本文由 Hugging Face 团队发布系统梳理了 AI Agent 领域的核心概念。文章强调 AI Agent 不是一个模型而是一个以大模型为核心、能够调用工具、接收反馈并持续完成任务的系统。通过区分 Model 和 Agent、Scaffolding 和 Harness、Context Engineering 和 Policy、Tool、Skill 和 Sub-agent 等关键术语帮助读者清晰理解 AI Agent 的工作原理和组成部分。此外文章还介绍了训练 Agent 所需的 Environment、Rollout、Reward 和 Trainer 等概念为初学者提供了全面而深入的指导。无论你是构建、部署还是使用 AI Agent这份术语表都将是你不可或缺的参考资料。一、先讲最重要的一句Agent 不是一个模型可以先用一句最容易记住的话来理解 AI AgentAI Agent 是一个以大模型为核心、能够调用工具、接收反馈并持续完成任务的系统。这里最关键的词不是“生成文本”而是“持续完成任务”。普通聊天模型更像“你问一句我答一句”Agent 更像“你给我一个目标我先理解任务再决定下一步做什么做完一步后我再根据结果继续往下走”。比如下面这些事都不是一次回答就能完成的帮你搜索资料并整理成摘要帮你读取一个文件并分析内容帮你调用代码工具处理数据帮你在网页上完成一连串操作这也是 Agent 和普通聊天模型最大的区别。二、Model 和 Agent到底是什么关系很多人刚接触 Agent 时最容易混淆的一点就是Agent 和 Model 是不是一回事答案是不是。Model 是 Agent 的核心但不是 Agent 的全部。Model也就是模型本质上是“文本进文本出”。更重要的是它本身没有跨调用记忆也没有执行循环。它可以根据目标、上下文和规则表达“我下一步想调用某个工具”的意图但真正去点击网页、读取文件、调用 API 或运行工具还得靠模型外面的系统来完成。三、Scaffolding 和 Harness 工程分别在做什么这两个词经常一起出现也最容易一起被叫成“Agent 框架的一部分”。但如果想真正看清一套 Agent 系统最好把它们分开理解。可以把它们先简单记成Scaffolding 管“怎么想”Harness 管“怎么跑”。Context Engineering 和 Policy一个管理输入一个定义行为这两个概念可以放在一起讲因为它们都会影响 Agent 下一步怎么做但它们并不是一回事。Context Engineering 讲的是模型在每一步到底看见什么Policy 讲的是基于这些输入表现出怎样的行为方式。Context Engineering决定模型在每一步到底看见什么如果说 Prompt Engineering 关心的是“提示词怎么写”那么 Context Engineering 更关心的是在 Agent 执行的每一步里模型到底应该看到什么信息。它包括系统提示词、工具说明、历史对话、检索进来的知识以及工具返回结果而且这不是一次性的设置随着任务推进harness 会持续决定哪些信息保留、哪些丢弃、哪些重新注入。它在训练和推理两端都适用但代价并不一样训练时塞错了模型学到的东西可能会偏掉推理时塞错了通常还能通过改提示词或重配上下文再来一次。Policy决定 Agent 是按什么方式做选择的Policy 指的是一个 Agent 所遵循的行为方式给定一种情境它会以什么方式在多个可能动作之间做选择。在强化学习里这个概念往往被定义得更严格甚至可以写成“对各个可能动作的概率分布”放到 LLM Agent 里这套策略一部分学在模型权重里一部分又受到提示词、工具、记忆和执行循环的影响。所以Policy 不等于 Agent 本身。Agent 是那个在环境里真正采取行动的完整系统Policy 则是它表现出来的行为方式。Tool、Skill、Sub-agent为什么不是一回事这三个词很容易被混用但它们其实对应三层不同的东西动作、方法和分工。1. Tool Use一个具体动作Tool 是最基础的一层。它指的是 Agent 伸手够到自身之外的方式比如调用 API、代码解释器、数据库、网页搜索和文件系统。模型只会以结构化格式表达“我要用某个工具”的意图真正把调用路由出去、拿回结果并继续循环的是 harness。所以Tool 更像 Agent 的“手”。Skill一套可复用的方法Skill 不只是一个动作而是一整套围绕某个目标沉淀下来的做事方法。比如“排查一个 bug”“完成一次数据清洗”“写一版市场调研摘要”都不是一次工具调用能完成的。它们往往需要一组步骤、一套经验和一个相对稳定的处理流程。所以Skill 更像 Agent 的“套路”。Sub-agent一个能独立完成子任务的 AgentSub-agent 则更进一步。它不是一个被动工具也不只是一套方法而是另一个可以自己思考、自己调用工具、独立处理子任务的 Agent。比如一个主 Agent 要完成“写一份行业分析”它可以把任务拆开一个 Sub-agent 去收集资料一个 Sub-agent 去整理数据一个 Sub-agent 去写成初稿最后再把这些结果统一整合。为什么训练 Agent 的人总在讲 Environment、Rollout、Reward 和 Trainer前面讲的主要是 Agent 怎么被搭出来。而下面这几个词更多出现在“Agent 怎么被训练得更强”这个阶段。EnvironmentEnvironment 就是 Agent 可以交互的环境。它可以是浏览器、文件系统、代码仓库也可以是某种更抽象的任务空间。Agent 在环境里采取动作环境再返回新的状态和结果。RolloutRollout 指的是 Agent 从开始到结束完成一次任务的完整过程。它记录了 Agent 看到了什么、做了什么、最后结果怎样。RewardReward 是对这次执行结果的打分。它告诉系统这次做得好不好哪里做对了哪里做错了。这个分数可以来自测试是否通过也可以来自人工偏好或者其他评估方式。TrainerTrainer 负责利用大量 rollout 和 reward 去更新模型让 Agent 在反复试错中学会更好的策略。所以到了训练阶段Agent 讨论的就不只是“会不会用工具”而是“能不能在环境里不断变强”。写在最后用一张最短的文字版概念图收住所以AI Agent 不是一个单独的新模型名词。它更像是一整套围绕模型搭起来的系统模型负责理解和决策工具负责行动执行系统负责把任务一轮轮推进下去。把这些概念分清之后再去看各种 Agent 产品、Agent 框架和 Agent 论文就不会那么容易混乱了。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 
长河君 · 2026/10/21 11:41:23 · 阅读 1.2k AI Agent 从入门到精通：Hugging Face 术语表助你轻松掌握大模型核心概念
本文由 Hugging Face 团队发布系统梳理了 AI Agent 领域的核心概念。文章强调 AI Agent 不是一个模型而是一个以大模型为核心、能够调用工具、接收反馈并持续完成任务的系统。通过区分 Model 和 Agent、Scaffolding 和 Harness、Context Engineering 和 Policy、Tool、Skill 和 Sub-agent 等关键术语帮助读者清晰理解 AI Agent 的工作原理和组成部分。此外文章还介绍了训练 Agent 所需的 Environment、Rollout、Reward 和 Trainer 等概念为初学者提供了全面而深入的指导。无论你是构建、部署还是使用 AI Agent这份术语表都将是你不可或缺的参考资料。一、先讲最重要的一句Agent 不是一个模型可以先用一句最容易记住的话来理解 AI AgentAI Agent 是一个以大模型为核心、能够调用工具、接收反馈并持续完成任务的系统。这里最关键的词不是“生成文本”而是“持续完成任务”。普通聊天模型更像“你问一句我答一句”Agent 更像“你给我一个目标我先理解任务再决定下一步做什么做完一步后我再根据结果继续往下走”。比如下面这些事都不是一次回答就能完成的帮你搜索资料并整理成摘要帮你读取一个文件并分析内容帮你调用代码工具处理数据帮你在网页上完成一连串操作这也是 Agent 和普通聊天模型最大的区别。二、Model 和 Agent到底是什么关系很多人刚接触 Agent 时最容易混淆的一点就是Agent 和 Model 是不是一回事答案是不是。Model 是 Agent 的核心但不是 Agent 的全部。Model也就是模型本质上是“文本进文本出”。更重要的是它本身没有跨调用记忆也没有执行循环。它可以根据目标、上下文和规则表达“我下一步想调用某个工具”的意图但真正去点击网页、读取文件、调用 API 或运行工具还得靠模型外面的系统来完成。三、Scaffolding 和 Harness 工程分别在做什么这两个词经常一起出现也最容易一起被叫成“Agent 框架的一部分”。但如果想真正看清一套 Agent 系统最好把它们分开理解。可以把它们先简单记成Scaffolding 管“怎么想”Harness 管“怎么跑”。Context Engineering 和 Policy一个管理输入一个定义行为这两个概念可以放在一起讲因为它们都会影响 Agent 下一步怎么做但它们并不是一回事。Context Engineering 讲的是模型在每一步到底看见什么Policy 讲的是基于这些输入表现出怎样的行为方式。Context Engineering决定模型在每一步到底看见什么如果说 Prompt Engineering 关心的是“提示词怎么写”那么 Context Engineering 更关心的是在 Agent 执行的每一步里模型到底应该看到什么信息。它包括系统提示词、工具说明、历史对话、检索进来的知识以及工具返回结果而且这不是一次性的设置随着任务推进harness 会持续决定哪些信息保留、哪些丢弃、哪些重新注入。它在训练和推理两端都适用但代价并不一样训练时塞错了模型学到的东西可能会偏掉推理时塞错了通常还能通过改提示词或重配上下文再来一次。Policy决定 Agent 是按什么方式做选择的Policy 指的是一个 Agent 所遵循的行为方式给定一种情境它会以什么方式在多个可能动作之间做选择。在强化学习里这个概念往往被定义得更严格甚至可以写成“对各个可能动作的概率分布”放到 LLM Agent 里这套策略一部分学在模型权重里一部分又受到提示词、工具、记忆和执行循环的影响。所以Policy 不等于 Agent 本身。Agent 是那个在环境里真正采取行动的完整系统Policy 则是它表现出来的行为方式。Tool、Skill、Sub-agent为什么不是一回事这三个词很容易被混用但它们其实对应三层不同的东西动作、方法和分工。1. Tool Use一个具体动作Tool 是最基础的一层。它指的是 Agent 伸手够到自身之外的方式比如调用 API、代码解释器、数据库、网页搜索和文件系统。模型只会以结构化格式表达“我要用某个工具”的意图真正把调用路由出去、拿回结果并继续循环的是 harness。所以Tool 更像 Agent 的“手”。Skill一套可复用的方法Skill 不只是一个动作而是一整套围绕某个目标沉淀下来的做事方法。比如“排查一个 bug”“完成一次数据清洗”“写一版市场调研摘要”都不是一次工具调用能完成的。它们往往需要一组步骤、一套经验和一个相对稳定的处理流程。所以Skill 更像 Agent 的“套路”。Sub-agent一个能独立完成子任务的 AgentSub-agent 则更进一步。它不是一个被动工具也不只是一套方法而是另一个可以自己思考、自己调用工具、独立处理子任务的 Agent。比如一个主 Agent 要完成“写一份行业分析”它可以把任务拆开一个 Sub-agent 去收集资料一个 Sub-agent 去整理数据一个 Sub-agent 去写成初稿最后再把这些结果统一整合。为什么训练 Agent 的人总在讲 Environment、Rollout、Reward 和 Trainer前面讲的主要是 Agent 怎么被搭出来。而下面这几个词更多出现在“Agent 怎么被训练得更强”这个阶段。EnvironmentEnvironment 就是 Agent 可以交互的环境。它可以是浏览器、文件系统、代码仓库也可以是某种更抽象的任务空间。Agent 在环境里采取动作环境再返回新的状态和结果。RolloutRollout 指的是 Agent 从开始到结束完成一次任务的完整过程。它记录了 Agent 看到了什么、做了什么、最后结果怎样。RewardReward 是对这次执行结果的打分。它告诉系统这次做得好不好哪里做对了哪里做错了。这个分数可以来自测试是否通过也可以来自人工偏好或者其他评估方式。TrainerTrainer 负责利用大量 rollout 和 reward 去更新模型让 Agent 在反复试错中学会更好的策略。所以到了训练阶段Agent 讨论的就不只是“会不会用工具”而是“能不能在环境里不断变强”。写在最后用一张最短的文字版概念图收住所以AI Agent 不是一个单独的新模型名词。它更像是一整套围绕模型搭起来的系统模型负责理解和决策工具负责行动执行系统负责把任务一轮轮推进下去。把这些概念分清之后再去看各种 Agent 产品、Agent 框架和 Agent 论文就不会那么容易混乱了。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】