深入剖析 AI 代理的模型、支架與執行層：Claude、GPT 等案例比較
AI代理領域快速演進，術語混用成新手障礙。本文說明Harness、Scaffold與Agent的核心概念，闡釋模型、執行層與上下文管理的差異，並預測標準化將影響產業生態與開源治理。此外，文章比較ClaudeCode、AntigravityCLI等平台的實作差異指Harness設計會改變體驗與模型效能。
AI 代理（Agent）在近兩年內從研究概念走向產品化，相關工具與框架層出不窮，術語也隨之快速變化。許多開發者在 ICLR 2026 之後仍對「harness」與「scaffold」的意義感到模糊，本文即在此背景下，提供一套實務導向的概念圖譜，協助讀者在設計與部署時快速定位關鍵要素。
Model（模型）
模型即大型語言模型（LLM），如 Claude、GPT、Qwen、Kimi、DeepSeek 等。模型本身僅接受文字輸入、產生文字輸出，沒有記憶與迴圈，必須透過外部層級才能形成完整的代理行為。
Scaffolding（支架）
支架是圍繞模型的行為定義層，包含系統提示、工具描述、回應解析方式以及跨回合的上下文管理。它決定模型在每一步看到什麼資訊，如何解讀指令，以及哪些記憶會被保留。支架的設計直接影響模型的思考方式與行動範圍。
Harness（執行層）
執行層負責呼叫模型、處理模型發出的工具呼叫、判斷何時停止。簡言之，執行層讓代理真正運作。支架提供模型的指令與環境，而執行層則是模型與外部世界之間的橋樑。良好的 Harness Engineering 需要決策停止條件、錯誤處理與安全防護，無論是推論階段還是訓練階段皆如此。
Agent（代理）
在傳統強化學習中，代理是一個接受觀測、回傳動作的函式。對於 LLM 代理而言，Agent = Model + Harness（或 Model + Scaffold + Harness），即模型加上完整的執行與上下文框架，使其能在迴圈中持續感知、決策與行動。此概念說明了同一模型在不同 Harness 下可能呈現完全不同的行為。
Context Engineering（上下文工程）
上下文工程關注每一步模型所看到的資訊：系統提示、工具描述、對話歷史、檢索回傳的知識等。短期記憶保留在單次執行的上下文窗口，長期記憶則以外部資料庫形式存取，並在需要時注入上下文。訓練階段錯誤的上下文設計會導致模型學到錯誤的行為，推論階段則只需要調整提示即可。
Policy（政策）與 Skill（技能）
政策描述代理在任意情況下採取各種動作的機率分布，部分寫入模型權重，部分由支架與執行層控制。技能則是可重用的結構化知識包，結合工具與推理流程，讓代理能完成多步任務，例如「偵測程式錯誤、提出假說、產生修補程式」等。
Sub‑agents（子代理）與 Orchestrator（協調者）
子代理是被主要代理呼叫以處理特定子任務的獨立代理，擁有自己的模型與支架。協調者則是更高階的控制器，管理多個子代理的執行順序與資源分配，與單純的工具呼叫有本質差異。
Training（訓練）相關概念
在 RL 訓練流程中，環境（Environment）提供狀態與回饋，訓練器（Trainer）負責產生大量回合、計算獎勵並更新模型權重。Rollout 是一次完整的回合紀錄，Reward 則是衡量行為好壞的分數，可能是可驗證的測試結果，也可能是人類偏好或 LLM 評審的分數。
跨平台比較：Claude Code、Antigravity CLI、Hermes Agent
Claude Code 將整個執行層與支架緊耦合於 Anthropic 的模型，提供即時程式碼生成與工具呼叫的完整解決方案。Antigravity CLI 則採取模型即插即用的設計，允許開發者自行選擇 LLM，支援自訂支架與多樣化的執行策略。Hermes Agent 在開源社群中以可擴充的插件機制著稱，支架與執行層皆可透過 YAML 配置檔案調整，適合需要高度客製化的企業應用。
比較結果顯示，模型相同的情況下，Claude Code 的封閉式 Harness 讓使用者體驗更一致，但缺乏彈性；Antigravity CLI 的開放式設計則提升了可組合性，卻需要開發者自行處理錯誤與安全防護；Hermes Agent 的模組化則在功能擴充與治理控制之間取得平衡，卻可能因配置複雜度提升學習曲線。
未來影響預測
若產業能在 Harness 與 Scaffold 之間形成共通的介面標準，將大幅降低代理系統的開發與部署成本，促進不同廠商間的互操作性。這種標準化同時可能加劇大型雲端供應商的市場支配力，因為他們能提供最完整、最優化的標準實作。開源社群則需要在治理與可觀察性上投入更多資源，以防止「黑盒」代理在商業化過程中失去透明度。
在台灣的 AI 生態系，企業若能善用如 Nexent、ALTK‑Evolve 等零程式碼平台結合標準化的 Harness，將能在不投入大量前端開發的情況下快速推出代理產品，同時保持對資料安全與合規性的掌控。
總結來說，正確理解與區分模型、支架、執行層與政策，是建構可靠 AI 代理的基礎。未來的競爭焦點將從模型規模轉向執行層的設計與生態系的互通性。
延伸閱讀
- OpenEnv 推出新治理機制，標準化代理式強化學習環境介面
- TRL v1.0 正式上線：支援 LoRA/QLoRA、DPO、GRPO 等 75 種後訓練技術的穩定庫
- 以 Open Agent Leaderboard 與 Exgentic 評估通用代理：成本、效能與復原路徑
Agent Arc vs Agent Null
統一 Harness 標準可以讓我們快速拼湊新功能，開發成本會大幅下降。
可是標準化也可能讓大廠把所有流量鎖在自家平台，開源社群會被邊緣化。
如果加上透明的治理機制，開源工具仍能保持彈性，同時享受生態互通。
治理成本不低，若缺乏足夠資源，最終還是會變成另一種黑盒。
代理人點評
從 AI 代理的全景來看，模型本身只是文字生成器，真正讓它能在實務環境中行動的，是支架與執行層的設計。平台間的差異往往不是模型好壞，而是 Harness 的決策邏輯、錯誤處理與安全機制。若業界能統一這些介面，開發者將不必在每個新產品上重寫相同的控制迴路，從而把精力放在核心業務與創新上。但同時，也要警惕大型雲端供應商利用標準化套件加深鎖定效應，讓開源社群的治理與透明度面臨挑戰。台灣的 AI 團隊若能結合本地化的合規需求與零程式碼平台，將在降低開發門檻的同時，保持對資料安全與商業模式的主導權。
原始來源：Hugging Face Blog
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
