Hugging Face AI Agent 術語表：定義 Harness、Scaffold 與 Agent 架構

Hugging Face 發布了一份技術術語表，旨在將快速演進的 AI Agent 詞彙標準化。核心觀點是 Agent = Model + Harness，其中模型提供推理能力，而 harness 提供執行迴圈與環境互動。

核心 Agent 架構

AI Agent 不僅僅是一個大型語言模型 (LLM)，而是一個將原始文本生成轉化為「觀察、決策與行動」迴圈的系統。此架構分為三個主要組成部分：

模型是底層的 LLM（例如 Claude、GPT、DeepSeek），負責接收文本輸入並產生文本輸出。模型本身在呼叫之間沒有記憶，也沒有執行迴圈；它可以表達使用工具的意圖，但無法獨立執行該工具。

Scaffolding 是定義行為的層級，塑造了模型感知世界並在其中行動的方式。它包括：

雖然某些產品使用「harness」一詞來描述圍繞模型的整個系統，但在思考訓練流程時，區分 scaffold 與 harness 是至關重要的。

Harness 是讓 Agent 運行的執行層。它負責呼叫模型、處理工具呼叫，並決定 Agent 何時應該停止。

Harness engineering 是設計此層級的學問，專注於錯誤處理、護欄 (guardrails) 與終止條件。這適用於推理與評估，在評估中，「eval harness」會執行固定場景以記錄指標，而非更新模型權重。

Context engineering 是設計進入 Agent 上下文窗口 (context window) 內容的過程，包括 system prompts、檢索到的知識與對話歷史。這是一個由 harness 管理的動態過程。

Policy：Agent 遵循的行為，定義了在任何給定情況下採取特定行動的機率。Policy 是模型權重結合 scaffolding 與 harness 的結果。
Tool Use：Agent 與外部系統（APIs、資料庫、程式碼解釋器）互動的機制。模型以結構化格式表達意圖，接著由 harness 將其路由至適當的函式。

Skills：用於完成多步驟目標（例如「調查一個 bug」）的可重複使用、結構化知識包；而 tool 則是單一動作（例如「執行一個指令」）。
Sub-agents：由主 Agent（編排者）呼叫以處理特定子任務的獨立 Agent。與 tools 或 skills 不同，sub-agents 可以進行推理、使用自己的工具並呼叫進一步的 sub-agents。

對於開發模型的人來說，Hugging Face 識別了強化學習 (RL) 訓練流程的四個關鍵組成部分：

RL Environment：一個有狀態的物件，接收一個動作（通常是工具呼叫）並返回一個觀察結果（例如檔案系統在執行 touch 指令後返回檔案列表）。
Trainer：執行 Agent 軌跡 (episodes)、評分結果並更新內部模型權重的系統（例如 TRL 的 GRPOTrainer）。
Rollout：從開始到結束的完整 Agent 執行過程，也稱為 trajectory 或 trace。這為 RL 演算法提供了原始數據。
Reward：用於更新權重的分數。Reward 可以是可驗證的 (pass/fail)、學習到的 (人類偏好)、稀疏的 (單一回合結束分數) 或稠密的 (每一步的分數)。Rubrics 被用於將 reward 拆解為加權的顯性維度。