科技人人都是产品经理·赛博禅心··AI 生成
简单讲讲 Agent 的工作原理
文章以原理视角拆解 AI Agent 产品运行的底层机制——将 Agent 概括为 Harness 对上下文的自动化编排。核心观点是：Agent 的智能表现取决于模型能力与系统为其编排的上下文（包括指令、历史、工具结果）之间的耦合。作者详细拆解了上下文来源与组装、工具调用与反馈循环、Skill 渐进加载、历史压缩与记忆延续、多 Agent 信息交换以及运行中输入处理等关键环节，揭示了连贯的用户体验背后是一套精密的系统设计。适合对 Agent 产品有实践需求、希望理解其背后架构而非仅使用表层功能的读者。原文 ↗原文 ↗
核心观点
- ▍AI Agent 产品形态各异，但核心工作原理本质上是「Harness 对上下文的自动化编排」——即系统持续组织模型每次判断所依据的信息，而非模型本身变强了。
- ▍Agent 的智能水平取决于模型能力与 Harness 编排的上下文质量这对组合，二者缺一不可。
- 01上下文有三个层次：电脑里保存了什么（文件）、会话里发生过什么（历史）、模型此刻收到什么（请求）。用户给 AI 新文件只是补充上下文，不会永久训练进模型。
- 02Agent 通过「模型判断→工具执行→结果返回→再判断」的循环持续行动，这个过程会经历多轮模型请求，可能持续数小时。
- 03Skill 采用「渐进加载」方式：先提供名称、简述和位置，模型判断需要哪一项再读取详细说明，避免一次性将所有工具说明塞入上下文。
- 04外部能力通过 MCP（连接约定）接入；插件将相关的技能、命令和 MCP 服务配置组织在一起方便安装。安装插件只是让能力有机会参与任务，仍需经历发现、选择和调用。
- 05历史信息管理需要多级处理：工具返回时限制输出体积或保存到文件再返回预览；请求前检查历史长度并压缩；原始日志保持在文件里，上下文只保留定位问题所需部分。
- 06多 Agent 协作需同时安排任务拆分与信息交接结构。子 Agent 在独立会话中工作，主 Agent 读到的内容不能默认子 Agent 同步知道。结构化交接可通过固定格式校验约束结果。
反方 / 局限
- — 历史压缩后，模型收到的内容已可能变化，界面上可翻到的旧记录未必仍完整出现在当前请求中——这意味着开发者需意识到压缩可能造成关键信息的丢失。
- — 子 Agent 交接结果压得太短可能丢失关键依据，只说「数据没问题」与交回「核对了哪些数据、依据是什么」对后续判断的帮助完全不同。
11 分钟 · 5 卡片 · 10 资料
读原文 →概念锚点
前置背景
平行视角
未来推演
延伸追问