AI关键术语解析

Token 是大型语言模型（LLM）在处理文本时使用的基础单元。在 AI 语境中，Token 通常有两类含义：

MCP 是 Anthropic 于 2024 年 11 月提出的模型上下文协议，目标是打通 AI 模型与外部数据源及工具之间的连接障碍。

ACP 指的是 AI Agent 之间进行信息传递与协同工作的协议概念，用于规范智能体之间的交互方式。目前这一方向仍处于演进阶段，尚未出现统一的行业标准。

注：ACP 现阶段更偏向概念性框架，不同厂商和开源项目都有各自的落地方案，例如 AutoGen 的 agent 间通信机制。

Agent 是一种能够自主感知环境、进行判断并采取行动的 AI 系统。

Skills 是 Agent 可执行的具体能力模块，是构建智能体时最基础的组成单元。它描述了 Agent “知道如何完成”的具体行为方式。

最基础的一类技能，通常直接调用指定函数或方法：

典型场景：

用于执行预先定义好的多步骤流程：

典型场景：

用于调用外部 REST API 或微服务：

典型场景：

用于封装复杂工具所具备的能力：

典型场景：

用于处理特定领域中的知识内容：

典型场景：

属于最小粒度的技能形式，无法继续拆分：

由多个原子技能进一步组合形成：

依据条件选择不同的执行路径：

持续重复执行，直到满足指定条件：

Harness Engineering 是一种以系统化方式构建、测试并优化 AI Agent 工作流的方法。它借鉴了传统软件工程中 “harness”（测试套具）的理念，为 AI 系统建立结构化的评估与优化框架。

它将 AI 系统看作需要工程化治理的复杂系统，而不只是简单进行 prompt 调优。这其中包括：

Harness 是用于控制与评估 AI 系统的测试框架，可提供：

标准化的性能测试集合，用于对比不同配置或版本之间的效果表现：

用于增强对 AI 系统内部运行情况的可见性建设：

核心可观测性维度：

在开发生命周期内持续监测并优化 AI 系统：

注：具体目标数值应结合真实业务场景与模型能力来确定，以上仅作为参考。

OpenHarness 是由香港大学（HKUDS）推出的开源 Agent Harness 框架，旨在为 LLM 提供完整的智能体基础设施支持。

Agent Harness 是围绕 LLM 构建的一整套基础设施，使模型能够成为具备功能的智能体。模型负责提供智能，Harness 则提供双手、眼睛、记忆以及安全边界。

在~/.openharness/skills/目录下创建.md文件：