当前位置：首页 > news >正文

一文搞懂 Agent 的进化：从 RAG/ReAct 到 Skills/Harness/Loop，你的旧地图为什么不够用了

news 2026/6/26 5:54:31

如果你是 2024 年入门 AI 应用的，你脑子里大概有一张这样的地图：

***想让模型用上外部知识，上 RAG；想让它一步步推理着干活，用 ReAct；想让它调工具，配 Function Call；想让它别瞎答，加个 prompt 模板把话说清楚。*这套组合拳，过去两年是绝对的主流，几乎所有教程都这么教。

然后 2026 年了。你打开现在最能打的那些 Agent 系统——Claude Code、Codex——掀开看里面的设计，会有一种说不出的别扭：你熟悉的那些词，好像还在，又好像都不在了。它不太提 RAG，检索代码直接用 grep；它不怎么强调 Function Call，工具全走一个叫 MCP 的东西；*它满嘴是你没怎么听过的新词——Skills、Harness、Loop。*

这时候很多人会冒出一个念头：*是不是我那套又过时了？AI 圈三个月一换血,***我刚学会的东西是不是又成废纸了？****

我要说的是：*没废，但你得换种看法。*你那张旧地图上的每个概念都没有错，也没有死。真正变了的是——它们各自只是一块零件，而 2026 年的系统，已经不靠"拼零件"运转了，它换上了三个新底座。还盯着零件看的人，会越来越看不懂新系统****为什么****长这样。

*这篇就干一件事：带你把旧地图和新地图叠在一起看，看清楚那些旧概念，到底被新范式怎么"吃"进去了*。

先把旧地图摊开：每个概念，都只解决了一个零件

*我们先公平地说，2024 那套东西当年为什么对。*

**RAG****解决的是*“模型不知道你的私有知识”*。把你的文档切成小块、转成向量存起来，提问时先去库里搜出最相关的几块，塞进上下文。*它管的是一件事：***知识怎么取进来。****

**ReAct****解决的是"模型只会一次性作答、不会边想边干"。让它**“想一步（Reason）→ 做一步（Act）→ 看结果 → 再想下一步”。**它管的是：*怎么把推理和行动串起来。*

**Function Call****解决的是*“模型只会输出文字、碰不到真实世界”*。给它一组函数声明，让它能输出"我要调这个函数、参数是这些"。它管的是：*怎么调一个工具。*

**Prompt 工程****解决的是*“模型不知道你到底想要啥”*。靠角色设定、示例、约束，把话说到模型能稳定理解。它管的是：*怎么把意图说清楚。*

你发现规律了吗？这四个概念，每一个都精准、都有用，但每一个****都只拼了整张图里的一小块*：*知识、推理、工具、意图*。你得自己当那个把它们拼起来的人——*选哪个向量库、怎么设计 ReAct 的循环、注册哪些 function、调哪个 prompt 模板*。*你是那个总装工。****

2024 到 2025 年，这套"人肉总装"是常态。问题是，它有个隐形的天花板：*当任务变长、变复杂，需要拼的零件越来越多，那个总装的人——你——就成了瓶颈*。而且这些零件是各管各的，谁也不知道谁，拼出来的系统很脆。

然后模型变强了，旧实现"配不上"新模型了

转折点不是某个新概念诞生，是****模型本身跃迁了****。

有个观察被反复引用：2025 年底，工程师 Sam Hogan 直接点名说，2024 年那套 LLM 工具栈——RAG、多 Agent 编排、ReAct 框架、prompt 管理、各种 eval 工具——有很大一部分已经过时了。*但他用词很准：这些概念依然成立，是它们流行的那些实现，没跟上模型的跃进。*

这句话是理解整个 2026 的钥匙。*不是概念错了，是实现配不上新模型了。*

举个最直观的例子。RAG 当年为什么要把文档切块、转向量、做召回这么一大套？根子在于：*当时的模型上下文窗口小、又不会自己主动去找东西*，你只能在它开口前，提前把最可能有用的几块猜出来、喂到它嘴边。*RAG 本质上是给一个"不会自己找资料的模型"配的拐杖。*

可 2026 年的模型呢？Claude Opus 4.6 已经有一百万 token 的上下文窗口，还不额外加价。更重要的是，它会自己用工具了——*你给它一个 grep、一个文件读取工具*，它能像个老程序员一样，自己一层层翻代码库找到要的东西。

一个会自己走路的人，你还硬塞给他一副拐杖，他反而嫌碍事。*这就是为什么 Claude Code 检索代码宁可用 grep 也不挂 RAG*——不是 RAG 错了，是对一个会自己探索的 Agent 来说，"提前切块、向量召回"这套预处理，*成了多余的中间商*。

但你也别急着喊"RAG 死了"——那是另一个极端。有句话泼得很清醒：说 RAG 死了的人，是把"上下文窗口变大"和"该往里放什么的取舍纪律"搞混了。窗口再大，也不能免除"到底该把什么放进去"这个选择。所以 RAG 没消失，它变成了 Agent 手里****一个可以反复调用的工具****——*检索从"一次性的预处理步骤"，变成了 agent 在循环里反复调用的一个工具，要不要检索、检索什么、什么时候停，都由 agent 自己边想边定。*

*看到这个转变没有？***RAG 没被删掉，它被降级成了零件，塞进了一个更大的东西里。*****那个更大的东西，就是新地图。*

新地图：三个底座，把旧零件全吸收了

2026 年真正在跑的系统，不再让你手动拼零件了。它换上了三个底座，每个底座****接管****了旧地图里的一整类问题。这三个底座有个清晰的演进脉络，我用官方那套说法给你串一下：*Prompt 工程（优化你敲进去的文字）→ Context 工程（用正确的信息填满上下文窗口）→ Harness 工程（设计单个 agent 运行的整个环境）→ Loop 工程（给 harness 装上定时器、让它能自己派生运转）*。

注意一个关键细节：在这个演进里，prompt 工程并没有消失，它变成了 context 工程的一个子集。这正是整张新地图的运作方式——*新的不取代旧的，新的把旧的吃进去当零件。*我们一个底座一个底座看。

*底座一：Skills——接管了"知识怎么给"。*

旧地图里，"给模型喂知识"是 RAG 和 prompt 的活：RAG 喂外部资料，prompt 喂规则和示例。Skills 把这件事重做了一遍。

它的核心思路叫*“渐进式披露”*：平时只给模型看一份****能力目录****（每个 skill 就一行简介），等模型判断"这个任务需要某个 skill"了，才把那个 skill 的详细正文、脚本、参考资料动态加载进来。*换句话说，它不再像 RAG 那样"提前猜你要什么、一股脑塞进去"，而是"先让模型知道有什么，用到了再现取"。*

这是一次思路上的反转：旧地图想的是*“怎么把对的知识提前找出来给它”*，Skills 想的是*“怎么让它自己在需要时把知识取出来”*。前者是你替它操心，后者是它自己操心——而后者，只有在模型够聪明、会自己判断的 2026 年才成立。*技能图谱正在取代向量检索成为默认底座。*

**底座二：Harness——接管了"怎么让它不跑偏"。****

*这是旧地图里***完全没有*****的一块，也是 2026 最核心的新增。*

ReAct 告诉你"让模型想一步做一步"，但它没回答一个要命的问题：当模型连续做几十步、上百步的时候，*谁来保证它不跑偏、不忘事、错了能爬起来？*prompt 写得再好、上下文喂得再准，*模型在长链路里照样会计划做着做着就偏了、工具调对了却理解错结果、干到一半忘了最初要干啥*。

Harness（直译"马具、缰绳"）就是来管这件事的：给这匹有力气但会乱跑的马，套上工具、记忆、权限边界、反馈回路、出错恢复——一整套"驾驭装备"。它接管的不是某个零件，是****整个运行过程的可控性*。*圈子里那个公式说得最干脆：***Agent = 模型 + Harness*******。模型决定上限，Harness 决定它到底能不能稳定地把活干完。**

而且 Harness 不是一搭就一劳永逸的。Anthropic 有个观察特别能说明它是"活的"：harness 策略会随着每次模型升级被重新定价——今天有用的 planner，明天可能就拖慢系统；今天必须的 context reset，明天可能就成了多余的负重。所以一个生产级的 harness 不能只会加东西，它还得会删东西。这恰好呼应了前面那条主线：*模型在变，外面这层驾驭装备就得跟着变*。

**底座三：Loop——接管了"谁来按回车"。****

*这是最新的一块，2026 年 6 月才被正式叫响。*

把前两个底座都搭好之后，你会发现整条流水线上还剩最后一个人肉环节：*你*。模型在等你布置任务，Harness 在等你启动，你得坐在屏幕前，一条一条敲 prompt、按回车。你睡觉，它就停工。

Loop 工程瞄准的就是这一环。2026 年 6 月 7 日，OpenClaw 的作者 Peter Steinberger 发了条被看了几百万次的帖子：你不该再给 agent 打 prompt 了，你该去设计那个替你给 agent 打 prompt 的循环。同期 Claude Code 的负责人 Boris Cherny 说得更直接：我已经不给 Claude 打 prompt 了，是循环在运行着、由它来 prompt Claude、决定下一步干什么，我的工作是写循环。

说人话：你从"亲自接每个电话的接线员"，升级成了"设计整个工单系统的人"。*ReAct 那个"想-做-看"的循环还在不在？在——但它被包进了一个更大的、能自动触发、自己派活的循环里*。***ReAct 也被吃进去了，成了 Loop 内部的一圈小心跳**。*

为什么"还用旧地图的人"会越来越看不懂新系统

现在我们可以回答开头那个别扭感了。

你掀开 Claude Code 看见它用 grep 不用 RAG，会困惑——因为你的旧地图告诉你"接外部知识就该上 RAG"，你盯着的是"知识检索"这个****零件*。但设计它的人，想的不是这个零件，他想的是 Skills 这个*底座****：让模型自己在需要时去取，而不是提前喂。你和他不在一张地图上，自然看不懂他为什么这么选。

这就是旧地图真正"不够用"的地方——*它不是错，是颗粒度不对了。**旧地图是"零件级"的：一个问题配一个零件。新地图是"系统级"的：三个底座管三大类问题，旧零件被吸收进底座里，变成了实现细节*。还停在零件级看问题的人，会一次次撞上同一种困惑：这个新系统为什么不按我熟悉的方式来？答案永远是同一句——因为它已经不在拼零件了，它在搭整车。

所以这张新旧地图的关系，根本不是"新的把旧的扫进垃圾桶"。是：

RAG、ReAct、Function Call、prompt 模板——这些没有一个死了。RAG 变成了 Agent 手里一个按需调用的检索工具，ReAct 变成了 Loop 里的一圈心跳，Function Call 长成了标准化的 MCP，prompt 工程变成了 Context 工程的一个子集。它们全都还活着，只是从"你要亲手拼的零件"，变成了"藏在三个底座内部的实现细节"。

你两年前学的东西，一点没白学——那些是构成今天这台机器的螺丝和齿轮，你比谁都清楚它们怎么转。你唯一要补的，是从"盯着螺丝"抬起头，看清楚这台机器整体是怎么设计的：*Skills 怎么喂知识、Harness 怎么保稳定、Loop 怎么自己运转。*

模型还在变强，而每一次变强，都会把更多原本要你亲手拼的零件，吸进这三个底座里。看懂这个吸收的方向，比记住任何一个具体零件都重要——因为零件会被不断重新打包，而"知识、稳定、自驱"这三个底座要解决的问题，会一直在。

*地图会更新，但看地图的眼光，可以一直用下去。*

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

课程还教大家怎么和AI搭档一起工作，就像程序员带着智能助手写代码、优化方案，效率直接翻倍‌！

这么练出来的学员确实吃香，83%的应届生都进了大厂搞研发，平均工资比同行高出四成多‌。

智泊AI还特别注重培养"人无我有"的能力，比如需求分析、创新设计这些AI暂时替代不了的核心竞争力，让学员在AI时代站稳脚跟‌。