理解 AI：从 LLM 到 Agent

Tips

先分清“模型”“运行框架”和“Agent”分别是什么，再看产品名称。AI 可以帮助你理解、整理和行动，但它不会自动替你判断事实、承担责任或拥有所有权限。

可以先记成一句话：LLM 是“员工”，Harness 是“工作制度和工具箱”，Agent 就是“主管 + 这些工作机制”。

概念	团队类比	它负责什么	它不自动保证什么
大语言模型（LLM）	员工	接收任务，生成、改写、解释和推理文本	不会自己决定总目标，也不天然拥有文件、网络和执行权限
Harness	公司的工作制度、工作台和权限系统	准备上下文，提供工具，规定任务循环、反馈、沙箱和人工确认	不会把错误答案自动变成事实
Agent	主管或调度者	把大任务拆成小任务，分派给一个或多个 LLM，调用工具，检查结果，再安排下一步	仍需要清晰目标、合适权限和人的最终判断

Agent 本身通常也在调用大语言模型。它不一定拥有一套完全不同的“Agent 专属大脑”，而是负责把任务交给同一个或不同的 LLM，再把文件、工具结果和前一步的反馈整理好，继续推动工作。LLM 负责“做出回答”，Agent 负责“组织回答并把事情往下推进”。

聊天模型适合一问一答；但查资料、读文件、整理结构、执行操作和复核结果，往往需要多轮连续动作。Agent 的出现，就是给 LLM 加上一个能管理上下文、调用工具、分派任务和检查反馈的工作层。

因此 Agent 的优势不是“它换了一种模型”，而是把“目标 → 分工 → 行动 → 反馈 → 修正”连成流程。工具权限越大，越要看清它访问了什么、改了什么、依据什么得出结论。

AI IDE 不是另一种大语言模型，而是把 Agent 放进代码编辑器这张工作台。它介于传统 IDE 和独立 Agent 之间：你仍然能看到文件、终端、运行和调试过程，同时可以让 Agent 连续处理更大的任务。

工具形态	代表	你可以怎样理解
AI IDE	TRAE、Cursor	在编辑器里加入模型对话、代码理解和 Agent 工作流
传统 IDE	VS Code	主要负责编辑、运行、调试、终端和版本控制；接入扩展后也可以调用模型或 Agent

所以可以这样记：LLM 是员工，Agent 是负责分派和复核的主管，AI IDE 是让主管和员工一起工作的编辑器工作台。

词	它到底是什么	入门时怎么用
Prompt engineering	把目标、背景、限制和验收标准说清楚，并让结果可以重复	不用背咒语，先写清“要什么、给谁用、不能做什么、怎样算完成”
Context（上下文）	模型这一次实际能看到的对话、文件、规则和工具结果	只放当前任务需要的材料；上下文不是永久记忆，越多也不一定越好
Token	模型处理文本时使用的切分单位	它会影响上下文容量、响应速度和费用；一个中文字符不一定等于一个 Token
Skill	一套可复用的任务说明、资源和工具使用约定	它告诉 Agent 如何完成某一类工作，但不是模型本身，也不等于额外权限
MCP	让 AI 应用连接外部数据、工具和工作流的开放协议	可以把它理解成 AI 世界的“USB-C”；接入前先确认来源、权限和安全边界

Prompt 不是越长越好，Context 也不是永久记忆。一次使用时，只把当前任务真正需要的材料交给模型，并把完成标准写清楚；涉及外部工具时，再检查它被授予的权限。

MCP 的官方介绍可以帮助你区分“模型会回答什么”和“应用被允许连接什么”。Skill 解决的是“怎样稳定地做一类工作”，MCP 解决的是“应用怎样连接外部能力”，两者不是同一个东西。

AI 的价值不只是“替你做得更快”，更重要的是让你看见任务的结构、工具的边界和结果需要怎样被验证。