Agent、Skill、Harness啥意思？一次性讲明白AI技术名词！

* 核心主题：拆解 AI 领域核心术语的演进逻辑，说明 AI 如何从“单纯陪聊”进阶为“能独立干活的自动化系统”。

* 核心论点：圈内层出不穷的技术概念（LLM、Token、RAG、Agent 等）并非凭空捏造的黑话，而是为了解决上一阶段实际工程痛点，层层叠加演化出的解决方案。

* 一、 基础交互层：让模型开口说话

* LLM 与 Token：输入理解与下文预测的数学原理。

* Prompt 与 Prompt Engineering：从模糊问答到专业指令工程。

* 二、 记忆与数据层：扩展模型的认知边界

* Context 与 Memory：多轮对话上下文打包机制与记忆压缩。

* RAG（检索增强生成）：打通私有资料库，终结无依据幻觉。

* 三、 行动与接口层：赋予模型双手

* Function Calling：模型输出结构化指令，实现外部接口调用。

* MCP（模型上下文协议）：统一工具标准协议，解决接口复用工程难题。

* 四、 自主与工程化层：从单次调用到独立执行

* Agent：融合感知、规划、记忆与工具调用的自主闭环系统。

* Skill：结构化、可复用、按需激活的专家级工作流规范。

* Harness：上下文供给、红线边界约束与自动化验收防护网。

---

关键字

* LLM（Large Language Model，大语言模型）：基于海量文本训练的基础模型，核心原理是通过概率计算，根据前文不断预测下一个最可能的 Token。

* Token：大模型理解和处理自然语言的最小单元（介于字与词之间），每个 Token 对应唯一的数字 ID。

* Prompt Engineering（提示词工程）：通过限定角色、背景、预算、格式等约束条件，将模糊提问转化为结构化指令的方法论。

* Context（上下文）与 Memory（记忆）：Context 是每次随提问一同打包发给模型的历史对话记录；Memory 则是因上下文窗口限制，对冗长对话进行压缩、提炼关键信息后的持久化留存。

* RAG（Retrieval-Augmented Generation，检索增强生成）：将私有/外部资料切片存入向量知识库，提问时先检索匹配片段注入上下文，再由模型生成回答的技术。

* Function Calling（函数调用）：模型判断任务需要外部数据或操作时，按照预设格式输出调用指令，由宿主程序执行并回填结果的机制。

* MCP（Model Context Protocol，模型上下文协议）：为所有第三方工具与数据源制定的统一通信标准，避免为每个工具单独写适配代码。

* Agent（智能体）：以 LLM 为思考大脑，集成规划、记忆、工具调用能力，能够自主拆解并完成复杂目标的独立运行系统。

* Skill（技能）：比单次使用的 Prompt 更高阶的程序化预设，具备标准化结构，能在运行时按需渐进激活，节省 Context 与 Token 消耗。

* Harness（约束/挽具框架）：为防范 Agent 自主运行中的失控风险而构建的控制环境，负责划定运行边界、提供稳定上下文并自动化验收成果。

---

金句

* 这些概念不是凭空冒出的黑话，每一个都是因为上一步遇到的具体问题，才出现的解决方案。

* 大模型再聪明，也只会在文本框里你问一句他答一句；而 Agent 能实实在在帮你干活，越干越聪明。

* Prompt 是一次性的话术，像便签纸每次用都得写；而 Skill 是可以重复使用的程序化能力，像一本书随时可以翻翻看。

* Harness 的核心就是构造一个 AI 友好的工作环境，在可控的范围内爆发生产力，毕竟谁也不想一觉醒来 Agent 把你的电脑格式化了。