講完了AI Agent的定義，接著是兩個比較抽象的層次。
內層是LLM與上下文還有工具組成的Harness(模型運行與交互層)結構;外層則是AI Agent與"Environment"的交互關係。環境包含文件、數據庫、網頁、用戶等...還有其他AI Agent以及物理或是仿真世界(可以想成是物聯網)。

AI Agent只能通過觀察和行動接口與"環境"交互作用。

如同昨天所講，LLM(Model)負責策略決策; Harness是AI Agent 邊界內環繞模型的運行與治理，這部分負責構造上下文、暴露工具接口、維護循環與狀態(這個很重要)，還有實施權限、驗證、修正。Harness並不包含"環境"自身的狀態與轉移規律。

所以說：
"上下文"是觀察和記錄歷史在AI Agent內部的表示，並不等於整個觀察空間。
"工具"則定義AI Agent可使用的觀察與行動接口。但是，工具背後的對象仍屬於環境(後面會有講解)。

可以想像AI Agent透過觀察通道與動作接口，一起構成AI Agent與外部環境之間的邊界。
Harness把環境返回的觀察轉換為模型能夠處理的上下文，再把模型選擇的行動轉換為對環境的工具調用。

沒有通過觀察通道進入上下文的信息，基本上就不會有這個AI Agent; 同樣的，沒有被動作接口允許的操作，模型即使知道該麼做，但也僅止於文字(即LLM)。

因此，在底層模型固定時，如何加強AI Agent任務表現最主要的工程手段，往往就是重新去定義或擴展觀察空間與動作空間(這部分比較抽象)，可以想成加強外部工程，也就是擴展上下文以及工具，這也是Harness Engineering所致力的地方。

不是把模型換成更強更厲害(雖然也有影響)，但其實改變接口問題：把任務所需的上下文、完成任務所需的操作包裝成工具，也可以化不可能為可能。

所以說有些時候給予好的prompt(給出具體的目標、操作、條件)，遠比用更好的模型燒更多token與運算還好😊。

Qwen團隊於 2026 年 8 月 14 日正式開源的 原生多模態稠密（Dense）模型，參數規模約 27B（精確約 27.3–27.78B）。它屬於Qwen3.8 系列中面向本地與輕量化部署的版本，官方宣稱在整體表現上超越此前更大參數的 Qwen3.7-Plus，尤其在真實世界編程與辦公工作流上表現突出。
https://huggingface.co/Qwen/Qwen3.8-27B

有點厲害啊...🫠