Agent = Model + Harness

这个公式是 LangChain 工程师对 Agent 本质的一种精炼抽象，把一个复杂的系统拆解成两个正交的关注点。

两个核心组件

🧠 Model（模型）

就是 LLM 本身，负责推理与决策：

• 理解用户意图
• 规划下一步行动（调用哪个工具、传什么参数）
• 综合工具返回结果，形成最终答案

Model 是 Agent 的"大脑"，但它本身是无状态、无执行能力的 —— 只能接收 token、输出 token。

🔧 Harness（框架/脚手架）

Harness 是套在 Model 外面的执行基础设施，负责把模型的"想法"变成"行动"：

为什么这个拆分有价值？

┌─────────────────────────────────────┐
│              Harness                │
│  ┌─────────┐    ┌─────────────────┐ │
│  │  Tools  │    │  Memory/State   │ │
│  └────┬────┘    └────────┬────────┘ │
│       │                  │          │
│  ┌────▼──────────────────▼────────┐ │
│  │           Model (LLM)          │ │
│  │   推理 → 决策 → 输出 Action    │ │
│  └────────────────────────────────┘ │
│       │                             │
│  ┌────▼────────────────────────┐    │
│  │   Loop Control / Planner    │    │
│  └─────────────────────────────┘    │
└─────────────────────────────────────┘

关注点分离：模型能力和执行基础设施可以独立演进

• 换一个更强的模型（GPT-4 → Claude 3.7），Harness 不用改
• 改造工具集或记忆策略，不影响模型本身

解释了 Agent 的上限和瓶颈：

• Agent 表现差 → 先问是 Model 不够聪明，还是 Harness 设计有缺陷
• 很多"Agent 失败"其实是 Harness 没做好（工具描述不清、循环没有退出条件等）

一个直觉类比

Model = 一个聪明的顾问，只靠大脑思考，但手脚被绑着

Harness = 给顾问配备的办公室：电话、电脑、秘书、会议室、日历……

Agent = 顾问 + 完整的办公室，才能真正把事情做成

实践启示

在构建 Agent 时，这个框架提示你要分别优化两侧：

• Model 侧：选择推理能力强、工具调用准确的模型；优化 Prompt 引导模型输出结构化 Action
• Harness 侧：工具描述要精准、记忆要高效检索、循环要有防无限递归机制、错误要可恢复

这也是为什么很多 Agent 框架（LangGraph、AutoGen、CrewAI）的核心竞争力都在 Harness 的设计上，而不是模型本身。