🤗Hugging Face Blog•較早收集於 16h
定義 AI Agent 架構的標準術語
💡學習業界標準術語，以更好地架構與溝通您的 AI Agent 專案。
⚡ 30-Second TL;DR
有什麼變化
釐清「Harness」（執行環境）與「Scaffold」（結構化樣板）之間的區別。
為什麼重要
標準化這些術語有助於團隊在架構模式上達成共識，減少整合不同 Agent 工具時的摩擦。這促進了複雜自主系統的更佳設計實踐。
下一步行動
檢查您目前的 Agent 程式碼庫，並將您的組件標記為「Harness」或「Scaffold」，以識別架構瓶頸。
誰應關注：Developers & AI Engineers
關鍵要點
- •釐清「Harness」（執行環境）與「Scaffold」（結構化樣板）之間的區別。
- •解決 AI Agent 術語碎片化問題，以改善開發者之間的溝通。
- •為構建更模組化且易於維護的 Agent 系統提供概念框架。
🧠 深度解析
Web-grounded analysis with 15 cited sources.
🔑 增強重點摘要
- •「Harness」（執行環境）被正式定義為 AI Agent 可靠性的主要決定因素，其架構包含執行（Execution）、工具（Tools）、控制（Control）、狀態（State）、日誌記錄（Logging）和驗證（Verification）等關鍵組成部分（ETCSLV）。
- •Hugging Face 推出了自家的輕量級 Agent 框架
smolagents，其設計理念是與大型語言模型（LLM）無關，並允許 Agent 直接以 Python 程式碼而非 JSON 格式執行動作，這與其他一些框架有所不同。 - •AI 產業正積極推動 AI Agent 協議的標準化，例如 IBM 的 ACP、業界的 AGP、OpenAI 的 FCP、Anthropic 的 MCP 和 Google 的 A2A 等，旨在解決多 Agent 系統的複雜性，實現 Agent 間及 Agent 與系統間的無縫通訊與協作。
- •AI Agent 的性能和可擴展性深受其底層架構影響，基準測試顯示，即使使用相同的 LLM 和任務，不同框架的架構差異也會導致延遲和 Token 消耗的顯著差異。
- •全球監管機構，如美國國家標準暨技術研究院（NIST）和歐盟，正在制定針對 Agent 式 AI 的標準和指南，特別是針對高風險系統，強調安全性、人為監督和問責制，這將對未來的 Agent 架構和治理產生深遠影響。
📊 競品分析▸ Show
| 框架名稱 | 主要特點/優勢 | 適用場景 | 學習曲線/部署 |
|---|---|---|---|
| Hugging Face smolagents | 輕量級、LLM 無關、Agent 直接執行 Python 程式碼 | 快速原型開發、簡化 Agent 創建、程式碼中心化 Agent | 簡單直接 |
| LangGraph (LangChain) | 基於圖的狀態機、精確控制、強大的狀態管理 | 需要狀態控制、持久化和人機協作的生產部署、複雜工作流程 | 陡峭 |
| CrewAI | 多 Agent 協作、基於角色的設計、團隊導向架構 | 需要多個專業 Agent 協作完成複雜任務 | 適中 |
| Microsoft AutoGen | 通用多 Agent 對話框架、可定制 Agent、支持異步消息 | 研究和複雜的多 Agent 對話、事件驅動架構 | 陡峭 |
| LlamaIndex | 數據索引和檢索、增強檢索生成（RAG） | 需要整合外部知識庫、數據密集型 Agent 應用 | 適中 |
| Microsoft Semantic Kernel | 將 LLM 與傳統程式語言整合、企業級應用 | 企業環境、需要與現有程式碼庫深度整合 | 適中 |
| OpenAI Agents SDK | OpenAI 原生部署、輕量級多 Agent 協調（實驗性） | OpenAI 生態系統用戶、實驗性多 Agent 協調 | 簡單（實驗性） |
| Anthropic Claude Agent SDK | Claude 原生部署、記憶和原生工具使用 | Claude 生態系統用戶、需要記憶和原生工具 | 簡單 |
🛠️ 技術深入
- Harness 架構組件 (ETCSLV)：Harness 被形式化為 H = (E, T, C, S, L, V)，其中 E 代表執行（Execution），T 代表工具（Tools），C 代表控制（Control），S 代表狀態（State），L 代表日誌記錄（Logging），V 代表驗證（Verification）。這些組件共同決定了 Agent 在規模化部署時的可靠性。
- 程式碼作為 Agent Harness：在 Agent 系統中，程式碼不僅是目標輸出，更日益成為 Agent 推理、行動、環境建模和基於執行的驗證的操作基礎。這一概念分為三個層次：Harness 介面（程式碼連接 Agent 到推理、行動和環境建模）、Harness 機制（規劃、記憶、工具使用、反饋驅動控制和優化）以及擴展到多 Agent 環境（共享程式碼工件支持多 Agent 協調、審查和驗證）。
- 自然語言 Agent Harnesses (NLAHs)：NLAHs 允許以可編輯的自然語言表達 Harness 行為，並由智慧 Harness 運行時（IHR）通過明確的契約、持久性工件和輕量級適配器來執行。
- Agent 系統核心組件：現代 AI Agent 系統的架構通常包含感知機制（與環境交互）、記憶系統（維持內部狀態和回溯信息）、規劃模組（分解複雜任務）、執行引擎（調用工具和 API）和反饋循環（處理錯誤和優化行為）。
- Agent 式工作流程：許多 Agent 框架採用「思考、行動、觀察、重複」（Think, Act, Observe, Repeat）的序列，這在 ReAct 框架中得到了形式化，以實現自主決策和任務分解。
🔮 前景展望AI analysis grounded in cited sources
AI Agent 開發將日益側重於構建穩健、可審計且符合法規的架構。
隨著歐盟 AI 法案和 NIST 等機構的標準化倡議，企業對透明、安全和可問責的 Agent 系統的需求將增加，推動開發者超越單純的功能性考量。
AI Agent 術語和協議的標準化將加速互操作性並減少碎片化。
目前術語和框架的碎片化阻礙了溝通和擴展性；建立統一的協議（如 MCP、A2A）和共享術語將促進不同框架和供應商之間的無縫整合與協作。
「Harness」將成為提升 AI Agent 在生產環境中可靠性和性能的核心關注點。
研究表明，Agent 的可靠性主要取決於其 Harness 而非底層 LLM，這將促使更多工程資源投入到 Harness 的設計和優化中。
⏳ 時間線
1956-08
達特茅斯會議，約翰·麥卡錫首次提出「人工智慧」一詞。
1966-01
約瑟夫·魏岑鮑姆開發了世界上第一個聊天機器人 ELIZA。
1970s
專家系統興起，如用於診斷傳染病的 MYCIN。
2025-01
Hugging Face 推出其輕量級 Agent 框架 `smolagents`。
2025-03
Hugging Face Agent 課程開始包含 `smolagents`、LangChain 和 LlamaIndex 等主要 Agent 框架。
2026-02
NIST 的 AI 標準與創新中心啟動 AI Agent 標準倡議。
📎 來源 (15)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Hugging Face Blog ↗