01
先看总图：这 7 个词分别站在哪里？
先不追求精确术语，先建立一张不会迷路的“系统地图”。
Harness · 运行框架 / 工作环境
Context当前桌面 / 可见信息
Model大脑 / 推理核心
Loop看 → 想 → 做 → 再看
Skill怎么做 / 方法论
↗
Agent围绕目标完成任务
↖
MCP用什么 / 外接能力
这几个词不在同一层：Context / 多模态偏“模型能看到什么”，Skill / MCP 偏“怎么做、能接什么”，Loop / Agent 偏“怎么持续干活”，Harness 是把整套系统组织起来的外层。
→
这一板只记一件事：Agent 不是单独一个模型，它通常是“模型 + 当前信息 + 工具 + 循环 + 目标”组合出来的完整工作者。
mental model first → terminology second
02
AI 现在“看到了什么”？
这一板把 Context 和 Multimodal 放在一起：一个决定“桌面上有什么”，一个决定“它能读哪些形式”。
Context = 当前桌面
不是“AI 永远知道的一切”，而是这一次推理时真正摆到它面前的资料。
- 可能包含：你的问题、前面对话、系统要求。
- 也可能包含：文件内容、检索结果、工具返回值。
- Context Window 可以理解成“桌子有多大”。
- 资料太多时，要总结、筛选、按需重新读取。
它回答的问题：AI 这一次到底看到了什么？
Multimodal = 感官
同样是一份“桌面资料”，不同模型能理解的信息形式可能不同。
- 多模态解决的是：模型能感知什么形式。
- 它不等于 Agent：会看图，不代表会自主连续完成任务。
- “文件”不是一种模态本身；文件里可能装着文字、图片、音频等。
它回答的问题：AI 能理解哪几种信息形式？
→
最容易混淆：Memory 像长期文件柜；Context 是此刻桌面。Multimodal 则像眼睛、耳朵——它决定“这些资料能不能被看懂”。
03
AI 怎么知道“怎么做”？又怎么接到外部工具？
这就是最常被混在一起的 Skill 和 MCP：一个给方法，一个给接口。
Skill = 操作手册 / SOP
教 AI 做一类事情时应该遵循什么步骤、风格、检查点和模板。
先建心智模型→拆角色→画关系→术语最后挂上去
- 可以包含：
SKILL.md、示例、脚本、模板、资源。
- 成熟做法通常是按需加载，避免把全部技能一次塞进 Context。
Skill 回答：这类任务应该怎么做？
VS
MCP = 通用外接接口
让 AI / Agent 用一种标准方式连接外部工具和数据，像“AI 世界的 USB”。
↕
AI / Agent通过标准接口调用能力
- 外部服务可以暴露 Tools / Resources / Prompts 等能力。
- MCP 不负责告诉 AI “安全审计该按哪几步做”。那属于方法层。
MCP 回答：AI 怎么连接外部能力？
→
一句话：Skill = 怎么做；MCP = 用什么做。比如安全审计 Skill 告诉你审计步骤，GitHub MCP 负责真正把仓库代码拿给 Agent。
04
为什么 AI 可以连续干活，而不是只回答一次？
关键是 Loop：看结果，再决定下一步，然后继续。
真正的工作过程更像：读 → 判断 → 做 → 检查 → 再做
Loop 回答：AI 怎么持续工作？
→
Loop 的核心不是“重复”本身，而是每一轮都根据新结果重新决定下一步。复杂任务因此可以被一点点推进。
05
那到底什么才叫 Agent？
先把“会聊天的模型”和“会完成工作的 Agent”分开。
Agent ≈ Model + Context + Tools + Loop + Goal
✓
不只是回答问题
它会采取动作，让世界或文件状态发生变化。
✓
会使用工具
例如读仓库、查网页、运行命令、改文件、发请求。
✓
围绕一个 Goal 工作
例如“把这个 Bug 修到测试通过”。
Agent 回答：谁在围绕目标自主完成任务？
→
Model ≠ Agent：模型更像“大脑”；Agent 是装上目标、上下文、工具和循环之后的“完整工作人员”。
06
Harness 为什么重要？
因为光有“聪明的大脑”还不够。AI 要稳定工作，需要一个运行环境来管 Context、工具、权限、文件、重试和日志。
Harness · 工作环境 / 管理框架
Context
装什么资料
Memory
长期记什么
Skill
加载什么 SOP
Sandbox & 权限
能做什么
MCP / Tools
可调用能力
Context 管理什么时候把哪些信息放到“桌面”上。
Skill / MCP / Tools 管理什么时候加载方法，什么时候调用外部能力。
Sandbox / 权限限制 Agent 可以读什么、写什么、执行什么。
文件 / 日志 / Trace让执行过程可观察、可定位问题。
重试 / 超时 / 错误恢复工具失败时，不让整个 Agent 立刻崩掉。
Harness 回答：谁把这一切组织起来，让 Agent 稳定工作？
→
最好记的比喻：Harness 像“公司 + 办公室 + IT 管理制度”；Agent 像员工。公司不替员工思考，但它决定员工能否稳定、安全、可控地干活。
07
最后：把它们全部串成一次真实任务
任务：“分析一个 GitHub 项目，并给小白做一张白板。” 看看 7 个概念分别在哪一步起作用。
Harness · 把整套系统组织起来
Skill提供方法论：怎么分析、怎么讲清楚
Agent围绕目标把任务做完Loop：看 → 想 → 做 → 再看
MCP连接 GitHub、文件系统、检索工具
Context当前问题、历史对话、代码片段、工具结果
Model · 大脑理解、推理、决定下一步↑ ↓
在 Loop 中不断接受新结果
Multimodal如果项目里有截图、架构图，也能一起理解
Context / Multimodal模型看到什么
Skill / MCP模型怎么做、能连什么
Loop / Agent怎么持续把任务推进
Harness外层运行环境
真实任务流：从一句话到最终白板
注意：这是为了理解关系而画的简化流程，不表示所有 Agent 实现都必须一模一样。
1
用户提出目标“分析这个 GitHub 项目，并做一张白板。”2
Context 带资料问题、历史对话、项目信息、工具结果进入当前桌面。3
Skill 给方法决定先拆角色，再画关系，再挂术语。4
MCP / Tools 接外部读取 GitHub、文件系统、检索结果。5
Agent Loop 推进读代码 → 分析 → 搜索 → 再判断 → 重组。6
Multimodal 补感官如果有架构截图、流程图，也可以一起理解。7
输出白板HTML / 讲解 / 图表，交付给用户。
最容易混淆的 5 组关系
Context vs MemoryContext：当前桌面
Memory：长期文件柜
Skill vs MCPSkill：方法
MCP：接口
Model vs AgentModel：大脑
Agent：完整工作人员
Multimodal vs AgentMultimodal：会看 / 会听
Agent：会连续完成任务
Loop vs WorkflowLoop：根据结果反复迭代
Workflow：事先规定的流程
最后记住这 8 句就够了
1.Model 是大脑。
2.Context 是当前桌面。
3.Multimodal 是感官。
4.Skill 是操作手册。
5.MCP 是外接接口标准。
6.Loop 是工作循环。
7.Agent 是能围绕目标完成任务的 AI 员工。
8.Harness 是把这些能力组织起来的工作环境。
以后看到任何 AI Agent 项目，都可以用 5 个问题去拆：它看到了什么？会什么？能连什么？怎么循环？谁把这一切组织起来？