过程控制、环境交互和系统治理的执行层。Harness的价值是为Agent提供可靠性、安全性与工程化约束（如多模型回退、安全护栏、长时任务管理、Token消耗控制）。
任务编排与状态管理：对于需要多步骤完成的复杂任务，Harness负责对任务进行编排、跟踪执行状态、管理中间结果，并确保任务在中断后可以恢复。 工具集成与执行环境：Harness为工具的调用提供一个受控的执行环境（如沙箱），管理工具的认证、权限，并捕获其输出和错误。它确保工具的使用是安全的。 反馈循环与反思：Harness负责捕获Agent执行动作后环境的反馈，并将这些反馈（无论是成功、失败还是错误信息）提供给Agent的核心智能，以便其进行反思、调整计划并进行下一轮行动。 流程治理与风险控制：在企业环境中，Harness扮演着“监管者”的角色。它负责执行预设的规则、策略和权限，对Agent的行为进行限制（例如，禁止执行高风险操作），进行成本控制，并在出现问题时进行故障隔离和止损。 可观测性：Harness层需要提供详尽的日志、追踪（Tracing）和监控（Metrics）数据，使得开发者和运维人员可以清晰地了解Agent的每一个决策和行动，便于调试、审计和优化 。
LLM在Agent负责思考和规划，Harness则负责在Agent中将意图转化为精确、协调、受控的动作，并处理各种意外情况。
1.6 OpenClaw（个人AI Agent网关）
OpenClaw将自己定位为一个“本地优先”的AI智能体框架 ，目的是成为一个连接用户、多渠道通信、大型模型和各种工具的“AI操作系统内核”或“个人AI助手网关”。 OpenClaw强调在用户的本地设备或私有云上运行，使用户能够完全控制自己的数据、模型和Agent行为，解决了许多用户对云端AI服务的隐私和安全顾虑。
与Harness等更偏向方法论的概念不同，OpenClaw是一个包含完整代码、可以下载和运行的具体软件实现 ，让开发者和爱好者能够快速上手体验和构建自己的AI Agent。
2、AI Agent分层模型
将以上所有概念置于一个统一的框架中，可以构建一个清晰的分层模型，从下至上，抽象层次逐渐降低，角色分工愈发明确：
基础层-大模型：即LLM，提供底层的语言理解、推理和生成能力。 协议层-MCP：位于基础层之上，连接模型与外部世界，定义了标准的通信语言，使得工具和数据源可以被统一、安全地接入。 执行与治理层-Harness：保障Agent稳定运行的内核，它包裹着MCP和工具调用过程，负责任务调度、状态管理、安全沙箱、风险控制和日志审计，确保上层应用的可靠执行。 平台与框架层-OpenClaw&智能体平台： Agent的“开发和运行环境”。其中OpenClaw整合了Harness层的理念（提供了执行环境），并提供了多渠道网关、Agent编排、Skills管理等平台级功能。更广义的“智能体平台”则泛指所有提供此类功能的商业或开源系统。 能力层-Skills：Agent的“应用软件层”。Skills作为可插拔的能力单元，运行在平台/框架之上。它们封装了具体的业务逻辑和工作流，通过调用底层Harness和MCP提供的能力来完成任务。 实体层-AI Agent：最终呈现给用户或任务的“智能实体”。一个Agent实例被创建在平台上，通过配置和组合一系列Skills来获得其独特的能力，并由其内部的LLM大脑来驱动和编排这些能力。
2.1 MCP和Skills关系
智能体平台内的AI Agent通过内置的MCP Client与协议层通信。MCP协议层负责发现和调用各个MCP Server。Skills作为MCP Server的实现，将具体功能暴露为标准化工具。Agent只看到一套统一的工具接口，无需关心Skill的实现细节。
构建/获得 Skill：开发人员将不同数据库的性能查询功能封装成独立的 MCP Server（每个 Server 实现一个或多个工具）。 在平台中接入：智能体平台通过MCP Client连接到这些Server，自动发现可用工具列表。 定义Agent：在平台上创建Agent，赋予其调用这些工具的能力，编写系统提示词，说明何时使用哪类工具。 用户交互：用户以自然语言提出需求 → Agent经LLM规划 → 决定调用哪些工具 → MCP Client向对应MCP Server发起调用 → 获得结构化结果 → Agent综合后回复用户。 扩展性：增加新数据库类型只需新增一个 MCP Server，平台和 Agent 无需改动。
2.2 分层架构模型
下图展示AI Agent、智能体平台、MCP、Skills、OpenClaw和Harness之间的关系。
上图分层架构中从上到下、从左到右对应你文中的层次：
L0网关：OpenClaw的渠道适配器，把不同的用户入口统一成标准请求。 L5实体层：AI Agent作为大脑，负责意图理解、规划，选择并编排Skills。 L4能力层：Skills是真正能执行的原子能力，可由技能市场（ClawHub）动态发现和安装。 L3治理层：所有Skill执行都要经过Harness，它提供安全的运行容器、错误处理、日志和策略管控。 L2协议层：Harness内置或调用MCP Client，以标准协议与外部世界的MCP Server集群通信，完全屏蔽底层工具（CRM、数据库、邮件）的实现细节。
交互数字1–14完整描绘了一个闭环：
用户从多渠道发出请求 网关标准化并路由 任务交给Agent实例 Agent决策后从技能库中选择Skill Skill被提交到Harness安全执行 Harness通过MCP Client发起调用 MCP Client按协议定位到某个MCP Server Server操作真正的底层工具 9–10. 结果经过MCP层返回 11–12. 结果经Harness校验后返回给Skill 13–14. Agent汇总所有Skill结果，形成最终回复，通过网关反馈给用户
用户请求通过网关进入，Agent进行决策，选择Skill，Skill在Harness的监管下执行，Harness通过MCP客户端调用外部MCP服务器封装的工具，结果层层返回，最终由Agent综合后通过网关响应用户。
本文简要介绍了AI Agent、智能体平台、MCP、Skills、OpenClaw和Harness这六个基本概念。这些概念并非孤立存在，而是共同构成了一个功能完备、层次清晰的智能体技术栈，包括大模型LLM、协议层MCP、执行与治理层Harness、平台与框架层OpenClaw&智能体平台、能力层Skills和实体层AI Agent。
参考资料：
