能回答问题的模型，和能独立完成任务的 Agent，中间隔着一整套工程体系。
近年来，AI Agent 领域涌现出 Planner、Reasoning、Memory、Tool、Function Calling、MCP、Skill、Workflow、Reflection、Harness 等众多技术概念。开发者对 Agent 的理解各异，从简单的“大模型+工具调用”到复杂的 MCP 接入与 Skill 配置。
这些技术究竟如何关联？理解 AI Agent 的核心，不应仅关注模型或工具数量，而应聚焦于其处理复杂任务的全流程：如何理解目标、制定计划、选择技能、调用工具、处理结果并最终交付。
以“研究 AI Agent 行业趋势并生成 PPT 发送至飞书”为例，Agent 需完成资料搜集、筛选、分析、提炼、制作、检查及发送等环节。任一环节失误均影响最终结果，这背后依赖的是一整套 Agent 技术架构。
九大模块与五层架构解析
完整的 AI Agent 可拆解为九个核心模块：Planner、Reasoning、Memory、Skill、Tool、MCP、Agent Loop、Reflection 和 Harness / Runtime。它们并非独立程序，而是从职责角度划分的架构能力。
| 模块 | 核心职责 | 解决的问题 |
|---|---|---|
| Planner | 任务规划 | 接下来要做什么 |
| Reasoning | 推理决策 | 当前应该怎么判断 |
| Memory | 记忆管理 | 如何保留和使用信息 |
| Skill | 专业技能 | 具体工作应该怎么完成 |
| Tool | 工具执行 | 如何执行具体操作 |
| MCP | 外部连接 | 如何连接不同系统 |
| Agent Loop | 执行循环 | 如何持续推进任务 |
| Reflection | 结果反思 | 如何发现错误并修正 |
| Harness / Runtime | 工程运行 | 如何保证整个系统可靠运行 |
从技术架构看，可分为五个层次：
- 任务入口：接收用户目标，明确交付要求。
- 智能决策：Planner、Reasoning、Memory 和 Reflection 负责理解、规划、判断与修正。
- 专业能力：Skill 组织专业知识、操作规范和工作方法。
- 工具连接：Tool、Function Calling 和 MCP 赋予 Agent 外部执行能力。
- 工程运行：Harness / Runtime 管理上下文、状态、权限、异常及生命周期。
Agent Loop 贯穿整个执行过程，理解此结构有助于深入掌握各模块功能。
Planner 与 Reasoning：思考与行动的核心
Planner：任务拆解与动态规划
用户提出的通常是结果导向的目标（如制作行业研究 PPT）。Planner 需理解目标，识别交付物，并将任务拆解为若干步骤（Task Decomposition）。
Planner 不仅生成待办列表，还需处理子任务间的依赖关系。若前置任务（如资料搜集）受阻，需动态调整后续计划，考虑执行顺序与状态管理。
Reasoning：实时推理与决策
Planner 负责宏观安排，Reasoning 处理微观执行中的具体判断。面对冲突信息，Reasoning 需分析来源、时效性及统计口径，进行逻辑推理与方案比较。
「Planner 管理任务整体安排，Reasoning 处理当前步骤判断。」
Memory：Agent 的记忆机制
若无 Memory，Agent 可能重复劳动或遗忘初始要求。Memory 分为四类：
| 类型 | 保存内容 | 使用场景 |
|---|---|---|
| 短期记忆 | 当前对话和上下文 | 理解即时要求 |
| 工作记忆 | 当前任务状态和中间结果 | 记录已完成步骤 |
| 长期记忆 | 稳定偏好和长期信息 | 了解用户习惯 |
| 情景记忆 | 过去任务及执行经验 | 参考历史处理方式 |
需注意 Memory 与 Context 的区别：Context 是当前可用信息集合，Memory 负责长期价值的保存、检索与更新。完整的 Memory 系统需解决检索时机、更新条件、信息压缩及上下文长度控制等问题。
Skill：从通用能力走向专业工作
Skill 是 Agent 掌握专业工作方法的关键。它是一套可被加载和执行的专业能力包，包含说明、流程、参考资料、脚本和示例。
Skill 的结构与组成
核心组成部分包括：
| 组成部分 | 作用 |
|---|---|
| Metadata | 技能名称和适用场景 |
| Instructions | 定义执行规则 |
| Workflow | 规定工作步骤 |
| References | 提供专业知识 |
| Scripts | 执行复用程序 |
| Examples | 展示输入输出及要求 |
Skill 支持按需加载，避免启动时占用过多上下文。企业可将销售、财务、研发等岗位的经验沉淀为 Skill 库，实现专业能力的标准化与规模化应用。
Tool 与 MCP：连接外部世界
Tool：具体执行能力
Tool 提供搜索、代码执行、数据处理、文档生成及业务 API 调用等能力。Skill 决定“怎么做”，Tool 提供“做”的手段。
Function Calling：调用机制
模型生成结构化调用请求（如 JSON），Runtime 接收后执行具体工具，并将结果返回模型。需注意，模型生成请求不代表执行成功，需由运行环境确认结果。
MCP：标准化连接协议
Model Context Protocol (MCP) 解决了连接多种外部系统的复杂性。其组成包括 Host、Client、Server、Tools、Resources 和 Prompts。通过 MCP，Agent 可标准化地连接 GitHub、飞书、数据库等系统。
「Skill 规定方法，Tool 提供操作，MCP 提供连接。」
Agent Loop：持续推进的执行循环
Agent Loop 允许 Agent 在面对不确定性时动态调整。典型流程为：观察环境 → 推理决策 → 执行动作 → 获取新观察。若资料不足或结果不符，Loop 驱动 Agent 重新规划或修正。
提示：循环必须设置最大步数、超时、预算及终止条件，防止无限调用。
Reflection：自我检查与修正
Reflection 负责对执行过程和结果进行检查，包括结果验证、错误检测、计划修正及记忆更新。
重要原则：不能仅依赖模型自我判断。文件系统存在性、数据格式、接口返回状态等应通过程序或系统级校验。重要任务需设定明确的完成条件。
Harness / Runtime：稳定运行的基石
Harness / Runtime 负责在可控环境中协同各模块，处理生命周期、状态管理、上下文工程、工具编排、权限控制、异常恢复、可观测性及评估。
| 工程模块 | 具体职责 |
|---|---|
| Runtime | 管理 Agent 生命周期 |
| State Management | 管理任务状态 |
| Context Engineering | 管理上下文信息 |
| Tool Orchestration | 管理工具调用 |
| Permission Control | 控制工具和数据权限 |
| Retry & Recovery | 处理超时和异常 |
| Observability | 记录执行过程 |
| Evaluation | 评估任务完成质量 |
在企业环境中，权限控制和执行审计至关重要。Harness Engineering 决定了 Agent 能否持续、稳定、可追踪地完成任务。
完整任务执行流程示例
以“研究 AI Agent 行业趋势，生成 PPT 并发送至飞书”为例，各模块协作如下：
- 用户提出目标：明确交付 PPT 及发送需求。
- Planner 制定计划：拆解为搜集、分析、组织、生成、检查、发送等步骤。
- Reasoning 分析要求：确定研究范围及优先步骤。
- Memory 提供上下文：读取偏好、格式要求及当前状态。
- Skill 提供方法：加载 Research Skill 指导搜集验证，加载 PPT Skill 指导制作。
- Tool 和 MCP 执行：搜索资料、整理数据、生成文件、发送消息。
- Agent Loop 推进：根据每步结果判断下一步，动态调整。
- Reflection 检查：验证内容完整性及发送状态。
- Harness 管理：全程管控状态、权限、日志及异常。
总结：从模型能力到系统工程
AI Agent 的发展已涵盖多个工程领域。Planner、Reasoning、Memory、Skill、Tool、MCP、Agent Loop、Reflection 和 Harness 各司其职。
未来，Skill 将帮助企业沉淀专业工作经验，形成标准化技能库；Harness 则确保这些技能在生产环境中稳定运行。企业建设 Agent 的重点将从模型选择转向专业技能沉淀、工具管理、权限划分、任务验证及运行审计。
能回答问题的模型与能独立完成任务的 Agent 之间，隔着一整套工程体系。这套体系，正是 AI Agent 技术架构的核心价值所在。