AIAgent 不只是大模型+ Function Calling!一文讲透 Planner、Memory、Skill、Tool、MCP 和 Harness

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。

这两年，AI Agent 的技术名词越来越多。

Planner、Reasoning、Memory、Tool、Function Calling、MCP、Skill、Workflow、Reflection、Harness……几乎每隔一段时间，就会出现一个新的概念。

有些开发者把 Agent 理解成大模型加工具调用，有些人认为接入 MCP 就拥有了智能体能力，还有人开始给 Agent 配置各种 Skill，希望它能够承担更多专业工作。

这些技术放在一起，究竟是什么关系？

我一直觉得，理解 AI Agent，不能只看它调用了多少工具，也不能只看它背后使用了什么模型。真正值得研究的是，当用户交给它一项复杂任务时，它如何理解目标、制定计划、选择技能、调用工具、处理结果，最后把事情完整交付。

我们可以用一个具体任务来理解。假设你对 Agent 说：

「帮我研究一下最近 AI Agent 行业的发展趋势，整理成一份 PPT，然后发送到飞书。」

这句话看起来很简单。但 Agent 真正需要完成的工作包括资料搜集、信息筛选、行业分析、观点提炼、PPT 制作、内容检查和消息发送。中间任何一个环节出现问题，都可能影响最终结果。

它需要知道先做什么，应该使用什么能力，资料不够怎么办，生成的 PPT 是否符合要求，飞书有没有真正发送成功。

这已经涉及一整套 Agent 技术架构。

📌 本文看点

01

九大模块与五层架构

02

Skill：从通用到专业

03

Agent Loop 与 Harness

01

ARCHITECTURE

先看整体架构，AI Agent 到底由什么组成？

我把一个完整的 AI Agent 拆成九个核心模块：Planner、Reasoning、Memory、Skill、Tool、MCP、Agent Loop、Reflection 和 Harness / Runtime。它们分别承担不同的职责。

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

这里有一个容易被忽略的地方。这九个模块并不是九个互相独立的程序，也不一定对应九个独立的 Agent。它们是从不同职责角度划分出来的架构能力，实际产品可以把多个能力放在同一个运行时中。

从技术架构上看，可以把它们归纳为五个层次。

1

任务入口。接收用户目标，明确任务要求和交付结果。

2

智能决策。Planner、Reasoning、Memory 和 Reflection 负责理解、规划、判断与修正。

3

专业能力。Skill 负责把专业知识、操作规范和工作方法组织起来。

4

工具连接。Tool、Function Calling 和 MCP 负责让 Agent 获得外部执行能力。

5

工程运行。Harness / Runtime 负责管理上下文、执行状态、权限、异常、日志和任务生命周期。

其中，Agent Loop 会贯穿整个执行过程。理解了这个结构，再来看每个模块，就容易多了。

02

PLANNING

Planner 和 Reasoning，决定 Agent 如何思考和行动

1. Planner，负责把目标拆成任务

用户提出的通常是一个结果要求，而不是一份可以直接执行的操作清单。例如，制作一份 AI Agent 行业研究 PPT。Planner 首先需要理解用户的目标，识别最终交付物，然后将任务拆解成若干步骤。

...task-decomposition

User Goal

　　│

　　▼

Planner

　　│

　　├── Task 1：收集行业资料

　　├── Task 2：分析技术架构

　　├── Task 3：研究代表性产品

　　├── Task 4：提炼行业趋势

　　├── Task 5：生成 PPT

　　├── Task 6：检查内容和格式

　　└── Task 7：发送飞书

这就是 Task Decomposition，也就是任务拆解。不过，Planner 的工作不应停留在生成一张 Todo List。复杂任务中，子任务之间存在依赖关系。

例如，PPT 的内容必须建立在研究结果之上，研究结论又需要经过资料验证。如果第一步没有找到足够的有效资料，后面的任务就应该调整。因此，Planner 还需要考虑任务依赖、执行顺序、任务状态和动态重规划。

2. Reasoning，负责当前的推理和决策

Planner 给出了整体计划，Reasoning 则负责处理执行过程中的具体判断。假设 Agent 搜索到两份资料：一份认为 AI Agent 已经进入企业核心业务，另一份认为大部分企业 Agent 仍处于试点阶段。Agent 应该如何处理？

它需要分析资料发布时间、来源可信度、研究对象和统计口径，判断两份资料是否真的存在冲突。如果两份资料讨论的是不同企业规模、不同业务场景，结论可能完全可以同时成立。

Reasoning 需要完成问题分析、逻辑推理、方案比较和行动决策。两者的职责可以这样理解：

「Planner 管理任务的整体安排，Reasoning 处理当前步骤中的判断。」

一个负责任务推进，一个负责具体决策。两者通常会相互配合。

03

MEMORY

Memory，为什么 Agent 需要记忆？

我们再看一个问题。假设 Agent 已经完成了三轮资料搜索，整理出一份研究框架，还生成了部分 PPT。这时，如果系统丢失了之前的任务状态，它可能会重新搜索资料，重复分析已经完成的内容，甚至忘记用户最初提出的要求。这就是 Memory 要解决的问题。

Agent 的记忆可以按照用途划分为几类。

类型	保存内容	使用场景
短期记忆	当前对话和上下文	理解用户刚刚提出的要求
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	了解用户的长期习惯
情景记忆	过去任务及执行经验	参考以前的处理方式

这里需要注意，Memory 和 Context 并不是一回事。Context 是模型当前能够使用的信息集合，Memory 则负责保存、检索和更新有长期价值的信息。记忆中的内容可以在需要时被检索，再注入当前上下文。

一个比较完整的 Memory 系统，还需要处理几个问题。

Memory Retrieval

什么时候检索记忆。

Memory Update

什么情况下更新记忆。

Memory Consolidation

如何整理和压缩历史信息。

Context Management

如何控制上下文长度。

例如，用户曾经要求所有行业研究报告都附上资料来源，这个偏好可以进入长期记忆，在下一次研究任务中被检索出来。而当前 PPT 已经完成到第六页，则属于当前任务的工作状态。这两类信息不能混在一起管理。

04

SKILL

Skill，Agent 从通用能力走向专业工作的关键

我认为，Skill 是当前 Agent 架构中非常值得重点研究的一项技术。很多 Agent 已经具备浏览器搜索、代码执行、数据库查询和文档生成能力。但工具很多，能否完成专业工作，仍然取决于Agent 是否掌握正确的方法。

例如，让一个 Agent 制作行业研究报告。它可以调用搜索工具，也可以读取 PDF，还可以生成 PPT。但它是否知道应该如何选择资料来源？是否知道如何交叉验证信息？是否知道如何组织研究框架？是否知道一份报告应该检查哪些问题？这些都属于专业工作方法。Skill 正是为了解决这类问题。

1. Skill 到底是什么？

Skill 可以理解为一套可以被 Agent 发现、加载和执行的专业能力包。它通常包含技能说明、操作流程、参考资料、脚本和示例。以常见的 Agent Skills 目录组织方式为例，一个 Skill 可以长这样：

...directory

research-skill/

│

├── SKILL.md

│

├── references/

│　　├── research-method.md

│　　├── source-guide.md

│　　└── report-template.md

│

├── scripts/

│　　├── search.py

│　　└── verify.py

│

└── assets/

　　　└── template.pptx

其中，SKILL.md是技能的入口文件。它会告诉 Agent 这个技能适合什么任务、什么时候应该使用、执行时需要遵循哪些要求，以及需要读取哪些资源。references保存专业知识和参考规范，scripts保存可以复用的程序，assets则可以放置模板等配套文件。

需要说明的是，不同 Agent 平台对 Skill 的目录结构和加载机制可能有所差异，上面展示的是一种常见的组织方式。

2. 一个 Skill 应该包含什么？

以 Research Skill 为例，可以把它拆成几个部分。

组成部分	作用
Metadata	技能名称和适用场景
Instructions	定义技能的执行规则
Workflow	规定具体工作步骤
References	提供专业知识和参考资料
Scripts	执行可复用的程序
Examples	展示输入输出和质量要求

这里最重要的是 Instructions。Agent 发现任务适合某个 Skill 后，可以读取 SKILL.md，了解这项工作的具体要求，再根据需要加载参考资料和脚本。例如，Research Skill 可以规定：

1

先明确研究主题和范围。

2

优先寻找可靠的信息来源。

3

对重要信息进行交叉验证。

4

将事实、观点和推断分开整理。

5

提炼关键结论。

6

按照指定模板输出研究报告。

7

检查来源、数据和内容完整性。

Agent 执行这项任务时，就有了一套可以遵循的工作方法。

3. Skill 是如何被 Agent 使用的？

实际执行时，可以形成这样的过程。

这里有一个很重要的设计：Skill 通常可以按需加载，不必在 Agent 启动时把所有技能的完整内容都塞进上下文。Agent 可以先了解技能的名称和描述，判断是否匹配，再读取具体的 SKILL.md；遇到特定任务时，再加载相关参考资料和脚本。这样既能管理上下文，也方便企业持续增加专业技能。

4. 企业为什么需要 Skill？

想象一家企业，里面有销售、财务、研发、客服和数据分析团队，每个岗位都有自己的工作方法。销售人员知道如何整理客户信息、判断商机、准备拜访材料；财务人员知道如何核对数据、检查异常、执行审批；研发人员知道如何阅读代码、运行测试、进行代码审查。这些经验原来主要保存在员工的脑子里、团队文档里和业务流程里。

Skill 可以将其中一部分整理成 Agent 能够调用的专业能力。例如：

Research Skill

行业研究和资料分析。

Coding Skill

代码开发、测试和审查。

Data Analysis Skill

数据清洗、统计分析和报告。

PPT Skill

内容组织、页面设计和图表生成。

Customer Service Skill

客户问题分类、知识检索和回复规范。

企业可以逐步沉淀自己的 Skill 库。以后新建一个 Agent 时，不必从头编写所有专业工作规则，可以根据任务组合已有技能。这对企业 Agent 的规模化应用很有价值。

05

TOOL & MCP

Tool 和 MCP，Agent 如何真正连接外部世界？

有了规划、推理、记忆和专业技能，Agent 还需要执行能力。这就涉及 Tool 和 MCP。

1. Tool，提供具体的执行能力

Tool 是 Agent 可以调用的工具接口。常见的工具包括：

工具类别	典型能力
信息获取	浏览器搜索、网页读取
代码执行	Python、Shell
数据处理	SQL、Excel
文档生成	Word、PPT、PDF
协作办公	飞书、邮件、Notion
企业业务	CRM、ERP、业务 API

例如，Research Skill 规定了研究步骤，Browser Search Tool 负责搜索资料，Python Tool 可以进行数据分析。Skill 决定工作方法，Tool 提供实际执行能力。

2. Function Calling，模型如何调用工具？

大模型通常不会直接操作外部系统。开发者需要向模型提供工具的名称、描述和参数结构。当模型判断需要调用工具时，会生成符合定义的结构化调用请求。例如：

...json

{

　"tool": "search_web",

　"arguments": {

　　"query": "AI Agent industry trends 2026"

　}

}

Agent Runtime 接收到调用请求后，再由对应的执行组件真正调用搜索服务。工具执行完成后，系统把结果返回给模型，模型根据结果继续处理任务。这就是典型的 Function Calling 流程。

💡 模型生成了工具调用请求，不代表工具已经成功执行。真正的执行结果需要由运行环境确认。

3. MCP，让 Agent 连接更多外部系统

当一个 Agent 需要连接 GitHub、飞书、Notion、数据库和企业内部系统时，逐个开发和维护接口会增加工作量。MCP，也就是 Model Context Protocol，为模型应用连接外部工具和上下文提供了一套标准化协议。它的基本组成包括：

MCP Host

承载 AI 应用的宿主环境。

MCP Client

负责与 MCP Server 通信。

MCP Server

向客户端提供能力。

Tools

提供可调用的操作。

Resources

提供可读取的上下文资源。

Prompts

提供可复用的提示模板。

例如，Agent 可以连接 GitHub MCP Server，获取仓库信息、读取代码或执行允许的操作；也可以连接飞书 MCP Server，查询消息、读取文档或发送通知。这里要分清三个概念：

「Skill 规定怎么做，Tool 提供具体操作，MCP 提供标准化连接方式。」

三者配合起来，Agent 才能把专业方法真正应用到外部系统中。

06

LOOP

Agent Loop，为什么智能体需要不断循环？

前面介绍的模块，最终都要进入一个执行过程，这就是 Agent Loop。传统的软件流程通常由开发者提前定义好每一步，程序按照固定顺序运行；而 Agent 面对的任务经常存在不确定性。

第一次搜索可能找不到有效资料，工具可能超时，生成的文件可能不符合要求。它需要根据实际结果决定下一步。一个典型的 Agent Loop 可以表示为：

例如，Agent 正在制作 AI Agent 行业研究 PPT。第一次搜索时，它发现资料不足。于是 Planner 调整研究计划，Reasoning 决定增加技术架构和产品案例两个方向，Research Skill 继续指导资料搜集，Tool 执行搜索。

接下来，Agent 获取资料并生成 PPT。如果检查发现数据缺少来源，它会重新检索；如果页面布局出现问题，则调用相应的文档处理工具进行修改。每一次工具执行，都会产生新的 Observation。Agent 根据这些结果更新当前状态，再决定下一步行动。

这就是 Agent Loop 的价值。它让 Agent 可以在复杂任务中持续推进，而不必把所有步骤都提前写死。

💡 循环必须有边界。系统需要设置最大执行步数、超时、预算、权限和终止条件，避免 Agent 陷入无休止的调用。

07

REFLECTION

Reflection，Agent 如何检查自己做得对不对？

Agent 完成了动作，事情就一定做好了吗？未必。搜索工具返回了结果，不代表资料可靠；PPT 文件生成成功，不代表内容正确；飞书接口返回了响应，也需要确认消息是否真正发送到目标位置。Reflection 负责对执行过程和最终结果进行检查。可以把它分成几个环节：

Result Verification

检查结果是否符合任务要求。

Error Detection

发现内容错误、工具异常和执行失败。

Plan Correction

发现问题后，调整原有任务计划。

Memory Update

将值得保留的经验和任务结果更新到记忆系统。

这里还有一个工程细节值得注意：Reflection 可以让模型参与判断，但不能把所有检查都交给模型自己说了算。例如，PPT 是否存在，可以通过文件系统检查；数据格式是否正确，可以通过程序校验；飞书是否发送成功，需要检查工具执行结果。不同类型的问题应该使用不同的验证方式。我比较认同一种设计思路：

「重要任务必须有明确的完成条件，不能只凭 Agent 自己认为已经完成。」

08

RUNTIME

Harness / Agent Runtime，决定 Agent 能否稳定运行

前面讲了八个核心能力，还有一层经常被忽略，那就是 Harness。如果说 Planner 负责规划，Skill 负责专业方法，Tool 负责执行，那么 Harness / Runtime 就负责让这些能力在一个可控的环境中协同工作。这也是为什么现在越来越多 Agent 工程讨论开始关注 Harness Engineering。一个 Agent 运行起来，至少要处理下面这些问题：

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

举个实际问题。用户让 Agent 修改 GitHub 仓库中的代码。Agent 已经读取文件，生成了修改方案，也准备调用工具提交代码。这时系统需要判断：

1

当前 Agent 有没有权限修改这个仓库？

2

是否允许直接提交？

3

是否需要人工审批？

4

执行失败后应该重试几次？

5

任务中断以后能否恢复到之前的状态？

这些都属于 Harness 需要处理的工程问题。尤其在企业环境中，权限控制和执行审计非常重要。Agent 可以拥有很强的推理能力，但它能执行哪些操作，必须由运行环境和企业权限规则决定。

我认为，Harness Engineering 会成为企业 Agent 建设中非常重要的一项工程能力。模型能力影响 Agent 能够解决多复杂的问题，Harness 则影响它能否持续、稳定、可追踪地完成任务。

09

EXECUTION

把九大模块放在一起，完整执行一次任务

现在回到文章开头的例子：

「研究 AI Agent 行业趋势，生成 PPT，并发送到飞书。」

我们把整个过程串起来。

1

用户提出目标。Agent 接收任务，理解最终需要交付一份 PPT，并发送到指定飞书位置。

2

Planner 制定计划。将任务拆解为资料收集、信息分析、内容组织、PPT 生成、结果检查和消息发送。

3

Reasoning 分析执行要求。判断研究范围、资料来源和内容组织方式，确定当前应该先做哪一步。

4

Memory 提供上下文。读取用户之前的报告偏好、PPT 格式要求和当前任务状态。

5

Skill 提供专业方法。加载 Research Skill，按照规定的研究流程搜集和验证资料；随后加载 PPT Skill，按照页面设计和内容规范制作演示文稿。

6

Tool 和 MCP 执行具体操作。通过浏览器搜索资料，使用数据分析工具整理信息，调用 PPT 生成工具制作文件，再通过飞书连接发送。

7

Agent Loop 持续推进。每完成一个步骤，就获取执行结果并判断下一步。如果资料不够，就继续研究；如果文件生成失败，就调整参数重新执行。

8

Reflection 检查结果。检查 PPT 内容、文件完整性和发送状态，发现问题后重新处理。

9

Harness 管理整个执行过程。持续管理任务状态、上下文、权限、调用记录、异常恢复和任务终止。

最终，Agent 向用户返回 PPT 文件和飞书发送结果。整个执行过程可以总结为：

这才是一套比较完整的 Agent 执行架构。

∞

SUMMARY

Agent 技术正在从模型能力走向系统工程

把这些技术放在一起看，会发现 Agent 的发展已经涉及多个不同的工程领域。Planner 负责任务拆解，Reasoning 负责判断，Memory 负责信息管理，Skill 负责专业工作方法，Tool 负责执行，MCP 负责连接，Agent Loop 负责持续推进，Reflection 负责检查，Harness 负责整个系统的运行管理。每一项技术都有自己的位置。

我尤其看好 Skill 和 Harness 这两个方向。Skill 让专业工作方法能够被沉淀和复用，未来企业可能会拥有自己的 Skill Library，把研发、财务、销售、客服和数据分析等岗位的部分工作经验整理成标准化技能。Harness 则让这些技能真正进入生产环境，它需要管理模型、上下文、工具、权限和执行状态，保证 Agent 在长任务中能够持续工作。

这也会改变企业建设 AI Agent 的方式。过去，企业更关心选择哪个模型、接入哪个 API、使用什么 Agent 框架；接下来，企业还需要认真考虑专业技能如何沉淀、工具如何管理、执行权限如何划分、任务如何验证，以及运行过程如何审计。

模型当然重要，但一个 Agent 能否真正承担工作，最终取决于整套系统的配合。