以下是您要求的英文文章的中文翻译，已按照保留原文结构、技术术语不翻译、代码块保持原样等要求进行处理。
驾驭（Harness）、脚手架（Scaffold）以及值得厘清的 AI Agent 术语
回到文章
驾驭（Harness）、脚手架（Scaffold）以及值得厘清的 AI Agent 术语
发布于 2026 年 5 月 25 日 在 GitHub 上更新 点赞 3
Sergio Paniego sergiopaniego 关注
Aritra Roy Gosthipaty ariG23498 关注
目录
- 模型（Model）
- 脚手架（Scaffolding）
- 驾驭（Harness）
- Agent
- 上下文工程（Context Engineering）
- 策略（Policy）
- 工具使用（Tool Use）
- 技能（Skills）
- 子 Agent（Sub-agents）
- 训练（Training）
- RL 环境（RL Environment）
- 训练器（Trainer）
- 回滚（Rollout）
- 奖励（Reward）
- 了解更多
当一个领域快速发展时，其词汇往往比人们对它们的共同理解进化得更快。术语开始变得模糊，在不同语境中被重复使用，或者成为从未被充分解释的想法的简写。我们目前正在 AI Agent 领域看到这种情况：概念被混为一谈，有些被重新命名，另一些则被广泛使用几个月后悄然消失。这对新手来说可能令人不知所措，即使是对试图跟上最新发展的从业者也是如此。
在 ICLR 2026 之后，我们中的一位（@ariG23498）提出了一个问题，很好地捕捉了这种困惑：“在 Agent 的语境中，你们所说的‘harness’和‘scaffold’是什么意思？我在 ICLR 听到了很多解释，但我不明白为什么它们没有收敛到一个统一的解释。”
这份术语表是我们试图为那些反复出现但缺乏清晰、一致解释的术语奠定基础。它并非旨在成为该领域每个术语的全面词典。相反，我们专注于那些经常被混淆、以不同方式重复使用，或者被认为显而易见但实际上并非如此的概念。无论你是在构建 Agent、部署 Agent，还是仅仅使用像 Claude Code、Codex 或 Hermes Agent 这样的工具，这些术语中的大多数都会出现。最后一节涵盖了特定于模型训练的概念，如果你从事这方面的工作，这会更相关。
这些术语中的许多还没有普遍接受的定义，不同的框架以不同的方式使用同一个词。这里的目标不是强制执行一种正确的词汇，而是提供一个实用的心智模型，使讨论更容易理解。让我们开始吧。
目录
- 模型（Model）
- 脚手架（Scaffolding）
- 驾驭（Harness）
- Agent
- 上下文工程（Context Engineering）
- 策略（Policy）
- 工具使用（Tool Use）
- 技能（Skills）
- 子 Agent（Sub-agents）
- 训练（Training）
- RL 环境（RL Environment）
- 训练器（Trainer）
- 回滚（Rollout）
- 奖励（Reward）
- 了解更多
模型（Model）
模型就是 LLM：它接收文本输入并产生文本输出（例如，Claude、Qwen、GPT、Kimi、DeepSeek……）。就其本身而言，它在调用之间没有记忆，也没有循环。模型可以表达调用工具的意图，但它需要一个 harness 来实际执行它。它回答一个提示然后停止。将其包裹在 scaffolding 和 harness 中，它就变成了一个 Agent。
脚手架（Scaffolding）
模型周围的行为定义层：系统提示、工具描述、模型的响应如何被解析、它在步骤之间记住什么（上下文管理）。它塑造了模型如何看待世界并在其中行动，无论是在训练期间还是在推理期间。
像 Claude Code、Codex 和 Antigravity CLI 这样的产品将整个东西称为 harness。Claude Code 自己的文档直接说明：“Claude Code 充当 Claude 周围的 agentic harness。”这就是广义的用法：harness 意味着除了模型之外的一切。
scaffold/harness 的区别在你需要分别推理它们时最为重要，例如在训练流程中。你还会听到“scaffold”被更广泛地用于涵盖 harness 所依赖的任何基础设施：钩子、运行时配置，甚至目录结构。像 Claude Code 和 Codex 这样的产品与其提供商的模型紧密耦合。其他像 Antigravity CLI 和 Hermes Agent 则允许你插入任何模型。
驾驭（Harness）
Agent 内部的执行层：它调用模型，处理模型的工具调用，并决定何时停止。Harness 是让 Agent 运行起来的东西。上面定义的 scaffolding 是模型工作的基础：它的指令、它的工具、它的格式。
Harness 工程 是设计好这一层的学科：决定 Agent 何时应该停止、错误如何处理、以及哪些护栏使其保持在正轨上。它同时适用于训练和推理。Addy Osmani 的文章和 OpenAI 关于使用 Codex 构建的说明都从推理方面涵盖了这一点。
在评估时，相同的模式表现为 eval harness：它不是收集训练数据，而是在模型检查点运行一组固定的场景，并记录指标而不是更新权重。
Agent
这个术语来自强化学习，其中 Agent 只是一个接收观察并返回动作的函数。环境接收该动作并返回一个新的观察，循环重复。这个循环仍然是 LLM Agent 工作的核心。
在 LLM 世界中，这个术语已经扩展。Agent 是模型加上它周围所有让它能够行动（而不仅仅是响应）的东西。它将原始的文本生成转变为可以在循环中行动的东西：接收信息，决定做什么，并根据结果采取行动。
以一个编码 Agent 作为具体例子。系统提示、工具描述以及模型遵循的输出格式构成了 scaffolding。调用模型、处理其工具调用并决定何时停止的循环就是 harness。在训练时，harness 还并行运行许多这样的循环，并将结果反馈给模型进行更新。
在社区中，通常表述为 Agent = Model + Harness（参考 @Vtrivedy10 和 Will Brown 的推文）。如果你不是模型，你就是 harness。
Harness 和 scaffold 之间细微的差别造成了大部分困惑，上面两节已经对此进行了说明。当人们谈论像 Claude Code、Codex 或 Cursor 这样的产品时，他们指的是构建在特定模型之上的特定 harness，它们被一起设计和优化。两个使用相同底层模型的产品可能感觉完全不同，因为它们的 harness 做出了不同的选择。而在同一个 harness 中更换一个更好的模型也会改变体验。模型、harness 和产品是三个不同的东西。
上下文工程（Context Engineering）
设计进入上下文的内容……
（注：原文在“Context Engineering”处截断，翻译至此结束。后续内容如需继续翻译，请提供完整原文。）