今天講回來AI Agent的地板，模型- LLM，也是AI Agent的大腦。

大語言模型(LLM)，是AI Agent的決策核心。收到用戶的請求後，它需要先解析真實意圖(說的往往真想要的有落差)，再將模糊或複雜的任務拆解成可執行的步驟。執行過程中它還要做出判斷：下一步該做甚麼、要不要調用工具、調用哪個工具、傳甚麼參數。這種"理解-規劃-執行"的能力，來自預訓練所累積的知識，是工作流和自主Agent都依賴的基礎。

LLM Agent的一個獨特能力是"內部思考"，在採取實際行動之前，Agent可以先進行規劃與推演。這一過程不改變外部環境，卻能顯著提升後續行動的品質。LLM之所以可以進行有效的內部推演，得益於"預訓練"階段學習到的能力，LLM 在大量文本中統計性地學習到人類常用的推理模式，因此能夠模仿出具有邏輯性的推演過程，包括數學定律、因果關係、問題分解策略等。
因此與傳統強化學習Agent不同，今天基於LLM的Agent不是盲目的隨機探索，而是在結構化的知識體系下展開。

這邊有個地方要解釋，或許有些人會說，ㄟ那現在的Agent不是也有強化學習嗎，這邊不同在哪裡?應該說那是以強化學習為baseline的Agent，而現在介紹的也就是我們日常所使用的是基於LLM，而LLM的Agent何時有強化學習呢? 那在建構完的後訓練，有機會再介紹😅

模型即Agent(model as agent) 這一新範例代表了AI Agent發展的最新方向(座標2026/08)。先進模型通過訓練(特別是強化學習)將工具的調用能力內化為原生能力：何時調用工具、調哪個、傳甚麼參數，都由模型自己決定，無須人工編排，但這不代表框架層變得不重要，剛好相反，模型越強大，圍繞模型構建的Harness就越關鍵(你看openai攻擊進hugging face)。

Harness這個詞原意是馬具(不是馬鞍，那是saddle😅)，即套在馬身上的韁繩與挽具，不是為了限制馬的奔跑能力，而是把它的能力引導到正確的方向上。換到Agent的語境上，模型就是那隻強大且不可預測的馬，Harness則是把它的能力引導成可靠任務執行的外殼。在Agent中，Harness包括上下文管理、工具接口、安全約束、驗證予糾正等基礎設施(後面兩項比較艱深難懂，這系列看情況出)。

模型自主決策的空間越大，出錯時影響的層面也越大，因此需要更精細的約束、驗證和糾正機制來確保可靠性。模型廠商真正的優勢不是"讓框架邊薄"，而是對模型外圍Harness進行協同優化，持續迭代。

這裡有個問題值得大家去思考，如果模型持續變強，那這些Harness會不會被吃掉? Rich Sutton的The Bitter Lesson中回顧了AI研究的這幾十年反覆上演的一幕：研究人員一次次把自己對領域的理解encode進系統，短期見效，長期卻總是輸給隨算力與數據規模持續擴展的通用方案-探索與學習。舉個例子:Deep Blue靠大量西洋棋知識 + 搜尋贏了卡斯帕洛夫。

the bitter lesson摘要: https://blog.aihao.tw/2026/02/17/bitter-lesson-agent-harness/
原文翻譯： https://amjltc295.medium.com/%E7%BF%BB%E8%AD%AF-%E7%97%9B%E8%8B%A6%E7%9A%84%E6%95%99%E8%A8%93-the-bitter-lesson-bd96c154a3c8