AI Agent如何完成你的任务？一文理解7个关键概念

AI Agent如何完成你的任务？一文理解7个关键概念

当大模型能够回答问题之后，企业关心的问题开始发生变化：AI能不能进一步参与实际工作？

例如，一名员工提交一张IT服务工单：“系统无法登录，请帮我处理。”

如果只是聊天机器人，它可以给出排查建议；但如果让AI真正参与处理，就需要进一步获取工单信息、查询知识库和配置数据，根据结果判断下一步，并在授权范围内调用企业系统。

这背后，并不只有一个大模型。

从Token→Prompt→Context→Agent→Harness→MCP→Skills，可以把一套Agent系统拆成七个相互关联的技术层次。

一、Token、Prompt、Context、Agent：先快速建立基础认知

Token是大模型处理文本时使用的离散符号单元，输入、输出和上下文都会涉及Token。它与模型的上下文容量、调用成本和处理效率有关。

Prompt解决的是“要做什么”。用户指令、系统要求、输出格式和约束条件，都可以成为Prompt的一部分。

Context解决的是“完成任务需要知道什么”。历史对话、知识库、工单信息、业务数据以及前面步骤产生的结果，都可能成为模型当前任务的上下文。

在此基础上，Agent进一步负责围绕目标进行任务规划、工具调用和多步骤执行。不再只是根据输入生成一次答案，而是可以根据执行结果决定下一步。但问题也随之出现：

如果一个任务需要连续调用模型、工具和企业系统，谁来管理整个过程？

这就进入了之后的三个概念。

二、Harness：Agent如何真正运行？

传统工作流通常可以预先确定：

A→B→C→D

而一项复杂Agent任务往往是：

模型判断→调用工具→获取结果→再次判断→调用另一个工具→检查结果→继续执行或结束

模型会参与决策，但并不会自动完成这条完整的执行链路。它需要外部软件负责接收模型输出、执行工具调用、保存任务状态，并把新的结果重新提供给模型。因此，Harness可以理解为Agent的运行与控制层。

用一句话理解Harness：

Agent负责决定“下一步做什么”，Harness负责让这个决定在可控的环境中真正执行下去。

以ITSM工单为例：用户提出：“帮我分析这起P1故障。”

Agent判断需要查询历史故障案例，并发起工具调用；系统获得结果后回传。Agent发现还需要了解当前配置关系，再发起下一次查询。新的结果回来后，Agent继续分析，直到能够形成结论。

在这个过程中，Harness需要持续处理这些执行环节，包括任务状态、上下文、工具调用以及执行过程中的异常和控制条件。

AI不仅需要“答对”，还需要在正确的权限和流程范围内执行。例如，查询工单与修改环境配置，不是同一风险等级；而咨询信息和关闭高优先级事件，也不应该拥有相同的操作权限。

三、MCP：Agent如何连接企业已有的系统？

Agent能够做出判断，但企业的数据和操作能力并不都存在于大模型中：

• 工单在ITSM系统
• 配置关系在CMDB
• 告警在监控平台
• 知识沉淀在知识库……

如果Agent每连接一个系统，都采用一套完全不同的调用方式，随着连接的系统越来越多，集成工作也会越来越复杂。

MCP（Model Context Protocol）是一套开放标准，解决的正是这一类连接问题——让AI应用连接数据所在的系统以及外部工具。

从Agent到企业系统，一句话理解：

Agent负责判断需要什么能力→MCP负责标准化连接→企业系统提供实际能力。

例如，Agent判断：

“需要查询这张工单的历史处理记录。”

它可以通过MCP连接对应的ITSM工具，获得查询结果，再把结果交回Agent继续判断。

这也是MCP受到企业AI应用关注的重要原因之一：当AI需要从“生成内容”进一步进入真实业务环境时，系统连接会成为必须解决的问题。

四、Skills：如何沉淀可复用能力？

有了Agent，有了运行环境，也有了连接企业系统的方式，还存在一个问题：

面对同一类业务任务，是否每次都要从头开始告诉AI应该怎么做？

这就是Skills需要解决的问题。

Skill可以理解为针对某一类任务预先封装的知识、操作方式和工作流程。

我们用Prompt是在告诉AI“这一次要做什么”；Skill则是在沉淀“这一类事情通常应该怎么做”。

例如：一套成熟的故障分析流程，本身就包含企业长期积累的经验和规则。如果把这些内容形成Skill，并叠加使用。每当Agent面对类似任务时，就可以调用相应能力，而不需要每次重新组织完整流程。

因此，Skills更接近业务能力的沉淀层。

五、回到ITSM：AI如何从“回答问题”进入服务流程？

再回到最开始的场景。

员工提交：“系统无法登录，请帮我处理。”

AI首先理解用户描述，并结合当前工单、知识库等Context获得必要信息；Agent根据任务判断下一步需要做什么；Harness负责组织整个执行过程；需要访问企业系统时，通过MCP连接ITSM、CMDB等外部能力；面对标准化服务流程，则可以调用相应Skill。

最终，AI可以给出处理建议，或者在明确授权的范围内参与后续操作。

这套七层模型完整描绘了现代AI从底层技术到上层应用的全链路：

· 前三层（Token/Prompt/Context）：基础交互能力，成为大模型的通用底座；

· 第四层（Agent）：AI智能化的核心，实现自动化；

· 第五、六层（Harness/MCP）：企业级规模化、分布式落地的保障；

· 第七层（Skills）：技术落地为商业价值，成为最终交付形态。

这意味着，企业AI的建设重点并不只是选择一个能力更强的大模型。

模型负责理解和生成，Agent负责任务决策，而真正进入企业业务流程，还需要运行机制、系统连接、权限控制以及可复用的业务能力。

对于ITSM而言，这也是AI能力从知识问答进一步进入服务管理流程时，需要重点解决的问题。

结语

对企业来说，大模型只是AI能力的一部分。如何让AI理解企业业务、调用现有系统、遵循服务流程，并在可控范围内完成任务，才是AI真正进入企业服务管理场景需要解决的问题。