AI Agent领域的术语正快速演变，但共识滞后，导致“Harness”和“Scaffold”等概念在讨论中常常混用。本文旨在厘清这些关键术语，尤其区分容易被混淆的Harness与Scaffold，并延伸到Agent、Context Engineering、训练相关概念。

Scaffolding（脚手架）是模型周围的行为定义层：系统提示、工具描述、跨步骤记忆管理（上下文工程）。它塑造模型如何看待世界和行动，但不直接驱动执行。Harness（调度器）是执行层：负责调用模型、解析输出、处理工具调用、决定何时停止。产品如Claude Code、Codex和Antigravity CLI常将整个非模型部分称为harness。两者在训练和推理中都需要分别设计，但大多数讨论和框架并没有严格区分，这正是混淆的根源。

Agent（智能体）源自强化学习：一个接收观察、返回动作的函数。在LLM世界中，Agent = Model + Harness。模型（如Claude, Qwen, DeepSeek）本身无记忆无循环，包裹上Scaffolding和Harness后成为能行动循环的Agent。同一模型套上不同Harness会表现截然不同，同一Harness换更好的模型也会改变体验。Context Engineering（上下文工程）设计模型的上下文窗口内容（系统提示、工具描述、对话历史），在推理和训练中都关键但成本不同。Policy（策略）是Agent的行为规则，部分在模型权重中学习，部分由Harness和Scaffolding决定。Tool Use（工具使用）通过结构化格式表达意图并由Harness路由执行。Skills（技能）是可复用的多步任务包，比单个工具更综合。Sub-agents（子代理）拥有自己的模型和Scaffolding，独立推理并返回结果。

训练侧术语：RL Environment（强化学习环境）是能接收动作、更新状态并返回观察的对象（如文件系统）。Trainer（训练器）循环运行Agent、计算奖励并更新模型权重，如TRL的GRPOTrainer。Rollout（回放）是一次完整Agent运行的轨迹和奖励。Reward（奖励）可以是可验证的（测试通过/失败）、学习的（人类偏好）、稀疏的（整次结束得分）或密集的（每一步得分）。Rubrics（评分细目）将奖励拆分为带权重的维度。

无论构建、部署还是使用Agent（如Claude Code、Codex、Hermes Agent），这些术语都频繁出现。本文不试图强制一种正确词汇，而是提供一个实用的心理模型，让讨论更顺畅。